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
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
本文提出了一种加速处理非负矩阵分解问题的技术,通过在每个迭代步骤中精确分析计算成本,来保持算法的收敛性。这种加速技术可以应用于其他算法,并且已在图像和文本数据集上进行了实证研究。
Jul, 2011
本文介绍了一种基于 M 矩阵理论和非负矩阵分解的几何解释,通过对非负输入数据矩阵的预处理实现更为适合求解的 NMF 问题,其解具有更好的稀疏性和优化性,适用于多种图像数据集。
Apr, 2012
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
非负矩阵分解 (Non-negative Matrix Factorization, NMF) 是一种强大的用于分析规则采样数据的技术,本文将 NMF 表述为连续函数的形式,并展示 NMF 可以扩展到更多不需要规则采样的信号类别。
Apr, 2024
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
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
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