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
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
提出了一种基于非负矩阵分解的可解释性音频分割模型,该模型在性能和从非负矩阵中提取的潜在表示的深度分析方面取得良好结果,为评估可解释性表示提供了新的视角。
Jun, 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
利用少样本学习,探讨在医学图像中通过数据属性表达在低维空间的非负矩阵因式分解 (NMF) 的有效性,实验证明 NMF 是医学图像中少样本学习的一种竞争性替代方案,尤其是用于检测限制样本医学图像中异常区域的有监督 NMF 算法的效果更具区分度。
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
本文提出了两个矩阵分解模型,用于预测电影特效渲染艺术家的效率,并对其进行了广泛的数值测试。这些模型基于矩阵完成问题,利用了作者对 VFX 环境的了解。其中,一个模型为可解释的专业知识矩阵分解(EMF),另一个为概率性生存矩阵分解(SMF)。
May, 2019
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
本研究提出了一种结构化矩阵因数分解方法,用于同时解决大量神经元集合的位置识别,空间重叠组件混合分离以及每个神经元的钙离子浓度与时间关系的脉冲活动去噪和解卷积问题。
Sep, 2014