对称矩阵分解的再思考:更一般且更优的聚类视角
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
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
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
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
通过非负矩阵分解和谱聚类方法,在非线性正交 NMF 框架中提出了两种基于核的子空间聚类算法,并引入图形正则化以获得满足数据局部几何结构的分解,其聚类性能显著优于最新的一些方法。
Sep, 2017
本文提出了一种神经网络 SymNMF-Net,用于解决 Symmetric NMF 优化算法在真实世界数据集聚类任务中出现的不足,并通过实验结果验证了该算法的有效性。
May, 2022
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