<div dir="ltr"><p dir="ltr" style="font-size:12.8px">Hi everyone!</p><p dir="ltr" style="font-size:12.8px"><span style="font-size:12.8px">This week at the </span><span style="font-size:12.8px">Applied</span><span style="font-size:12.8px"> </span><span style="font-size:12.8px">Statistics</span><span style="font-size:12.8px"> </span><span style="font-size:12.8px">Workshop we will be welcoming </span><b style="font-size:12.8px">Stefanie Jegelka</b><span style="font-size:12.8px">, Assistant Professor of Electrical Engineering and Computer Science at MIT. She will be presenting work entitled </span><span style="font-size:13px;font-family:arial"><b><i>Algorithms and new applications for determinantal point processes</i></b></span><b><i><font face="arial, sans, sans-serif">.</font></i></b><span style="font-size:12.8px">  Please find the abstract below and on the </span><a href="http://projects.iq.harvard.edu/applied.stats.workshop-gov3009/presentations/392016-stefanie-jegelka-mit-time-coming-soon" target="_blank" style="font-size:12.8px">website</a><span style="font-size:12.8px"><a style="color:rgb(34,34,34)"></a>.</span></p><p dir="ltr" style="font-size:12.8px">As usual, we will meet in CGIS Knafel Room 354 from noon to 1:30pm, and lunch will be provided.  See you all there! To view previous <span class="">Applied</span> <span class="">Statistics</span> presentations, please visit the <a href="http://projects.iq.harvard.edu/applied.stats.workshop-gov3009/videos" target="_blank">website</a>.</p><p dir="ltr" style="font-size:12.8px">-- Aaron Kaufman</p><p dir="ltr" style="font-size:12.8px"><span style="font-size:12.8px">Title: </span><span style="font-family:arial;font-size:13px">Algorithms and new applications for determinantal point processes</span></p><p dir="ltr" style="font-size:12.8px"><font face="arial">Abstract: </font><span style="font-family:arial;font-size:13px">Many real-world inference problems are, at their core, subset selection problems. Probabilistic models for such scenarios rely on having distributions over discrete sets that are sufficiently accurate yet computationally efficient to work with. We focus on sub-families of such distributions whose special mathematical properties are the basis for fast algorithms. As a specific example, Determinantal Point Processes (DPPs) have recently become popular in machine learning, as elegant and tractable probabilistic models of diversity. We explore new applications of DPPs for variational inference over combinatorial objects, such as coupled cascades in a collection of networks, where we are able to leverage combinatorial and convex structure in the problem. In the second part of the talk, I will outline ideas for speeding up sampling from DPPs. These ideas build on new insights for algorithms that compute bilinear inverse forms. These results have applications beyond DPPs, including sensing with Gaussian Processes and submodular maximization.</span></p>
</div>