局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization, LR-MvNMF）是一种专门设计用于处理多视图数据的非负矩阵分解（NMF）算法。

多视图数据指的是从不同角度或来源观察同一组对象的数据，每个视图可能强调了数据的不同方面。

LR-MvNMF结合了NMF和图正则化技术，以利用不同视图之间的局部结构信息，从而在保持各视图的内在结构的同时，学习更加鲁棒和全面的表示。

LR-MvNMF的公式

考虑一组数据有 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_学习 个不同的视图，每个视图都可以表示为一个非负矩阵 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_02

目标是将每个视图 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_02 分解为两个非负矩阵 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_矩阵_04 和 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_05 的乘积，其中 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_05 是所有视图共享的矩阵，而 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_矩阵_04 是特定于视图 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_08

目标函数

LR-MvNMF的目标函数通常包含三个主要组成部分：重建误差项、图正则化项和一个可选的正则化项来控制矩阵的稀疏性或平滑性。目标函数可以表示为：

基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_09

其中，

  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_数据_10 是Frobenius范数下的重建误差，衡量了 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_11 和 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_数据_12
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_学习_13 是第 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_数据_14 视图的拉普拉斯矩阵，它来源于视图的图结构。
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_学习_15 是矩阵的迹，用于计算图正则化项。
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_16 是控制图正则化项强度的超参数。
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_17 是一个可选的正则化项， 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_18
公式中的每个字符
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_11 : 第 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_数据_14 视图的非负数据矩阵。
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_矩阵_21 : 第 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_数据_14 视图的基矩阵，用于表示视图特有的信息。
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_23 : 共享的混和矩阵，表示跨所有视图的共同信息。
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_学习_13 : 第 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_数据_14 视图的拉普拉斯矩阵，它基于视图的图结构，用于保持视图内的局部结构。
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_16
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_17 : 一个正则化项，可以是 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_矩阵_21 或 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_23
  • 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_18 : 控制正则化项 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_17
解释
  • 重建误差项 确保 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_数据_12 尽可能地近似 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_11 ，这是NMF的基本目标。
  • 图正则化项 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_矩阵_34 确保 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_23 中的表示能够保持每个视图中数据点的局部结构，这意味着相似的数据点在 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_23
  • 正则化项 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_17 可以用于控制 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_矩阵_21 和 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_正则化_23 的复杂性，防止过拟合。
解决方案

LR-MvNMF通常使用迭代优化算法求解，如梯度下降或交替最小二乘法（ALS）。

在每一轮迭代中，算法会交替地更新 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_矩阵_04 和 基于非负矩阵分解的多视图学习——局部正则化的多视图非负矩阵分解（Locally Regularized Multi-view Non-negative Matrix Factorization)_线性代数_05

LR-MvNMF算法通过利用多视图数据中的互补信息和保持每个视图的局部结构，能够生成更加鲁棒和富有信息的表示，这在多模态数据分析、图像识别、文本挖掘等领域有广泛的应用。