非负矩阵分解的原因和方法
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
本文综述了非负矩阵分解(NMF)在降维中的应用,重点关注其在特征提取和特征选择方面。我们分类了降维方法,对 NMF 的不同方法进行了全面总结。此外,我们讨论了 NMF 在降维中的最新研究趋势和潜在未来发展方向,旨在突出需要进一步探索和发展的领域。
May, 2024
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
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
本文介绍了两种算法,Shift-NMF 和 Nearly-NMF,可以处理输入数据的嘈杂性和负值,并且可以正确恢复非负信号,而无需对负数据进行截断,避免了引入正偏移。
Nov, 2023
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
本文从可识别性的角度出发,详细介绍了非负矩阵分解的模型可识别性及其与算法和应用的联系,帮助研究人员和研究生掌握 NMF 的本质和洞见,避免由于无法识别的 NMF 公式导致的典型‘陷阱’。同时,本文也帮助实践者选择 / 设计适合其问题的分解工具。
Mar, 2018