May, 2024

自编码器与非负矩阵分解的关系及其在突变特征提取中的应用

PDF
TL;DR通过对非负矩阵因式分解 (NMF) 和非负自动编码器之间的关系进行详细探究，发现这两种模型之间的连接可以通过凸 NMF 建立，该模型是自动编码器的特例。在从癌症基因组数据中提取突变特征的背景下，将 NMF 和自动编码器的性能进行比较，结果显示 NMF 基于重构的准确性优于自动编码器，而使用两种方法提取的特征在外部验证时表现出可比性和一致性，这表明本文中研究的非负自动编码器在突变特征提取领域并没有改进 NMF 的效果。
non-negative matrix factorization (nmf)non-negative autoencodersinterpretationreplacementsmutational signatures
发现论文，激发创造
  • 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

  • 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

  • 非负矩阵分解在降维中的应用：一项综述

    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

  • 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

  • 对称矩阵分解的再思考：更一般且更优的聚类视角

    本文提出了使用正则项优化的高效因式分解算法来提高聚类性能，同时进一步探索了使用不同约束条件解决对称矩阵分解问题的通用框架。

    Sep, 2022

  • 使用非负矩阵分解进行癌症分类及通路发现

    该研究提出了一种新的方法，利用多项逻辑回归、非平滑非负矩阵分解 (nsNMF) 和支持向量机 (SVM) 等算法，从全序列数据中提取遗传信息以更好地预测癌症类型。实验表明，该方法在突变计数、突变得分等方面均表现优异，可用于其他疾病分类和通路发现研究。

    Sep, 2018

  • 重新思考隐式神经表示的非负矩阵分解

    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

  • 贝叶斯均值参数化非负二进制矩阵分解

    本文提出了一种针对二元数据矩阵的基于贝叶斯平均参数非负矩阵分解的方法，并使用折叠吉布斯采样和折叠变分算法推断了因子的后验分布，同时将所提出方法拓展到非参数设置下，实现自动检测相关成分数量，实验证明该方法在词典学习和预测任务方面的性能优于现有技术。

    Dec, 2018

  • 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