論文の概要: Structured Sparse Non-negative Matrix Factorization with L20-Norm for
scRNA-seq Data Analysis
- arxiv url: http://arxiv.org/abs/2104.13171v1
- Date: Tue, 27 Apr 2021 13:31:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-28 18:36:50.866362
- Title: Structured Sparse Non-negative Matrix Factorization with L20-Norm for
scRNA-seq Data Analysis
- Title（参考訳）: scRNA-seqデータ解析のためのL20-Normを用いた構造的スパース非負行列分解
- Authors: Wenwen Min, Taosheng Xu, Xiang Wan and Tsung-Hui Chang
- Abstract要約: クラスタリング性能を向上させるために,$ell_2,0$-norm 制約 (ONMF_$ell_20$) を持つ行 NMF を導入する。
マトリクスMF_$ell_20$を一連のペナル化データセットに変換して解く効率的なアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 10.628932392896374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-negative matrix factorization (NMF) is a powerful tool for dimensionality
reduction and clustering. Unfortunately, the interpretation of the clustering
results from NMF is difficult, especially for the high-dimensional biological
data without effective feature selection. In this paper, we first introduce a
row-sparse NMF with $\ell_{2,0}$-norm constraint (NMF_$\ell_{20}$), where the
basis matrix $W$ is constrained by the $\ell_{2,0}$-norm, such that $W$ has a
row-sparsity pattern with feature selection. It is a challenge to solve the
model, because the $\ell_{2,0}$-norm is non-convex and non-smooth. Fortunately,
we prove that the $\ell_{2,0}$-norm satisfies the Kurdyka-\L{ojasiewicz}
property. Based on the finding, we present a proximal alternating linearized
minimization algorithm and its monotone accelerated version to solve the
NMF_$\ell_{20}$ model. In addition, we also present a orthogonal NMF with
$\ell_{2,0}$-norm constraint (ONMF_$\ell_{20}$) to enhance the clustering
performance by using a non-negative orthogonal constraint. We propose an
efficient algorithm to solve ONMF_$\ell_{20}$ by transforming it into a series
of constrained and penalized matrix factorization problems. The results on
numerical and scRNA-seq datasets demonstrate the efficiency of our methods in
comparison with existing methods.
- Abstract（参考訳）: 非負行列分解(NMF)は次元減少とクラスタリングのための強力なツールである。
残念ながら、NMFによるクラスタリング結果の解釈は、特に効果的な特徴選択のない高次元の生物学的データでは困難である。
本稿では、まず、$\ell_{2,0}$-norm制約(NMF_$\ell_{20}$)を持つ行スパースNMFを紹介し、基底行列$W$は、$\ell_{2,0}$-normによって制約されるので、$W$は特徴選択を伴う行スパース性パターンを持つ。
このモデルを解くのは困難であり、$\ell_{2,0}$-norm は非凸かつ非スムースである。
幸いにも、$\ell_{2,0}$-norm は kurdyka-\l{ojasiewicz} の特性を満たすことが証明される。
そこで本研究では,NMF_$\ell_{20}$モデルを解くために,近似交互線形化最小化アルゴリズムとその単調加速バージョンを提案する。
さらに,非負の直交制約を用いてクラスタリング性能を向上させるために,$\ell_{2,0}$-norm制約付き直交NMF(ONMF_$\ell_{20}$)を提案する。
我々は,onmf_$\ell_{20}$を一連の制約付き行列分解問題に変換して解く効率的なアルゴリズムを提案する。
数値およびscRNA-seqデータセットを用いて,既存の手法と比較して,本手法の有効性を示す。
関連論文リスト
- A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。
現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。
本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T07:24:11Z) - Globally Convergent Accelerated Algorithms for Multilinear Sparse
Logistic Regression with $\ell_0$-constraints [2.323238724742687]
多重線形ロジスティック回帰は多次元データ解析の強力なツールである。
本稿では,$ell_0$-MLSRを解くために,アクセラレーションされた近位置換最小値MLSRモデルを提案する。
また、APALM$+$が一階臨界点に大域収束し、クルディ・ロジャシエヴィチ性質を用いて収束を確立することも示している。
論文 参考訳（メタデータ） (2023-09-17T11:05:08Z) - Near-optimal fitting of ellipsoids to random points [68.12685213894112]
楕円体をランダムな点に合わせるという基本的な問題は、低ランク行列分解、独立成分分析、主成分分析に関係している。
我々はこの予想を、ある$n = Omega(, d2/mathrmpolylog(d))$ に対する適合楕円体を構成することで対数的因子まで解決する。
我々の証明は、ある非標準確率行列の便利な分解を用いて、サンダーソン等最小二乗構成の実現可能性を示す。
論文 参考訳（メタデータ） (2022-08-19T18:00:34Z) - Log-based Sparse Nonnegative Matrix Factorization for Data
Representation [55.72494900138061]
非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。
そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。
提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
論文 参考訳（メタデータ） (2022-04-22T11:38:10Z) - Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。
より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。
SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
論文 参考訳（メタデータ） (2021-03-02T12:47:40Z) - Multiplicative Updates for NMF with $\beta$-Divergences under Disjoint
Equality Constraints [17.49766938060264]
非負行列分解(非負行列分解、英: Non negative matrix factorization、NMF)とは、入力非負行列を2つの小さい非負行列である$W$と$H$の積として近似する問題である。
本稿では,NMF に対する乗法的更新 (MU) 設計のための一般的なフレームワークについて紹介する($beta$-divergences ($beta$-NMF)。
論文 参考訳（メタデータ） (2020-10-30T12:31:35Z) - Column $\ell_{2,0}$-norm regularized factorization model of low-rank
matrix recovery and its computation [0.9281671380673306]
本稿では低ランク計算問題の列 $ell_2,0$regularized factorization モデルについて述べる。
数値実験は、合成および実データ例を用いて行われる。
論文 参考訳（メタデータ） (2020-08-24T14:15:36Z) - Learning nonlinear dynamical systems from a single trajectory [102.60042167341956]
我々は、$x_t+1=sigma(Thetastarx_t)+varepsilon_t$という形の非線形力学系を学ぶアルゴリズムを導入する。
最適なサンプル複雑性と線形ランニング時間を持つ単一軌道から重み行列$Thetastar$を復元するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-30T10:42:48Z) - Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める
近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。
両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
論文 参考訳（メタデータ） (2020-03-30T08:40:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。