聚类_21范数_NMF_非负矩阵分解：Robust Manifold Nonnegative Matrix Factorization

将21范数应用到NMF的一篇论文，写的有些简略，后面有时间再补充

Abstract

• 非负矩阵分解（NMF）是用于数据分析的应用最广泛的聚类技术之一。
• 由于目标函数中含有每个数据点的平方残差误差，因此易受极端值影响。
• 本文提出鲁棒流形非负矩阵分解（RMNMF）方法，使用21范数，并在相同的聚类框架下集成NMF和谱聚类。
• 本文还指出了现有NMF方法的解决方案唯一性问题，并提出了一个额外的正交约束来解决这个问题。
• 通过基于增广拉格朗日方法（ALM）解决了困难的优化问题。
• 本文还介绍了本文方法和鲁棒K-means方法以及谱聚类的联系，并证明了理论意义。

INTRODUCTION

• NMF应用很广泛而且效果很好，但是存在以下几个问题：1. 必须限制矩阵元素为非负的，限制了在一般数据集上的应用与可解释性；2. 每个数据点的误差被平方，鲁棒性较差；3.无法发现数据本身的流型与结构。
• 为了解决现有NMF方法中的这些缺点，本文提出了鲁棒流形非负矩阵分解（RMNMF）方法
• 创新之处在于：1. 在谱聚类中应用21范数提高鲁棒性； 利用21范数的旋转不变性增强聚类性能；2.结合了一个流形正则化项对数据中可能存在的几何信息进行编码；3.推导了新的优化算法

ORTHOGONAL MANIFOLD NMF

Semi-NMF via 21 Norm

• 将标准Semi-NMF由${\min }_{G\ge 0}\Vert X-F{G}^{}$