Jun, 2023

多约束对称非负隐变量分析大规模无向加权网络

PDF
TL;DR本文提出了一种多限制的对称非负潜因子分析模型，通过引入多种限制和实现交替方向乘子法的学习方案，有效解决了对称高维不完整矩阵在无向加权网络中的特征表达问题。实验证明该模型较现有模型具有更强的表征学习能力。
undirected weighted networksymmetric high-dimensional and incomplete matrixsymmetric nonnegative matrix factorization modelmulti-constrained symmetric nonnegative latent-factor-analysis modelalternating direction method of multipliers
发现论文，激发创造
  • 接近对称非负隐因子分析：一种高度准确表示无向加权网络的新方法

    本文提出了一种名为 PSNL 的模型，它通过在面向数据密度和对称性的目标函数中加入接近项来提高表示准确性，并通过基于 ADMM 的自适应 TPE 方法实现高效的计算学习方案，从而实现了四个 UWN 上的模拟研究，证明了 PSNL 比最先进的模型实现更高的准确性提高，同时具有高度竞争的计算效率。

    Jun, 2023

  • 动态网络表示的动量非负张量因式分解模型

    本文提出了一种基于动量梯度下降的非线性潜在张量因子分解模型 (MNNL)，可从高维不完整张量 (HDI) 中提取非负潜在因子，改善了传统 LFT 模型的训练问题，提高了预测准确性和收敛速度。

    May, 2023

  • 从在线非负矩阵分解中派生的 Hebbian / Anti-Hebbian 网络可以聚类和发现稀疏特征

    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

  • 鲁棒多模型拟合的非负矩阵欠拟合

    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

  • 低秩张量表示的半监督对称矩阵分解

    我们提出了一种新的半监督对称非负矩阵分解模型，通过为通过对称约束矩阵和嵌入矩阵转置的乘积得到的相似度矩阵合成的张量寻找低秩表示，同时从全局角度加强这两个矩阵，然后通过增强的 SNMF 模型使嵌入矩阵适应此张量低秩表示，最终通过强化的相似约束来改进相似度矩阵，重复上述步骤进一步提升相似度矩阵和约束矩阵，从而得到高质量的嵌入矩阵。我们的方法在大量实验证明了其优越性。

    May, 2024

  • 深度矩阵因式分解方法学习属性表示

    本研究提出了一种新的模型 Deep Semi-NMF，可以将 Semi-Non-negative Matrix Factorization 中无法解释的低级隐藏属性进行聚类解释，并提供了 Deep WSF 的半监督版本，可用于处理不同属性的数据集，可以用于聚类和分类，其性能表现优于其他现有的方法。

    Sep, 2015

  • 张量环分解实现大规模动态网络表示

    本文提出一种基于张量环分解的模型，将单个潜在因子相关的、非负的、乘性的更新方法融入到张量分解模型中，分析了张量环分解的特定偏差形式。在两个真实的大规模动态网络上的实验研究表明，该提出的方法比现有模型的准确性更高。

    Apr, 2023

  • 输入引导的多解构单重建神经网络模型用于矩阵分解

    基于非负矩阵分解（NMF）概念的 IG-MDSR-NMF 和 IG-MDSR-RNMF 模型，通过发现数据的低秩近似，处理高维数据，并确保模型的非负性约束。与其他九种降维算法相比，两个模型在五个常用数据集上表现出明显的优越性，通过保证数据的局部结构等方面验证了低维嵌入与原始数据的对比，同时还呈现了计算复杂性和收敛性分析，从而证明了这些模型的优势。

    May, 2024

  • SymNMF-Net 对称 NMF 问题

    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

  • 对称矩阵分解的再思考：更一般且更优的聚类视角

    本文提出了使用正则项优化的高效因式分解算法来提高聚类性能，同时进一步探索了使用不同约束条件解决对称矩阵分解问题的通用框架。

    Sep, 2022