基于核结构交互的可扩展行列式点过程学习

该研究提出了一种可扩展的行列式点过程（DPP）学习方法，用于解决大规模数据集中表达能力与计算扩展性之间的权衡难题。该方法通过非线性核函数与潜在特征建模满秩交互，为极大似然估计器设计了代理函数，并利用非线性核的随机特征进行随机优化。真实数据集上的数值实验表明，该方法显著改善了这一权衡，在具备显著参数效率的同时取得了更好的泛化性能。