論文の概要: Containminated Images Recovery by Implementing Non-negative Matrix
Factorisation
- arxiv url: http://arxiv.org/abs/2211.04247v1
- Date: Tue, 8 Nov 2022 13:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 16:37:20.762850
- Title: Containminated Images Recovery by Implementing Non-negative Matrix
Factorisation
- Title(参考訳): 非負行列因子化による封じ込め画像の復元
- Authors: Pengwei Yang, Angel Teng and Jack Mangos
- Abstract要約: 非負行列分解(NMF)は、画像の劣化したデータの問題に対処するために広く用いられている。
本稿では,標準NMF,HCNMF,L2,1-NMFアルゴリズムのロバスト性を理論的に解析する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Non-negative matrix factorisation (NMF) has been widely used to address the
problem of corrupted data in images. The standard NMF algorithm minimises the
Euclidean distance between the data matrix and the factorised approximation.
Although this method has demonstrated good results, because it employs the
squared error of each data point, the standard NMF algorithm is sensitive to
outliers. In this paper, we theoretically analyse the robustness of the
standard NMF, HCNMF and L2,1-NMF algorithms, and implement sets of experiments
to show the robustness on real datasets, namely ORL and Extended YaleB. Our
work demonstrates that different amounts of iterations are required for each
algorithm to converge. Given the high computational complexity of these
algorithms, our final models such as HCNMF and L2,1-NMF model do not
successfully converge within the iteration parameters of this paper.
Nevertheless, the experimental results still demonstrate the robustness of the
aforementioned algorithms to some extent.
- Abstract(参考訳): 非負行列分解(NMF)は、画像の劣化したデータの問題に対処するために広く用いられている。
標準NMFアルゴリズムは、データ行列と分解近似の間のユークリッド距離を最小化する。
この手法は、各データポイントの2乗誤差を用いるため、良い結果を示したが、標準NMFアルゴリズムは外れ値に敏感である。
本稿では,標準NMF,HCNMF,L2,1-NMFアルゴリズムのロバスト性を理論的に解析し,実データ,すなわちORLと拡張YaleBのロバスト性を示す実験セットを実装した。
我々の研究は、各アルゴリズムが収束するために異なる量の反復が必要であることを示した。
これらのアルゴリズムの計算複雑性が高いことから、HCNMFやL2,1-NMFモデルのような最終モデルは、本論文の反復パラメータにうまく収束しない。
それでも実験結果は、前述のアルゴリズムのロバスト性をある程度証明している。
関連論文リスト
- Stratified-NMF for Heterogeneous Data [8.174199227297514]
本研究では,階層依存統計量と共有トピック行列を同時に学習する改良NMF目標であるStratified-NMFを提案する。
本手法を実世界の3つのデータセットに適用し,その特徴を実証的に検討する。
論文 参考訳(メタデータ) (2023-11-17T00:34:41Z) - Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。
我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。
UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
論文 参考訳(メタデータ) (2022-07-31T12:09:32Z) - 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) - SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。
各ブロックの推測は最適化の単一イテレーションに対応することを示す。
実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
論文 参考訳(メタデータ) (2022-05-26T08:17:39Z) - 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) - Co-Separable Nonnegative Matrix Factorization [20.550794776914508]
非負行列分解(NMF)はパターン認識の分野で人気があるモデルである。
我々はこのNMFをCoS-NMF(CoS-NMF)と呼ぶ。
CoS-NMFの最適化モデルを提案し,その解法に置換高速勾配法を適用した。
論文 参考訳(メタデータ) (2021-09-02T07:05:04Z) - 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) - 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) - Sparse Separable Nonnegative Matrix Factorization [22.679160149512377]
非負行列分解(NMF)の新しい変種を提案する。
分離性は、第1NMF因子の列が入力行列の列に等しいのに対して、スパース性は第2NMF因子の列がスパースであることが要求される。
雑音のない環境では、軽微な仮定の下で、我々のアルゴリズムが真に根底にある情報源を復元することを証明する。
論文 参考訳(メタデータ) (2020-06-13T03:52:29Z)
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。