Determinantal point processes for machine learning

行列式点过程（DPP）是量子物理学和随机矩阵理论中出现的优雅的排斥概率模型。与传统的结构模型（如马尔可夫随机字段）相比，传统的结构模型在负相关的情况下变得棘手且难以近似，因此DPP可用于采样，边缘化，调节和其他推理任务的精确算法。我们对DPP进行了温和的介绍，重点关注与机器学习社区最相关的直觉，算法和扩展，并展示如何将DPP应用于实际应用，例如找出各种高质量的搜索结果，通过从文档中选择不同的句子，在图像或视频中对不重叠的人体姿势进行建模，以及自动构建重要新闻故事的时间表来构建信息摘要。