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

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

通过将可分离性非负矩阵因式分解问题转化为寻找一个向量有限集的锥壳的极端射线，本文提出了一类高度可扩展和实验噪声稳健的新型可分离 NMF 算法，并实现了分布式共享内存的高可扩展性算法

Oct, 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

该论文提出了一种基于Burer-Monteiro分解的NMF-like算法，通过将SDP松弛的K-means问题约束为非负低秩矩阵，实现了和NNF算法一样简单、可扩展且具有强大的统计优化保证的聚类效果。该算法在实验中的误聚类错误率明显低于现有的最新技术。

May, 2023

对称非负矩阵分解是一种在数据分析和机器学习中利用非负、低秩矩阵及其转置来近似表示对称矩阵的技术。为了设计更快速和更可扩展的对称非负矩阵分解算法，我们开发了两种随机化算法来计算。第一种算法利用随机矩阵草图计算初始低秩输入矩阵，并利用此输入迅速计算对称非负矩阵分解。第二种算法利用随机杠杆得分采样来近似解决受限最小二乘问题。实验证明，这两种方法在实践中都非常有效，通过将它们应用于大型真实数据集上的图聚类任务，我们展示了这些方法在保持解决方案质量的同时显著提速，无论是在大规模稠密问题还是大规模稀疏问题上。

Feb, 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