行列式点过程的分块 MAP 推断及其在变点检测中的应用
机器学习
2015-03-24 v1 人工智能
统计方法学
机器学习
摘要
现有的行列式点过程（DPP）的 MAP 推断算法通常需要在完整核的规模上计算行列式或进行特征值分解，这给实际应用带来了巨大挑战。本文引入一类称为 BwDPP 的 DPP，其特征是具有近似块对角核矩阵，从而能够实现高效的分块 MAP 推断。此外，BwDPP 被成功应用于解决变点检测（CPD）问题中变点选择的困难，由此产生了一种基于 BwDPP 的 CPD 方法，名为 BwDppCpd。在 BwDppCpd 中，首先基于已有的充分研究的度量指标创建一组初步的变点候选集。然后，将这些变点候选视为 DPP 项，并进行基于 DPP 的子集选择，以给出兼顾质量与多样性的变点最终估计。BwDppCpd 的有效性通过在五个真实世界数据集上的大量实验得到证明。
引用
@article{arxiv.1503.06239,
title = {Block-Wise MAP Inference for Determinantal Point Processes with Application to Change-Point Detection},
author = {Jinye Zhang and Zhijian Ou},
journal= {arXiv preprint arXiv:1503.06239},
year = {2015}
}