Nov, 2023

对比深度非负矩阵因式分解在社区检测中的应用

PDF
TL;DR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。
nonnegative matrix factorizationcommunity detectionhierarchical informationnode attributescontrastive learning
发现论文，激发创造
  • 基于非负矩阵分解的多模态多视角聚类

    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

  • 图卷积神经网络中节点汇聚的非负因式分解方法

    该论文讨论了一种在图形结构数据中引入池化机制的方法，并将其作为图形卷积神经网络的组成部分。研究表明，这种粗化过程显著提高了模型的预测性能。

    Sep, 2019

  • 高阶接近度结合对称性和图正则化的非负矩阵分解用于社区检测

    本研究提出了一种基于 High-Order Proximity 的 Symmetry and Graph-regularized NMF (HSGN) 模型，结合加权点间互信息的方法来衡量网络中节点之间的高阶连接并通过对称性和图正则化的 NMF 算法来准确检测社区，实验表明这种方法比现有的基准和最先进的社区检测方法的表现更优。

    Mar, 2022

  • 混合成员和对称非负矩阵分解

    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

  • 非负对比学习

    通过非负对比学习（NCL），我们提出非负矩阵分解（NMF）的新应用，旨在提取可解释的特征，在数学上与 NMF 目标保持一致，不仅在特征区分度、特征选择方面表现出众，而且在下游分类任务中表现优异。

    Mar, 2024

  • 基于隐私保护的分布式非负矩阵分解

    在分布式的无线网络中，我们提出了一种保护隐私的非负矩阵分解算法，利用 Paillier 加密系统对分布式大型数据矩阵进行分解，从而保护每个节点的本地数据隐私，并在邻居节点之间进行安全的信息交互。模拟结果表明该算法在实现分布式非负矩阵分解的同时保持了隐私保护的有效性。

    Mar, 2024

  • 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

  • 基于注释者共现插值和可证实对称非负矩阵分解的众包

    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

  • 随机块模型下的正交对称非负矩阵分解

    该论文提出了一种基于规范化拉普拉斯矩阵的正交对称非负矩阵三因式分解的方法，用于在复杂网络中进行社区检测，在包括稀疏和高度异质性的图中均表现良好，并且比现有技术表现更优。

    May, 2016

  • 非负矩阵分解在降维中的应用：一项综述

    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