医学影像中的非负子空间特征表示
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