Sep, 2015

深度矩阵因式分解方法学习属性表示

PDF
TL;DR本研究提出了一种新的模型 Deep Semi-NMF，可以将 Semi-Non-negative Matrix Factorization 中无法解释的低级隐藏属性进行聚类解释，并提供了 Deep WSF 的半监督版本，可用于处理不同属性的数据集，可以用于聚类和分类，其性能表现优于其他现有的方法。
semi-non-negative matrix factorizationclustering interpretationdeep semi-nmfsemi-supervisedclassification
发现论文，激发创造
  • 基于非负矩阵分解的多模态多视角聚类

    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

  • 低秩张量表示的半监督对称矩阵分解

    我们提出了一种新的半监督对称非负矩阵分解模型，通过为通过对称约束矩阵和嵌入矩阵转置的乘积得到的相似度矩阵合成的张量寻找低秩表示，同时从全局角度加强这两个矩阵，然后通过增强的 SNMF 模型使嵌入矩阵适应此张量低秩表示，最终通过强化的相似约束来改进相似度矩阵，重复上述步骤进一步提升相似度矩阵和约束矩阵，从而得到高质量的嵌入矩阵。我们的方法在大量实验证明了其优越性。

    May, 2024

  • 对称矩阵分解的再思考：更一般且更优的聚类视角

    本文提出了使用正则项优化的高效因式分解算法来提高聚类性能，同时进一步探索了使用不同约束条件解决对称矩阵分解问题的通用框架。

    Sep, 2022

  • 重新思考隐式神经表示的非负矩阵分解

    非负矩阵分解 (Non-negative Matrix Factorization, NMF) 是一种强大的用于分析规则采样数据的技术，本文将 NMF 表述为连续函数的形式，并展示 NMF 可以扩展到更多不需要规则采样的信号类别。

    Apr, 2024

  • 非负矩阵分解的原因和方法

    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

  • 通过数据预处理实现稀疏和唯一的非负矩阵分解

    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

  • 连续半监督非负矩阵分解

    本文介绍了如何使用非负矩阵分解方法无监督地自动检测语料库中的主题，并证明该方法可结合回归得出比先识别主题后进行回归更好的效果并有更好的可解释性。

    Dec, 2022

  • 具稀疏性约束的非负矩阵分解

    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

  • 医学影像中的非负子空间特征表示

    利用少样本学习，探讨在医学图像中通过数据属性表达在低维空间的非负矩阵因式分解 (NMF) 的有效性，实验证明 NMF 是医学图像中少样本学习的一种竞争性替代方案，尤其是用于检测限制样本医学图像中异常区域的有监督 NMF 算法的效果更具区分度。

    Apr, 2024

  • 具有共享用户嵌入的交叉属性矩阵分解模型

    通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

    Aug, 2023