新论文提出DPP可扩展学习方法

日本研究者 Takahiro Kawashima 与 Hideitsu Hino 提交了一篇论文，提出用非线性核函数和隐特征建模行列式点过程（DPP）的满秩交互，并设计最大似然估计的代理函数、采用非线性核随机特征的随机优化求解。 论文针对的是DPP学习中低秩加对角等结构约束带来的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较高的参数效率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。