利用线性优化的鲁棒近可分非负矩阵分解
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
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
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
本研究针对非负矩阵分解以近可分离性为前提条件的问题,提出了基于半定编程的预处理方法,有效改善了连续投影算法的性能,并在多个数据集上得到实际验证,同时也探讨了主动集方法在大规模高光谱图像中的应用。
Oct, 2013
本文提出了 MahNMF 方法以及 5 种扩展,用于处理非负矩阵。利用两种算法,即秩一残留迭代(RRI)方法和 Nesterov 的平滑方法,有效地优化了 MahNMF 和其扩展。MahNMF 方法在处理重尾部的拉普拉斯噪声时,能够很好地拟合数据,是一种鲁棒性较强的方法。
Jul, 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
该论文提出了一种新的识别标准,用于保证在非负矩阵分解 (NMF) 模型中恢复低秩潜在因子,在轻微条件下。具体来说,使用提出的标准,只要一个因子的行在非负第一象限中足够分散,就足以识别潜在因子,而在另一个因子上没有施加任何结构假设,除了完全秩。这迄今为止是从 NMF 模型中可证明识别潜在因子的最温和条件。
Sep, 2017