Повысить масштабность обучения детерминантным процессам в точках с взаимодействием ядро-структура

arXiv: 261.10.12829v1 Аннонс Тип: новое резюме: процессы детерминантных точек (DPPs) на конечном наборе являются моделями вероятности, которые демонстрируют отталкивание в тех случаях, когда сходство между предметами кодируется позитивной определенной матрицой ядра. Для расширения масштабов обучения ДПП с использованием крупных наборов данных обычно требуется введение структурных ограничений в матрицу ядра, таких как форма с низким уровнем выбросов и более. Вместе с тем структурные допущения создают серьезный компромисс между экспрессивной мощностью и вычислительной масштабируемостью. Наше исследование решает эту проблему путем: а) моделирования взаимодействия на уровне полного числа с помощью нелинейной функции ядра и латентных характеристик; b) разработки суррогатной функции для оценки максимальной вероятности; и c) принятия стохастической оптимизации с использованием случайных особенностей нелинического ядра. Цифровые эксперименты на базах данных реального мира показывают, что наш метод значительно улучшает этот компромисс и позволяет добиться более высокой степени обобщения с поразительной эффективностью параметров.