Oct, 2024
正交非负矩阵分解与Kullback-Leibler散度
Orthogonal Nonnegative Matrix Factorization with the Kullback-Leibler
divergence
TL;DR本研究解决了正交非负矩阵分解（ONMF）在评估近似质量时普遍依赖Frobenius范数的问题。提出了一种新模型和算法，通过最小化Kullback-Leibler散度，能够更好地处理文档数据集中的稀疏向量和成像中的光子计数过程。实验表明，这种基于KL散度的ONMF在文档分类和高光谱图像分解中优于传统方法。