Ein determinantal point process (deutsch: determinantaler Punktprozess) oder kurz DPP ist ein Punktprozess, dessen -Punkt-Korrelationsfunktion eine Determinante eines Integralkerns ist. Solche Prozesse trifft man in der Spektraltheorie der Zufallsmatrizen, in der Kombinatorik, sowie im Machine Learning[1] und der Physik an.
In der Theorie der Zufallsmatrizen haben manche dieser Prozesse erstaunliche – sogenannte universelle – Eigenschaften und man erhält in vielen Situation den gleichen Prozess, unabhängig von der darunterliegenden Wahrscheinlichkeitsverteilung. Viele Fragen zu diesem Phänomen sind noch nicht geklärt und Bestandteil moderner mathematischer Forschung.
Sei ein lokalkompakter polnischer Raum und ein positiver Integralkern eines lokalen Spurklasseoperators .
Ein simpler Punktprozess ist ein determinantal point process, falls seine -Punkt-Korrelationsfunktion existiert und für jedes gilt
- .
Erläuterungen
Da Korrelationsfunktionen positiv sind, muss zwingend auch positiv sein.
Seien disjunkt, dann gilt
- .
Verallgemeinerungen der determinantal point processes sind pfaffian point processes, deren -Punkt-Korrelationsfunktion Pfaffsche Determinanten sind:
wobei ein antisymmetrischer Kernel ist:
und .
Beispiele aus der statistischen Mechanik
Der Fermion process und der Boson process.
Theorie der Zufallsmatrizen
Die empirischen Spektralmaße von einer großen Klasse von unitären Matrizen konvergieren (unter entsprechender Skalierung) zu determinantal point processes mit folgenden Kernen:
- Sine2-Prozess
- Airy2-Prozess
wobei die Airy-Funktion bezeichnet.
- Greg W. Anderson, Alice Guionnet, Ofer Zeitouni: An Introduction to Random Matrices. Cambridge University Press, 2009.
Alex Kulesza, Ben Taskar: Determinantal Point Processes for Machine Learning. Now Publisher Inc, 2012, ISBN 978-1-60198-628-3 (englisch).