神经网络矩阵分解
研究单层神经元网络如何执行在线对称非负矩阵分解(SNMF)的假设,通过导出基于 SNMF 成本函数的在线算法,可以实现具有局部学习规则的生物学上可行的网络。该算法具有软聚类和稀疏特征发现能力,是一个阶段性的研究,可以促进大规模神经电路模拟和生物启发式人工智能。
Mar, 2015
基于训练后的秩选择方法 Rank-Tuning,结合训练适应性,我们的方法能够实现高压缩率而无性能损失或性能损失较小,数值实验结果表明,我们可以将循环神经网络压缩至最多 14 倍,最多相对性能降低 1.4%。
Oct, 2023
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
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
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
本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine(NFM),将因子分解机(Factorization Machines,FM)中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合,实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上,使用更浅的结构却提供更好的性能,在实际中更易于训练和调节。
Aug, 2017
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
本文提出了一种针对二元数据矩阵的基于贝叶斯平均参数非负矩阵分解的方法,并使用折叠吉布斯采样和折叠变分算法推断了因子的后验分布,同时将所提出方法拓展到非参数设置下,实现自动检测相关成分数量,实验证明该方法在词典学习和预测任务方面的性能优于现有技术。
Dec, 2018