Non-negative matrix factorizatio…

最新推荐文章于 2022-11-17 16:15:21 发布
最新推荐文章于 2022-11-17 16:15:21 发布
阅读量525 收藏
点赞数
分类专栏： NLP-DocumentRepresentation
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wiy_dawn/article/details/71194798
版权
非负矩阵分解(NMF)是一种学习局部特征的算法，尤其适用于脸部识别和文本聚类。与PCA和VQ不同，NMF强制分解后的因子非负，提供部分基表示。NMF在脸部识别中发现局部特征，而在文本聚类中，通过稀疏编码直接指示文档类别，无需额外的聚类步骤。
摘要由CSDN通过智能技术生成

 

  1. Non-negative matrix factorization

对整体的感知是建立在对部分的感知的基础之上吗？心理和生理上的证据表明，这种基于部分的表示（parts-based representation）存在于大脑中。但人们对大脑是如何学习对象的局部的所知甚少。[1]提出了nonnegative matrix factorization (NMF) 算法用于学习脸部图像和文本的局部特征。NMF和principal components analysis (PCA [5]) 以及vector quantization (VQ，什么是VQ？)的区别是，NMF限定矩阵分解后的所有因子都是非负的。这一限制使得在使用分解后的因子表示原来的对象时，只存在加法操作。因此这是一种parts-based representation. 当NMF被翻译为神经网络算法时，神经元的射速永远是非负的，突触的连接强度不会改变符号。

最低0.47元/天 解锁文章
文献学习(part72)--Learning the parts of objects by non-negative matrix factorization
小山羊的学习日志
05-15 651
学习笔记，仅供参考，有错必纠 文章目录Learning the parts of objects by non-negative matrix factorization摘要正文 Learning the parts of objects by non-negative matrix factorization 摘要 对整体的感知是基于对其部分的感知吗?有心理学和生理学的证据表明，在大脑中存在基于部分的表征，某些物体识别的计算理论也依赖于这种表征. 但我们对大脑或计算机如何学习物体的各个部分知之甚少
文献学习(part71)--Graph Regularized Non-negative Matrix Factorization for Data Representation
小山羊的学习日志
06-18 642
学习笔记，仅供参考，有错必纠 关键词： 文章目录Graph Regularized Non-negative Matrix Factorization for Data Representation摘要IntroductionA Brief Review of NMFGraph Regularized Non-negative Matrix FactorizationThe Objective FunctionAn Algorithm Graph Regularized Non-negative Mat
Learning the parts of objects by non-negative matrix factorization (Letters to Nature)
weixin_33889245的博客
05-27 469
Daniel D. Lee*& H. Sebastian Seung*†*Bell Laboratories, Lucent Technologies, Murray Hill, New Jersey 07974, USA†Department of Brain and Cognitive Sciences, Massachusetts Institute ofTechnology, Ca...
Learning the parts of objects bynon-negative matrix factorization阅读笔记
11-09 1378
文章中将PCA（主成分分析）、VQ（矢量量化）、NMF（非负矩阵分解）三种方法对一张脸的图片的分解进行了对比
TGRS2020/云检测：Deep Matting for Cloud Detection in Remote Sensing Images深度抠图在遥感图像云检测中的应用
ssshyeong的博客
11-17 1621
本文从云图像的遥感成像机制出发，从一个完全不同的角度重新审视云检测，即将云检测定义为前景和背景图像的混合能量分离。这一过程可以在基于深度学习的图像抠图框架下进一步等效地实现，具有明确的物理意义。更重要的是，该方法能够在统一的框架下处理三个不同但相关的任务，即“云检测”、“云去除”和“云量评估”。在三个卫星图像数据集上的实验结果证明了我们的方法是有效的，特别是对遥感图像中较复杂但常见的例子，如薄云和卷云。
Non-negative Matrix Factorization 非负矩阵分解
AlgoComp
08-13 6981
Non-negative Matrix Factorization 非负矩阵分解
Positive matrix factorization- A non-negative factor model
最新发布
10-18
Positive matrix factorization_ A non-negative factor model with optimal utilization of error estimates of data values †.pdf 正矩阵因子分解_最佳利用数据值误差估计的非负因子模型†.pdf
Algorithms for Non-negative Matrix 论文概要
11-14
Algorithms for Non-negative Matrix论文描述希望帮助到大家
白话NMF（Non-negative Matrix Factorization）——Matlab 实现
liuzhiqiangruc
07-22 1358
NMF——非负矩阵分解。如果你事先了解PMF[概率矩阵分解]的话，那么其实只要在PMF的基础上多加上一点，就是NMF了。   方法一：  在PMF中使用SGD【随机梯度下降】进行优化时，使用如下的迭代公式：       其中P、Q分别代表原始矩阵R的两个维度的隐含矩阵，在推荐应用中，一般讲P看做用户矩阵、Q看做物品矩阵。   从公式中不难看出，无论P矩阵还是Q矩阵都会出现...
R语言入门学习笔记1——5种数据模式：vector,matrix, factor, list, data frame
weixin_41649768的博客
01-08 6460
开篇 笔者也是一名R语言才入门的小白，我学习R的主要用途时处理结构性数据（也就是表格），学习的途径主要是我所在的悉尼大学的课程以及edx平台。 这篇博客主要是我复习R基础的笔记，用来记录一些函数的使用方法，它的特点是容易查找，当然也不太严谨，另外我接触的一般是英文资料，有的翻译不准确。虽然很基础，但注意这不是教程只是记录，都说没有必要重复造轮子，对于想零基础自己学习R的朋友，我推荐我自己使用的ed...
Matrix Factorization（MF：矩阵分解）的基本原理
周君的个人博客
12-05 3019
Matrix Factorization的基本原理 Matrix Factorization的原理比较简单，就是将一个矩阵 D 分解为 U 和 V 的乘积，即对于一个特定的规模为mn 的矩阵 D，估计出规模分别为 mk 和 n*k 的矩阵U和V，使得 UVTUV^TUVT 的值尽可能逼近矩阵 D 。一般来讲，k 的取值应该满足 k≤min{m,n}k ≤ min \{m,n\}k≤min{m,n}...
关于非负矩阵分解 NMF（Non-negative Matrix Factorization）
cc198877的专栏
08-13 3942
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：一方面，科学研究中的很多大规
非负矩阵分解（Nonnegative Matrix Factorization(NMF)）
辛勤的小蜜蜂！
10-27 3192
非负矩阵分解（Nonnegative Matrix Factorization(NMF)） 由来：是由Lee and Seung 于1999年在自然杂志上提出的一种矩阵分解方法[1]。 目的：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 优点：(1):处理大规模数据更快更便捷；(2):简便性、分解形式和分解结构上的可解释性，以及占用存储空间少等诸多优点。 比较：(1):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
Factorization Machine的一些总结
whgyxy的博客
04-10 1507
Factorization Machine的一些小结 FM FM使用了矩阵分解的思想学习组合特征的系数 二阶FM可以通过公式化简将时间复杂度降低到O(kn)，三阶及以上无法化简，时间复杂度较高 FM的分解中factor因子一般取的比较小，一方面可以减少需要学习的参数，另外一方面可以提高泛化能力 libFM是比较早出现的算法包，后面出现了Spark实现的FM FM学习算法 SGD算法可以求解分...
因子分解机算法原理及实现
abcdefg90876的博客
07-01 1316
由于在逻辑回归中使用的是特征的最原始组合，最终得到的分隔超平面属于线性模型，其只能处理线性可分的二分类问题。现实生活中的分类问题是多种多样的，存在大量的非线性可分的分类问题。...
矩阵分解（MATRIX FACTORIZATION）在推荐系统中的应用
尽人事，听天命
10-11 7257
前言 最近一段时间隐语义模型（Latent Factor Model，LFM）在推荐系统中的应用越来越广泛，本文所介绍的矩阵分解方法也是基于这个隐语义模型。  这里需要说明的一点是，这里所说的矩阵分解并不是SVD，之前在这个问题纠结了很久，因为网上很多人还有周围的人都把矩阵分解就当成了SVD，实际上SVD也是矩阵分解的一种技术（SVD在推荐系统中的应用见http://blog.csdn
Matrix Factorization 学习记录（一）：基本原理及实现
热门推荐
Multiangle's Notepad
06-05 1万+
Matrix Factorization 学习记录（一）：基本原理及实现 最近在学习Matrix Factorization，也就是矩阵的分解。 这个技术目前主要应用于推荐系统领域，用于实现隐含语义模型（Latent Factor Model）。通过矩阵分解，一方面可以减少运算量，另一方面可以很好的解决由于用户数目和物品数目过多引起的行为矩阵稀疏化问题。我虽然暂时不去做推荐系统，但是我觉得这...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值
>