非负矩阵分解的复杂性
本文介绍了非负矩阵分解的稀疏特征提取功能,并探讨了如何解决通常情况下 NP 困难的 NMF 问题,介绍了一个称为近可分离 NMF 的问题子类,可以高效地解决一些在有噪声的情况下的 NMF 问题。最后简要描述了 NMF 在数学和计算机科学领域的若干相关问题。
Jan, 2014
该研究论文旨在研究非负矩阵分解问题,提出适用于每个常数 r 的精确和近似 NMF 的多项式时间算法,同时在 3-SAT 子指数时间算法假设下展示了精确 NMF 的难度证明,并提供了一个可以运行在 n,m 和 r 的多项式时间内的算法,该算法对输入具有可分离性的假设,并可将该算法应用于许多实际设置中。
Nov, 2011
本文介绍了一种基于 M 矩阵理论和非负矩阵分解的几何解释,通过对非负输入数据矩阵的预处理实现更为适合求解的 NMF 问题,其解具有更好的稀疏性和优化性,适用于多种图像数据集。
Apr, 2012
本文主要研究了基于非负矩阵分解的数据压缩和解释方法中的 Nonnegative Factorization 问题,并通过引入新的类别的算法 Hierarchical Alternating Least Squares (HALS) 来提高它的效率,同时对大规模的无向图的最大边双向子图问题进行了降阶处理,并将其与 Nonnegative Factorization 的稳定点联系起来,得出了一种新的边双向子图发现算法。
Oct, 2008
本文提出了一种基于非负矩阵分解 (NMF) 的线性表示方法,并引入了 “稀疏性” 概念以提高解分解的效果,并提供了用于标准 NMF 和该方法扩展的完整 MATLAB 代码,旨在进一步推动这些方法在解决新型数据分析问题方面的应用。
Aug, 2004
通过结合相关对象,无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中,我们提出了一项关于多模态聚类算法的研究,并提出了一种名为多模态多视图非负矩阵分解的新方法,其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明,所提出的方法具有较大的价值,并使用多种数据集进行评估,相比于现有的方法,获得了非常有前景的结果。
Aug, 2023
提出了一个分布式内存并行算法来解决大型数据集上的非负矩阵分解问题,实现了对稠密和稀疏矩阵的高效处理,并且在交替迭代中提供了多个算法选项,与基线实现相比表现出了显著的性能提升。
Sep, 2015
本论文提出了一种新的基于线性规划的计算非负矩阵分解的方法,其中关键思想是使用数据中最显著的特征来表示其他特征,以实现低秩近似且扩展到更一般的噪声模型并具有高效可扩展性的算法。
Jun, 2012
本研究提出了借助结构化随机压缩技术,分别应用于传统非负矩阵分解和分离式非负矩阵分解,以应对数据结构日益复杂、数据集日益庞大的情况,结果表明这种压缩技术比传统方法更快速高效。
May, 2015