論文の概要: Analyze the robustness of three NMF algorithms (Robust NMF with L1 norm, L2-1 norm NMF, L2 NMF)

• arxiv url: http://arxiv.org/abs/2312.01357v1
• Date: Sun, 3 Dec 2023 11:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 17:45:39.553021
• Title: Analyze the robustness of three NMF algorithms (Robust NMF with L1 norm, L2-1 norm NMF, L2 NMF)
• Title（参考訳）: 3つのNMFアルゴリズムのロバスト性の解析(L1ノルム、L2-1ノルムNMF、L2NMF)
• Authors: Cheng Zeng, Jiaqi Tian, Yixuan Xu
• Abstract要約: 本研究では,非負行列分解(NMF)の雑音に対する頑健性について検討した。 具体的には、L1 NMF、L2 NMF、L21 NMFという3つの異なるNMFアルゴリズムを採用する。 実験では、ルート平均二乗誤差(RMSE)、精度(ACC)、正規化相互情報(NMI)など、様々な評価指標を用いて、異なるNMFアルゴリズムの性能を評価する。
• 参考スコア（独自算出の注目度）: 5.708964539699851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-negative matrix factorization (NMF) and its variants have been widely employed in clustering and classification tasks (Long, & Jian , 2021). However, noises can seriously affect the results of our experiments. Our research is dedicated to investigating the noise robustness of non-negative matrix factorization (NMF) in the face of different types of noise. Specifically, we adopt three different NMF algorithms, namely L1 NMF, L2 NMF, and L21 NMF, and use the ORL and YaleB data sets to simulate a series of experiments with salt-and-pepper noise and Block-occlusion noise separately. In the experiment, we use a variety of evaluation indicators, including root mean square error (RMSE), accuracy (ACC), and normalized mutual information (NMI), to evaluate the performance of different NMF algorithms in noisy environments. Through these indicators, we quantify the resistance of NMF algorithms to noise and gain insights into their feasibility in practical applications.
• Abstract（参考訳）: 非負行列分解(NMF)とその変種はクラスタリングや分類タスク(Long, & Jian, 2021)で広く用いられている。 しかし、ノイズは実験結果に深刻な影響を及ぼす可能性がある。 本研究は,非負行列分解(NMF)の雑音耐性について,異なる種類のノイズに直面して検討することを目的としている。 具体的には、L1 NMF、L2 NMF、L21 NMFという3つの異なるNMFアルゴリズムを採用し、ORLとYaleBデータセットを用いて、塩とペッパーのノイズとブロック閉塞のノイズを個別にシミュレーションする。 実験では,ルート平均二乗誤差 (RMSE) や精度 (ACC) ,正規化相互情報 (NMI) などの評価指標を用いて,雑音環境下での異なるNMFアルゴリズムの性能を評価する。 これらの指標を用いて,NMFアルゴリズムの雑音に対する耐性を定量化し,その実用性に関する洞察を得る。

関連論文リスト

• On the Relation between Internal Language Model and Sequence Discriminative Training for Neural Transducers [52.88268942796418]
  内部言語モデル(ILM)のサブトラクションは、RNN-Transducerの性能向上に広く応用されている。 列識別訓練は, 理論的, 経験的両面からILMサブトラクションと強く相関していることを示す。
  論文  参考訳（メタデータ） (2023-09-25T13:35:28Z)
• Contaminated Images Recovery by Implementing Non-negative Matrix Factorisation [0.0]
  我々は,従来のNMF,HCNMF,L2,1-NMFアルゴリズムのロバスト性を理論的に検討し,ORLおよび拡張YaleBデータセットのロバスト性を示す実験セットを実行する。 これらの手法の計算コストのため、HCNMFやL2,1-NMFモデルのような最終モデルは、この研究のパラメータに収束しない。
  論文  参考訳（メタデータ） (2022-11-08T13:50:27Z)
• 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)
• Analysis of the robustness of NMF algorithms [0.0]
  本研究では,L2-norm,L1-norm,L2,1-normの3つの非負行列分解法について検討した。 我々の目的は、これらの異なるアプローチのパフォーマンスと、現実世界のアプリケーションにおけるそれらの堅牢性を確立することである。
  論文  参考訳（メタデータ） (2021-06-04T02:35:24Z)
• 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)
• 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。