非负矩阵分解的原因和方法
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
本文介绍了一种解决对称非负矩阵分解问题的快速算法，该算法通过将对称问题转化为非对称的形式进行求解，并证明了这种方法能够在达到全局最优解的同时具有强收敛性，实验表明该算法在数据分析和聚类任务中的应用效果良好。
Nov, 2018
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
该研究解决了现有非负矩阵分解(NMF)算法在局部最优解和组件选择中的不足。提出了一种在高维特征空间中进行NMF的创新方法，采用可分析求解的成对合并策略，实验结果表明，该方法显著改善了局部最优解的一致性及选择组件数量的效率。同时，该方法在计算性能上也有所提升，减少了在鞍点附近的“收敛停滞”现象。
Aug, 2024