論文の概要: GSVD-NMF: Recovering Missing Features in Non-negative Matrix Factorization
- arxiv url: http://arxiv.org/abs/2408.08260v2
- Date: Wed, 08 Jan 2025 21:12:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 13:56:22.184259
- Title: GSVD-NMF: Recovering Missing Features in Non-negative Matrix Factorization
- Title(参考訳): GSVD-NMF:非負行列分解における欠落の特徴の復元
- Authors: Youdong Guo, Timothy E. Holy,
- Abstract要約: 非負行列分解(NMF)は信号処理において重要なツールであり、混合音源を成分に分離するために広く用いられている。
本稿では、初期不完全NMF結果と元の行列のSVDとの相違に対処するために、一般化特異値分解(GSVD)に基づく新しい成分を提案するGSVD-NMFを紹介する。
シミュレーションおよび実験結果から, GSVD-NMFは未完成のNMFにおいて複数の欠落成分を効果的に回収し, 回復したNMF溶液は局所最適値によく達することが示された。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Non-negative matrix factorization (NMF) is an important tool in signal processing and widely used to separate mixed sources into their components. Algorithms for NMF require that the user choose the number of components in advance, and if the results are unsatisfying one typically needs to start again with a different number of components. To make NMF more interactive and incremental, here we introduce GSVD-NMF, a method that proposes new components based on the generalized singular value decomposition (GSVD) to address discrepancies between the initial under-complete NMF results and the SVD of the original matrix. Simulation and experimental results demonstrate that GSVD-NMF often effectively recovers multiple missing components in under-complete NMF, with the recovered NMF solutions frequently reaching better local optima. The results further show that GSVD-NMF is compatible with various NMF algorithms and that directly augmenting components is more efficient than rerunning NMF from scratch with additional components. By deliberately starting from under-complete NMF, GSVD-NMF has the potential to be a recommended approach for a range of general NMF applications.
- Abstract(参考訳): 非負行列分解(NMF)は信号処理において重要なツールであり、混合音源を成分に分離するために広く用いられている。
NMFのアルゴリズムでは、ユーザーが事前にコンポーネント数を選択する必要があり、結果が満足できない場合は、通常、異なるコンポーネント数から始める必要がある。
GSVD-NMFは,初期未完成なNMF結果と元の行列のSVDとの相違に対処するために,一般化特異値分解(GSVD)に基づく新しい成分を提案する手法である。
シミュレーションおよび実験結果から, GSVD-NMFは未完成のNMFにおいて複数の欠落成分を効果的に回収し, 回復したNMF溶液は局所最適値によく達することが示された。
さらに, GSVD-NMFは様々なNMFアルゴリズムと互換性があり, NMFをスクラッチから再実行するよりも, 直接拡張する方が効率的であることを示した。
未完成なNMFから意図的に始めることで、GSVD-NMFは一般的なNMFアプリケーションに対して推奨されるアプローチとなる可能性がある。
関連論文リスト
- Analyzing Single Cell RNA Sequencing with Topological Nonnegative Matrix
Factorization [0.43512163406551996]
非負行列分解(NMF)は、結果として生じる低次元成分のメタジーン解釈によるユニークなアプローチを提供する。
この研究は、2つの永続ラプラシア正規化NMF法、すなわちトポロジカルNMF(TNMF)とロバストトトポロジカルNMF(rTNMF)を導入している。
合計12のデータセットを用いて、提案したTNMFとrTNMFが、他のNMFベースの手法よりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2023-10-24T11:36:41Z) - 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) - 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) - Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A
Comprehensive Review [25.50091058791411]
ハイパースペクトルアンミックスは、ハイパースペクトル画像から、一組のエンドメンバーとその対応する存在量を推定する。
非負行列分解(NMF)は、この問題の解決にますます重要な役割を果たす。
HSIの主特性を利用してNMFを改善する方法について述べる。
論文 参考訳(メタデータ) (2022-05-20T02:48:43Z) - 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) - On the Relationships between Transform-Learning NMF and
Joint-Diagonalization [5.155159655787271]
変換学習を用いた非負行列分解(TL-NMF)は,NMFに適したデータ表現の学習を目的とした最近のアイデアである。
データ実現の回数が十分に大きい場合、TL-NMFは2段階のアプローチで置き換えることができることを示す。
論文 参考訳(メタデータ) (2021-12-10T16:52:15Z) - 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) - 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) - 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。