May, 2024

非负矩阵分解在降维中的应用：一项综述

PDF
TL;DR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。
dimensionality reductionnonnegative matrix factorization (nmf)feature learningfeature extractionfeature selection
发现论文，激发创造
  • 非负矩阵分解的原因和方法

    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

  • 基于非负矩阵分解的多模态多视角聚类

    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

  • 通过数据预处理实现稀疏和唯一的非负矩阵分解

    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

  • 有噪声数据中的非负矩阵分解算法

    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

  • 非负矩阵分解的深度展开及在突变特征分析中的应用

    通过发展 NMF 及其正则化变体的展开深度网络，我们在监督和无监督的情况下将其应用于不同的突变数据集以重建其基础突变特征以及暴露情况，实验证明与标准公式相比，我们的方法在分析模拟和真实突变数据方面具有更高的准确性。

    Aug, 2021

  • 压缩非负矩阵分解快速准确

    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

  • 信号和数据分析的非负矩阵分解：可辨识性，算法和应用

    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

  • 医学影像中的非负子空间特征表示

    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。

    Apr, 2024

  • 非负矩阵分解的复杂性

    本文提出了 NMF 的精确版本，并探究了其等价于多面体组合问题、NP-hard 以及其存在多项式时间局部搜索启发式。

    Aug, 2007

  • 具稀疏性约束的非负矩阵分解

    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