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
本研究提出了借助结构化随机压缩技术，分别应用于传统非负矩阵分解和分离式非负矩阵分解，以应对数据结构日益复杂、数据集日益庞大的情况，结果表明这种压缩技术比传统方法更快速高效。
May, 2015
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
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
开发了基于$eta$-divergences的新深度非负矩阵分解模型和算法，并将这些技术应用于提取面部特征、文档集中主题的识别和高光谱图像中的材料识别。
Sep, 2023
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。
我们的研究旨在探究非负矩阵分解(NMF)在面对不同类型的噪声时的噪声稳健性。通过使用三种不同的NMF算法（L1 NMF，L2 NMF和L21 NMF）以及ORL和YaleB数据集进行一系列的模拟实验，分别使用盐和胡椒噪声和块遮挡噪声。实验中，我们使用一系列的评估指标，包括均方根误差（RMSE），准确率（ACC）和归一化互信息（NMI），来评估不同NMF算法在噪声环境中的性能。通过这些指标，我们量化了NMF算法对噪声的抵抗能力，并深入研究了它们在实际应用中的可行性。
Dec, 2023
本研究中，我们通过引入可分性假设的概念，将非负矩阵分解（NMF）扩展到多维数组（张量）的情况，创建了称为可分非负张量分解（NTF）的方法，并提供了替代的索引选择方法和随机索引选择过程。通过在合成和面部分析数据集上测试，结果证明了与可分NMF相比，可分NTF的效果。
Jan, 2024
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
该研究解决了现有非负矩阵分解(NMF)算法在局部最优解和组件选择中的不足。提出了一种在高维特征空间中进行NMF的创新方法，采用可分析求解的成对合并策略，实验结果表明，该方法显著改善了局部最优解的一致性及选择组件数量的效率。同时，该方法在计算性能上也有所提升，减少了在鞍点附近的“收敛停滞”现象。
Aug, 2024