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

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

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

本研究提出了一种新的模型 Deep Semi-NMF，可以将 Semi-Non-negative Matrix Factorization 中无法解释的低级隐藏属性进行聚类解释，并提供了 Deep WSF 的半监督版本，可用于处理不同属性的数据集，可以用于聚类和分类，其性能表现优于其他现有的方法。

Sep, 2015

通过非负矩阵分解和谱聚类方法，在非线性正交 NMF 框架中提出了两种基于核的子空间聚类算法，并引入图形正则化以获得满足数据局部几何结构的分解，其聚类性能显著优于最新的一些方法。

Sep, 2017

本文提出了一种基于非负矩阵分解 (NMF) 的线性表示方法，并引入了 “稀疏性” 概念以提高解分解的效果，并提供了用于标准 NMF 和该方法扩展的完整 MATLAB 代码，旨在进一步推动这些方法在解决新型数据分析问题方面的应用。

Aug, 2004

本文介绍了两种算法，Shift-NMF 和 Nearly-NMF，可以处理输入数据的嘈杂性和负值，并且可以正确恢复非负信号，而无需对负数据进行截断，避免了引入正偏移。

Nov, 2023

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