非负矩阵分解(NMF)的变种——核非负矩阵分解(KNMF)通过引入核函数，允许非线性映射到高维空间，从而在原始数据中提取隐藏特征。KNMF特别适用于只有对象间关系而没有具体数值的数据，并能处理如Gaussian等负值情况。其目标是找到两个非负矩阵W和H，W代表特征基，H表示系数。
参考论文：Zhang, Daoqiang, Zhi-Hua Zhou, and Songcan Chen. "Non-negative matrix factorization on kernels." Pacific Rim International Conference on Artificial Intelligence. Springer, Berlin, Heidelberg, 2006.
KNMF相比于NMF的优点：
（1）通过核空间的非线性映射，可以提取出隐藏在原始数据中的一些有用特征
（2）可以处理只知道对象之间关系（相似性或差异性）的数据（only relationship between objects）
（3）能例如核函数处理负值（for instance， Gaussian）
给定一个高位特征空间F，对m个目标：
KNMF的目的也是找到两个非负矩阵因子：
最低0.47元/天 解锁文章
扫一扫
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
