論文の概要: An Entropy Weighted Nonnegative Matrix Factorization Algorithm for
Feature Representation
- arxiv url: http://arxiv.org/abs/2111.14007v1
- Date: Sat, 27 Nov 2021 23:37:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 09:46:19.368968
- Title: An Entropy Weighted Nonnegative Matrix Factorization Algorithm for
Feature Representation
- Title(参考訳): 特徴表現のためのエントロピー重み付き非負行列分解アルゴリズム
- Authors: Jiao Wei, Can Tong, Bingxue Wu, Qiang He, Shouliang Qi, Yudong Yao,
and Yueyang Teng
- Abstract要約: エントロピー重み付きNMF(EWNMF)と呼ばれる新しいタイプのNMFを提案する。
EWNMFは各データポイントの属性ごとに最適化可能な重みを使い、その重要性を強調する。
いくつかのデータセットによる実験結果から,提案手法の有効性と有効性を示した。
- 参考スコア(独自算出の注目度): 6.156004893556576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nonnegative matrix factorization (NMF) has been widely used to learn
low-dimensional representations of data. However, NMF pays the same attention
to all attributes of a data point, which inevitably leads to inaccurate
representation. For example, in a human-face data set, if an image contains a
hat on the head, the hat should be removed or the importance of its
corresponding attributes should be decreased during matrix factorizing. This
paper proposes a new type of NMF called entropy weighted NMF (EWNMF), which
uses an optimizable weight for each attribute of each data point to emphasize
their importance. This process is achieved by adding an entropy regularizer to
the cost function and then using the Lagrange multiplier method to solve the
problem. Experimental results with several data sets demonstrate the
feasibility and effectiveness of the proposed method. We make our code
available at https://github.com/Poisson-EM/Entropy-weighted-NMF.
- Abstract(参考訳): 非負行列分解(NMF)は、データの低次元表現の学習に広く用いられている。
しかし、NMFはデータポイントのすべての属性に同じ注意を払うため、必然的に不正確な表現につながる。
例えば、人間の顔のデータセットでは、画像が頭に帽子を含んでいる場合、帽子を除去するか、行列分解時に対応する属性の重要性を減らすべきである。
本稿では,各データポイントの属性ごとに最適化可能な重み付けを用いたエントロピー重み付きNMF (EWNMF) という新しいタイプのNMFを提案する。
このプロセスは、コスト関数にエントロピー正則化器を追加し、その問題を解決するためにラグランジュ乗算法を使用する。
いくつかのデータセットによる実験結果から,提案手法の有効性と有効性を示した。
コードはhttps://github.com/Poisson-EM/Entropy-weighted-NMFで公開しています。
関連論文リスト
- Stratified Non-Negative Tensor Factorization [45.439685980328605]
Stratified-NTF は Stratified-NMF よりも低いメモリ要件で解釈可能なトピックを識別できる。
乗法更新ルールを開発し,テキストおよび画像データ上での手法を実証する。
論文 参考訳(メタデータ) (2024-11-27T23:16:00Z) - Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。
本研究では,コセプタブルコアを選択するための交互選択法を提案する。
その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
論文 参考訳(メタデータ) (2024-01-30T09:22:37Z) - Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature
Representation [9.844796520630522]
非負行列分解(NMF)は、機械学習における次元の減少に広く用いられている。
従来のNMFは、ノイズに敏感であるように、アウトリーチを適切に扱わない。
本稿では,各データポイントの異なる重要性を強調するため,重み付き適応重み付きNMFを提案する。
論文 参考訳(メタデータ) (2022-06-07T05:27:08Z) - 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) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳(メタデータ) (2021-03-24T21:17:17Z) - Entropy Minimizing Matrix Factorization [102.26446204624885]
NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。
本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。
通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
論文 参考訳(メタデータ) (2021-03-24T21:08:43Z) - 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) - Algorithms for Nonnegative Matrix Factorization with the
Kullback-Leibler Divergence [20.671178429005973]
Kullback-Leibler (KL) の発散は、非負行列分解(NMF)の最も広く使われている目的関数の1つである。
目的関数の非増加を保証する3つの新しいアルゴリズムを提案する。
我々は、KL NMFアルゴリズムの性能に関する総合的な画像を提供するために、広範な数値実験を行う。
論文 参考訳(メタデータ) (2020-10-05T11:51:39Z) - Positive Semidefinite Matrix Factorization: A Connection with Phase
Retrieval and Affine Rank Minimization [71.57324258813674]
位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。
このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
論文 参考訳(メタデータ) (2020-07-24T06:10:19Z) - Ordinal Non-negative Matrix Factorization for Recommendation [9.431454966446076]
我々は、OrdNMFと呼ばれる順序データに対する新しい非負行列分解法(NMF)を導入する。
OrdNMFはBernoulli-Poisson Factorization (BePoF)とPoisson Factorization (PF)を二項化データに適用する潜在因子モデルである。
論文 参考訳(メタデータ) (2020-06-01T16:02:11Z)
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。