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 MahNMF 方法以及5种扩展，用于处理非负矩阵。利用两种算法，即秩一残留迭代（RRI）方法和Nesterov的平滑方法，有效地优化了MahNMF和其扩展。MahNMF方法在处理重尾部的拉普拉斯噪声时，能够很好地拟合数据，是一种鲁棒性较强的方法。

Jul, 2012

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

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

本文提出了一种基于生成模型的非负矩阵分解算法，该算法采用 ReLU 对权重进行解码，可以在较宽松条件下恢复基本事实，并且能够容忍大于信号的无偏噪声，分析依赖于两个潜在函数之间的精心设计的耦合。

Nov, 2016

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

用最小体积非负矩阵分解方法，不依赖噪声水平来可恢复秩缺失的矩阵，并通过无需调整的平方根 lasso 方法来选择调整参数值。

Sep, 2023

我们的研究旨在探究非负矩阵分解(NMF)在面对不同类型的噪声时的噪声稳健性。通过使用三种不同的NMF算法（L1 NMF，L2 NMF和L21 NMF）以及ORL和YaleB数据集进行一系列的模拟实验，分别使用盐和胡椒噪声和块遮挡噪声。实验中，我们使用一系列的评估指标，包括均方根误差（RMSE），准确率（ACC）和归一化互信息（NMI），来评估不同NMF算法在噪声环境中的性能。通过这些指标，我们量化了NMF算法对噪声的抵抗能力，并深入研究了它们在实际应用中的可行性。

Dec, 2023

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