本文通过线性规划和列生成的优化技术,提出了一种求解低秩二元矩阵分解问题的算法,该算法不需要使用启发式模式挖掘,具有高精度和优化保证,并在真实数据集上取得了良好的效果。
Nov, 2020
介绍了一种概率生成模型 ——OrMachine,用于布尔矩阵分解和推导出马尔科夫链蒙特卡罗 (Metropolised Gibbs) 采样器,实现了高效的并行后验推断,并在真实世界和模拟数据上优于目前所有现有的布尔矩阵分解和完整方法,首次为布尔矩阵分解提供了完整的后验推断,在协同过滤中用于控制假阳性率,并关键地提高了推断模式的可解释性。提出的算法在通用硬件上扩展到大型数据集,如在 1.3 百万只老鼠脑细胞上分析 11 千个基因的单细胞基因表达。
Feb, 2017
本研究介绍了基于布尔矩阵分解的新算法,重点在于提供从下面逼近输入矩阵的分解,实验结果表明该算法表现良好,需要的因子数量少,可以超越现有算法。未来研究方向也进行了探讨。
Jun, 2013
基于针对实践的 heuristics 我们提出了一种新的算法,它基于 BMF 的最新的理论进展,用于在有限域上找到 GF (p)-Matrix 分解的有效多项式时间逼近方案,并通过人工合成和现实世界数据的实证研究证明了我们算法的优越性。
Jul, 2022
本文概述了 Boolean Matrix Factorization(BMF)在数据挖掘、正式概念分析、机器学习和理论等领域的研究进展,提出了需要进一步探讨的问题。
Dec, 2020
提出了一种交替优化框架来解决在异常杂质的情况下进行低秩张量分解的问题,可以很容易地加入正则化和约束,以利用潜在的加载因子的先验信息。
Jul, 2015
本文提出了一种基于优化理论的新型布尔矩阵分解算法来解决数据挖掘中的拼瓦问题,该算法通过最小化因子分解的描述长度实现,具有良好的噪声鲁棒性,并可与任何适当的实值放松代价度量一起使用。实验结果表明,此方法识别出的解释性模式几乎总是比竞争算法更好地解释了数据。
Jun, 2019
本文在数据流中对二分图聚类和布尔矩阵分解问题进行了研究,提出一种使用亚线性空间复杂度,在数据流遍历一遍后能够恢复右部聚类的算法,并且在第二次遍历中能够恢复左部聚类,同时还能够扩展该算法来解决布尔矩阵分解问题。
该论文提出了一种新的用于综合近似电路的技术,采用布尔矩阵分解对电路子电路的真值表进行逼近,以获取更低复杂度的子电路,实验表明此方法可在不影响准确度的情况下,节约高达 63% 的功耗。
May, 2018
本文提出了一种耦合矩阵和张量分解 (CMTF) 方法,通过 all-at-once 优化的方法来融合包含不同矩阵和高阶张量的异构数据集,并可以处理不完整数据集,实现更精准的数据分析。
May, 2011