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
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
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
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
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
本文提出了一种新的线性规划模型,解决了传统方法的两个问题,并且在多个合成数据集上,该方法的表现优于 Hottopixx 方法和其他两种先进方法.
Feb, 2013
本文提出了一种基于高阶马尔可夫统计的非负矩阵分解的 HMM 学习算法,该算法支持对 HMM 的循环状态数目进行估计,并迭代非负矩阵分解算法以改善学习到的 HMM 参数。
Sep, 2008
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