Nov, 2023

带频率正则化的监督低秩半非负矩阵分解用于时空数据预测

PDF
TL;DR使用监督半非负矩阵分解和频率正则化的新方法，提出了一种预测时空数据的新方法。通过矩阵分解将时空数据分解为空间和时间分量，并引入非负性约束和频率域的正则化来改善时态模式的清晰度。通过在频率域中选择特征，提供了更便于解释的频率域解释。该方法在地球物理数据分析中具有潜在广泛应用，并与 GRACE 数据的先前研究结果相比，提供了更清晰的可解释性。
supervised semi-nonnegative matrix factorizationspatio-temporal datafrequency regularizationinterpretabilitygeophysical data analysis
发现论文，激发创造
  • 基于图正则化的 L20 范数非负矩阵分解的无监督特征学习

    基于 GNMF 和 l2,0 范数约束的非负矩阵分解方法，旨在提取具有稀疏特征、减轻噪音影响的数据低维结构，通过实验验证了算法的有效性和优越性。

    Mar, 2024

  • 重新思考隐式神经表示的非负矩阵分解

    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

  • 连续半监督非负矩阵分解

    本文介绍了如何使用非负矩阵分解方法无监督地自动检测语料库中的主题，并证明该方法可结合回归得出比先识别主题后进行回归更好的效果并有更好的可解释性。

    Dec, 2022

  • 多维时间序列预测的贝叶斯时态分解

    本文提出了一种贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列进行建模，通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中，该框架可以表征大规模时间序列数据中的全局和局部一致性，并开发了有效的 Gibbs 采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。

    Oct, 2019

  • 单声道音源分离的最大差异生成正则化和非负矩阵分解

    通过对极小化和生成式学习的对抗训练方法，我们提出了最大差异生成式正则化的新方法，并应用于非负矩阵分解的源分离问题，实验证明在有限或无监督数据情况下重建信号的质量有明显改进。

    Mar, 2024

  • 通过数据预处理实现稀疏和唯一的非负矩阵分解

    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

  • 自监督视觉预训练的掩码频率建模

    本文提出了一种基于频域的自监督预训练的方法，称作 Masked Frequency Modeling（MFM），通过在图像的频率分量上进行遮蔽，并预测其丢失的频率信息来学习图像的表示，实验证明该方法在图像分类、语义分割以及鲁棒性测试方面的性能优于其他最近的基于遮蔽的图像建模方法。此外，本文还全面调查了传统图像恢复任务对于从频域角度进行表示学习的有效性，并揭示了它们与 MFM 方法之间的有趣关系。

    Jun, 2022

  • 通过 Floss 的频域正则化方法提升周期时间序列的表示学习

    提出了一种称为 Floss 的无监督方法，通过自动在频率域中规范学习到的表示，用于捕捉时间序列中的周期性动态和改进深度学习模型。

    Aug, 2023

  • 使用非负矩阵分解的有监督和无监督语音增强

    本文提出了一种基于非负矩阵分解的贝叶斯监督算法，通过使用 HMM 和在线学习模型解决了模型训练时的匹配问题，并在实验中得出该方法比竞争方法表现更优的结论。

    Sep, 2017

  • 非负矩阵分解的原因和方法

    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