×
彭冲;张志璐;康、赵;陈成丽赵;程强

具有局部相似学习的非负矩阵分解。 （英语） Zbl 1523.68068号

信息科学。 562325-346（2021）。
摘要：现有的非负矩阵分解方法通常侧重于学习数据的全局结构来构造基矩阵和系数矩阵，而忽略了数据中普遍存在的局部结构。为了克服这一缺点，本文提出了一种新的非负矩阵分解方法，该方法以相互增强的方式学习局部相似性和聚类。学习到的新表示法更具代表性，因为它更好地揭示了数据的固有几何特性。此外，新的表示是在核空间中进行的，这增强了该模型发现数据非线性结构的能力。在保证理论收敛的前提下，提出了乘法更新规则。大量实验结果证实了该模型的有效性。

引用于5文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
15A23型 矩阵的因式分解
62H30型 分类和区分；聚类分析（统计方面）

关键词：

非负矩阵分解;群集;局部相似性

软件：

格拉克勒斯
PDF格式BibTeX公司 XML格式引用
\textit｛C.Peng｝等人，《信息科学》。562325--346（2021年；Zbl 1523.68068）
全文： 内政部 arXiv公司

参考文献：

[1] C.Peng，Q.Cheng，判别岭机器：高维数据或不平衡数据的分类器，IEEE Trans。神经网络学习。系统。PP（99）（2020）1-15。
[2] 朱，X。；张，S。；李毅。；张杰。；Yang，L。；Fang，Y.，谱聚类的低秩稀疏子空间，IEEE Trans。知识。数据工程，31，8，1532-1543（2019）
[3] Wang，W。；张，H。；张，Z。；刘，L。；Shao，L.，基于稀疏图的可扩展图像检索自监督散列，信息科学。，547, 622-640 (2021) ·Zbl 1475.68298号
[4] Chen，L。；陈，D。；杨，F。；Sun，J.，时间序列分类和检索的深度多任务表示学习方法，信息科学。，555, 17-32 (2021) ·Zbl 1484.62110号
[5] 彭，C。；康，Z。；Cheng，Q.，通过方差正则化岭回归的子空间聚类，在，IEEE计算机视觉和模式识别会议，682-691（2017）
[6] 彭，C。；陈，C。；康，Z。；Li，J.等人。；Cheng，Q.，Res-pca：恢复低秩矩阵的可扩展方法，in，IEEE/CVF计算机视觉和模式识别会议，2019，7309-7317（2019）
[7] 彭，C。；陈，Y。；康，Z。；陈，C。；Cheng，Q.，稳健主成分分析：基于因子分解的线性复杂度方法，Inf.Sci。，513, 581-599 (2020) ·Zbl 1457.62195号
[8] F.Nie，H.Huang，C.Ding，通过有效schatten p-范数最小化实现低秩矩阵恢复，载于：第二十六届AAAI人工智能会议，2012年。
[9] X.Ma，B.Zhang，C.Ma，Z.Ma，动态网络中进化社区检测的共正则非负矩阵分解，Inform。科学。
[10] 马，X。；孙，P。；秦，G.，利用图的可通信性进行时态网络链路预测的非负矩阵分解算法，模式识别。，71, 361-374 (2017)
[11] 彭，C。；康，Z。；李，H。；Cheng，Q.，使用对数决定秩近似的子空间聚类，in，（第21届ACM SIGKDD国际知识发现和数据挖掘会议论文集（2015）），925-934
[12] 马，J。；Zhang，Y。；张，L.，多视图数据聚类的鉴别子空间矩阵分解，模式识别。，111，第107676条pp.（2021）
[13] Lee，D.D。；Seung，H.S.，通过非负矩阵分解学习对象的各个部分，《自然》，401，6755，788-791（1999）·Zbl 1369.68285号
[14] Palmer，S.E.，感知表征的层次结构，认知心理学。，9, 4, 441-474 (1977)
[15] Wachsmuth，E。；奥兰，M。；Perrett，D.，《物体及其组成部分的识别：猕猴颞叶皮层单个单位的反应》，Cereb。Cortex，4，5，509-522（1994）
[16] 北卡罗来纳州Logothetis。；Sheinberg，D.L.，《视觉物体识别》，年。神经科学评论。，19, 1, 577-621 (1996)
[17] Deerwester，南卡罗来纳州。；Dumais，S.T。；Landauer，T.K。；Furnas，G.W。；Harshman，R.A.，通过潜在语义分析进行索引，JAsIs，41，6，391-407（1990）
[18] Vavasis，S.A.，关于非负矩阵分解的复杂性，SIAM J.Optim。，20, 3, 1364-1377 (2009) ·Zbl 1206.65130号
[19] Arora，S。；Ge，R。；Kannan，R。；Moitra，A.，《计算非负矩阵因式分解》，SIAM J.Compute。，45, 4, 1582-1611 (2016) ·Zbl 1350.68123号
[20] 丁，C。；何，X。；Simon，H.D.，《关于非负矩阵分解和谱聚类的等价性》，年（2005年SIAM国际数据挖掘会议论文集SIAM（2005）），606-610
[21] 迪伦，I.S。；关，Y。；Kulis，B.，《加权图无特征向量切割多级方法》，IEEE Trans。模式分析。机器。智力。，1944-1957年11月29日（2007年）
[22] R.Zass，A.Shashua，《硬聚类和概率聚类的统一方法》，载于：计算机视觉，2005年。ICCV 2005。第十届IEEE国际会议，第1卷，IEEE，2005年，第294-301页。
[23] 丁，C。；李·T。；彭，W。；Park，H.，聚类的正交非负矩阵t分解，in，（第12届ACM SIGKDD国际知识发现和数据挖掘会议论文集（2006）），126-135
[24] 彭，S。；Ser，W。；陈，B。；Lin，Z.，数据表示的稳健正交非负矩阵三因子化，Knowl-基于系统。，201-202年，第106054条pp.（2020年）
[25] 布基乌，I。；尼古拉迪斯，N。；Pitas，I.，多项式特征空间中的非负矩阵分解，IEEE Trans。神经网络，19，61090-1100（2008）
[26] 王玉霞。；Zhang，Y.-J.，非负矩阵分解：综合评述，IEEE Trans。知识。数据工程，25，6，1336-1353（2013）
[27] 丁·C·H。；李·T。；Jordan，M.I.，凸和半非负矩阵分解，IEEE Trans。模式分析。机器。智力。，32, 1, 45-55 (2010)
[28] 何，P。；Xu，X。；丁，J。；Fan，B.，stiefel流形上的低秩非负矩阵分解，Inf.Sci。，514, 131-148 (2020) ·Zbl 1462.62773号
[29] 蔡，D。；何，X。；Han，J。；Huang，T.S.，数据表示的图正则化非负矩阵分解，IEEE Trans。模式分析。机器。智力。，33, 8, 1548-1560 (2011)
[30] 黄建华，聂凤，黄华华，丁建华，稳健流形非负矩阵因式分解，ACM Trans。知识。数据发现（TKDD）8（3）（2014）11。
[31] 蔡，H。；刘，B。；Xiao，Y。；Lin，L.，基于正交约束非负矩阵分解的半监督多视图聚类，信息科学。，536, 171-184 (2020) ·Zbl 1474.68239号
[32] Meng，Y。；Shang，R。；尚，F。；Jiao，L。；Yang，S。；Stolkin，R.，《数据表示的双正交约束半监督图正则化深nmf》，IEEE Trans。神经网络学习。系统。，31, 9, 3245-3258 (2020)
[33] 刘，X。；Wang，L。；张杰。；尹，J。；Liu，H.，特征选择的全局和局部结构保护，IEEE Trans。神经网络学习。系统。，25, 6, 1083-1095 (2014)
[34] 陈，J。；马，Z。；Liu，Y.，局部坐标校准与全局保维降维，IEEE Trans。神经网络学习。系统。，24, 1, 106-117 (2013)
[35] K.Luong，R.Nayak，学习基于矩阵分解的多方面数据聚类的内部和内部流形，IEEE Trans。知识。数据工程PP（99）（2020）1-1。
[36] Wang，H。；陈，S。；胡，Z。；郑伟，局部保留最大信息投影，IEEE Trans。神经网络，19，4，571-585（2008）
[37] 陈，J。；Ye，J。；Li，Q.，《集成全局和局部结构：降维的最小二乘框架》，年，IEEE计算机视觉和模式识别会议，1-8（2007）
[38] Zhen，L。；彭博士。；Wang，W。；Yao，X.，稳健子空间聚类的核截断回归表示，Inf.Sci。，524, 59-76 (2020) ·Zbl 1458.62093号
[39] F.R.Chung，谱图理论，第92卷，美国数学学会，1997年·Zbl 0867.05046号
[40] 蔡，D。；何，X。；Han，J.，文档聚类的局部一致概念分解，IEEE Trans。知识。数据工程，23，6，902-913（2011）
[41] 彭，C。；张，Q。；康，Z。；陈，C。；程琪，子空间聚类的核二维岭回归，模式识别。，113，第107749条pp.（2021）
[42] 聂，F。；王，X。；Huang，H.，带自适应邻域的聚类和预测聚类，in，（第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集ACM（2014）），977-986
[43] 彭，C。；康，Z。；胡，Y。；Cheng，J。；Cheng，Q.，用于聚类的鲁棒图正则化非负矩阵分解，Acm Transactions on Knowledge Discovery from Data，11，3，33（2017）
[44] D.D.Lee，H.S.Seung，非负矩阵分解算法，收录于：神经信息处理系统进展，2001年，第556-562页。
[45] 徐，L。；Jordan，M.I.，关于高斯混合em算法的收敛性，神经计算。，8, 1, 129-151 (1996)
[46] 恩萨里，T。；乔洛夫斯基，J。；Zurada，J.M.，通过非负矩阵分解实现基于Correntropy的文档聚类，in，《人工神经网络与机器学习国际会议-第二卷》（2012年）
[47] 彭，C。；康，Z。；蔡，S。；Cheng，Q.，集成与征服：通过投影与流形构造集成的双面二维k均值，ACM Trans。智力。系统。技术。，9, 5, 57 (2018)
[48] Y.-D.Kim，S.Choi，加权非负矩阵分解，载于：声学、语音和信号处理，2009。ICASSP 2009。IEEE国际会议，IEEE，2009年，第1541-1544页。
[49] Yang，Y。；Zhang，Y。；朱毅，多核非负矩阵分解在机械故障诊断中的应用，高级机械。工程师，7，5（2015），1687814015584494
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。