非负矩阵分解(NMF)-Non-negative Matrix Factorization

最新推荐文章于 2024-04-09 13:11:46 发布

longgb123

最新推荐文章于 2024-04-09 13:11:46 发布

阅读量1.8k

点赞数

分类专栏：数理统计

本文链接：https://blog.csdn.net/longgb123/article/details/85110162

版权

数理统计专栏收录该内容

1 篇文章 0 订阅

订阅专栏

文章目录

一、简介

著名的科学杂志《Nature》于1999年刊登了两位科学家D.D.Lee和H.S.Seung对数学中非负矩阵研究的突出成果。该文提出了一种新的矩阵分解思想――非负矩阵分解(Non-negative Matrix Factorization，NMF)算法，即NMF是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。该论文的发表迅速引起了各个领域中的科学研究人员的重视。

优点：

处理大规模数据更快更便捷；
简便性、分解形式和分解结果上的可解释性，以及占用存储空间少等诸多优点。

比较：

利用矩阵分解来解决实际问题的分析方法很多，如PCA（主成分分析）、ICA（独立成分分析）、SVD（奇异值分解）、VQ（矢量量化）等。
这些方法的共同特点是，元素可为正或负，即使输入的初始矩阵元素是全正的，传统的秩削减算法也不能保证原始数据的非负性。
在数学上，从计算的观点看，分解结果中存在负值是正确的，但负值元素在实际问题中往往是没有意义的。例如图像数据中不可能有负值的像素点；在文档统计中，负值也是无法解释的。

二、相关内容

非负矩阵分解(Non-negative Matrix Factorization，NMF)算法。是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。

即矩阵 $V (m * n)$ 维为非负矩阵，那么可以分解为2个非负矩阵 $W (m * p)$ 维、 $H (p * n)$ 维的乘积。（相关证明还未查阅，以后补上。）

$V = W H$

$p$ 可以显着小于 $m$ 和 $n$ ，可以明显降低矩阵的维度。

三、相关算法

1、乘法更新法（Multiplicative weight update method）

Lee和Seung的乘法更新规则由于实现简单而成为一种流行的方法。该算法是：

初始化： $W$ 和 $H$ 非负。

更新：由第n次更新第n+1次的 $W$ 、 $H$ 。

$H_{[i,j]}^{n+1} \leftarrow H_{[i,j]}^{n} \frac{((W^{n})^{T}V)_{[i,j]}}{((W^{n})^{T}W^{n}H^{n})_{[i,j]}}$

$W_{[i,j]}^{n+1} \leftarrow W_{[i,j]}^{n} \frac{(V(H^{n+1})^{T})_{[i,j]}}{(W^{n}H^{n+1}(H^{n+1})^{T})_{[i,j]}}$

注意：更新是基于第(i,j)元素而不是矩阵乘法完成的。

More recently other algorithms have been developed. Some approaches are based on alternating non-negative least squares: in each step of such an algorithm, first H is fixed and W found by a non-negative least squares solver, then W is fixed and H is found analogously. The procedures used to solve for W and H may be the same or different, as some NMF variants regularize one of W and H. Specific approaches include the projected gradient descent methods, the active set method, the optimal gradient method, and the block principal pivoting method among several others.