SymNMF-Net 对称 NMF 问题
本文介绍了一种解决对称非负矩阵分解问题的快速算法,该算法通过将对称问题转化为非对称的形式进行求解,并证明了这种方法能够在达到全局最优解的同时具有强收敛性,实验表明该算法在数据分析和聚类任务中的应用效果良好。
Nov, 2018
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
研究单层神经元网络如何执行在线对称非负矩阵分解(SNMF)的假设,通过导出基于 SNMF 成本函数的在线算法,可以实现具有局部学习规则的生物学上可行的网络。该算法具有软聚类和稀疏特征发现能力,是一个阶段性的研究,可以促进大规模神经电路模拟和生物启发式人工智能。
Mar, 2015
本文针对网络重叠社区问题,结合非负矩阵分解和混合成员随机块模型,提出了一种称为 GeoNMF 的计算机算法,能够在广泛的参数范围内实现唯一解,保证了算法的精确性和一致性。经过模拟和真实数据集上的实验,证明了该算法的准确性。
Jul, 2016
本文提出了一种新的非凸变量分裂方法,用于解决对称非负矩阵分解问题;该方法具有全局亚线性收敛率,能够有效地并行实现,并提供了保证所得解的全局和局部最优性的充分条件。在合成数据和实际数据集上进行的广泛数值实验表明,该算法快速收敛到局部最小解。
Mar, 2017
提出了一种名为对比深层非负矩阵分解 (CDNMF) 的新型社区检测算法,通过加深非负矩阵分解来提取信息,创造性地将网络拓扑和节点属性构建为两个对比视图,并利用去偏差负采样层学习社区级别的节点相似性,提高模型对社区检测的适应性,实验证明,该模型在三个公开真实图数据集上取得了比现有方法更好的结果。
Nov, 2023
本文介绍了一种高效算法,用于解决非负矩阵欠逼近(NMU)问题,提出 NMU 结果与传统 NMF 相比具有额外的稀疏性和基于部分行为,解释了独特的数据特征。通过应用到气候数据分析和多参数模型拟合,证明了该方法在 NMU 计算效率上的优越性和实用性。
Nov, 2016
本文介绍了一种神经网络,可以代替非负矩阵分解(NMF),并进一步展示如何用它实现监督源分离。由于这种方法的可伸缩性,我们展示了如何实现比 NMF 方法更好的源分离性能,以及提出了多种可用于进一步提高性能的衍生结构。
Sep, 2016
本文提出了一种基于对称非负矩阵分解的方法来解决从嘈杂、不完整和众包注释中无监督学习 Dawid-Skene(D&S)模型的长期挑战,该方法确保了 D&S 模型的可识别性,具有低样本复杂性,并通过轻量级的算法解决共现问题来提高其可靠性。
Jun, 2021