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

本文提出了一种新的低秩矩阵分解模型，假设噪声为指数幂混合分布，融合了惩罚似然方法和指数幂分布的 Penalized MoEP（PMoEP）模型。通过利用局部噪声分量的连续性，我们将马尔可夫随机场嵌入 PMoEP 模型，并进一步提出了先进的 PMoEP-MRF 模型，用于推断涉及建议的参数。在合成数据、面部建模、高光谱图像恢复和背景减除方面的大量实验表明了我们方法的优越性。

Jan, 2016

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。

Nov, 2023

我们研究了正则化泊松非负矩阵分解（NMF）问题，包括利普希茨和相对平滑函数以及线性约束的各种正则化项。我们利用块递进上界最小化（BSUM）来克服主要损失项为 KL 散度的挑战，构建适当的上界函数，并展示如何引入线性约束进入该问题中。这导致了两种新的正则化泊松 NMF 算法的发展。我们进行了数值模拟展示我们方法的有效性。

Apr, 2024

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

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

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

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

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