新方法缓解DPP学习可扩展性权衡

日本研究者 Takahiro Kawashima 与 Hideitsu Hino 发表论文，提出一种基于核结构交互的可扩展行列式点过程（DPP）学习方法。该方法用非线性核函数与潜在特征建模满秩交互，为最大似然估计设计替代函数，并采用非线性核随机特征的随机优化，以缓解 DPP 学习中表达能力与计算可扩展性之间的权衡。 作者称，在真实数据集上的数值实验显示，该方法以显著更少的参数取得更好的泛化性能。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。