本文提出了基于辅函数的优化方法，包括使用附属函数的 majorization-minimization (MM) 算法和 majorization-equalization (ME) 算法，以求解非负矩阵分解 (NMF) 中的 beta-divergence 形式，同时扩展了该算法以适应罚款 NMF 和 凸-NMF，并且论文通过对合成和真实数据的模拟证明了 ME 算法的收敛更快。

Oct, 2010

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

该论文提供了一种新的、更具有鲁棒性更广泛的非负矩阵分解方法，使用一种后处理策略来处理数据集中的重复项和近似项。

Nov, 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

用最小体积非负矩阵分解方法，不依赖噪声水平来可恢复秩缺失的矩阵，并通过无需调整的平方根 lasso 方法来选择调整参数值。

Sep, 2023

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

我们的研究旨在探究非负矩阵分解(NMF)在面对不同类型的噪声时的噪声稳健性。通过使用三种不同的NMF算法（L1 NMF，L2 NMF和L21 NMF）以及ORL和YaleB数据集进行一系列的模拟实验，分别使用盐和胡椒噪声和块遮挡噪声。实验中，我们使用一系列的评估指标，包括均方根误差（RMSE），准确率（ACC）和归一化互信息（NMI），来评估不同NMF算法在噪声环境中的性能。通过这些指标，我们量化了NMF算法对噪声的抵抗能力，并深入研究了它们在实际应用中的可行性。

Dec, 2023

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