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

通过对非负矩阵因式分解 (NMF) 和非负自动编码器之间的关系进行详细探究，发现这两种模型之间的连接可以通过凸 NMF 建立，该模型是自动编码器的特例。在从癌症基因组数据中提取突变特征的背景下，将 NMF 和自动编码器的性能进行比较，结果显示 NMF 基于重构的准确性优于自动编码器，而使用两种方法提取的特征在外部验证时表现出可比性和一致性，这表明本文中研究的非负自动编码器在突变特征提取领域并没有改进 NMF 的效果。

May, 2024

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

该研究提出了一种新的方法，利用多项逻辑回归、非平滑非负矩阵分解 (nsNMF) 和支持向量机 (SVM) 等算法，从全序列数据中提取遗传信息以更好地预测癌症类型。实验表明，该方法在突变计数、突变得分等方面均表现优异，可用于其他疾病分类和通路发现研究。

Sep, 2018

本文提出了一种加速处理非负矩阵分解问题的技术，通过在每个迭代步骤中精确分析计算成本，来保持算法的收敛性。这种加速技术可以应用于其他算法，并且已在图像和文本数据集上进行了实证研究。

Jul, 2011

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

通过引入顶 ological NMF 和 robust topological NMF 方法，并利用 12 个数据集进行验证，我们证明了提出的 TNMF 和 rTNMF 明显优于其他基于 NMF 的方法，并在可视化中使用 TNMF 和 rTNMF 进行了 Uniform Manifold Approximation and Projection (UMAP) 和 t-distributed stochastic neighbor embedding (t-SNE)。

Oct, 2023

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