×
王，Jim Jing-Yan;高欣

最大最小距离非负矩阵分解。 （英语） Zbl 1325.68211号

神经网络。 第61页，第75-84页（2015年）.
摘要：非负矩阵分解（NMF）是模式分类问题的一种常用表示方法。它试图将数据样本的非负矩阵分解为非负基矩阵和非负系数矩阵的乘积。系数矩阵的列可以用作这些数据样本的新表示。然而，传统的NMF方法忽略了数据样本的类标签。本文提出了一种新的监督NMF算法，通过使用类标签来提高新表示的区分能力。使用类标签，我们将所有数据样本对分为类内对和类间对。为了提高新NMF表示的区分能力，我们建议最小化新NMF空间中类内对的最大距离，同时最大化类间对的最小距离。根据这个准则，我们构造了一个目标函数，并针对基矩阵和系数矩阵以及松弛变量交替进行优化，从而得到了一个迭代算法。该算法在三个模式分类问题上进行了评估，实验结果表明其性能优于最新的有监督NMF方法。

引用于2文件

MSC公司：

68吨10 模式识别、语音识别
68T05型 人工智能中的学习和自适应系统
65楼30 其他矩阵算法（MSC2010）

关键词：

数据表示;非负矩阵分解;监督学习;最大距离分析

软件：

UniProt公司;ESLpred公司;耶鲁脸
PDF格式BibTeX公司 XML格式引用
\textit{J.J.Y.Wang}和\textit{X.Gao}，神经网络。61、75-84（2015；Zbl 1325.68211）
全文： 内政部 arXiv公司

参考文献：

[1] 阿加瓦尔，S。；Awan，A。；Roth，D.，《学习通过稀疏、基于部分的表示检测图像中的对象》，IEEE模式分析和机器智能学报，26，11，1475-1490（2004）
[2] 奥尔特曼，D。；Bland，J.，诊断试验1:敏感性和特异性，英国医学杂志，308，6943，1552（1994）
[3] 巴赫，F.R。；兰克里特，G.R。；Jordan，M.I.，《多核学习、二次曲线对偶和smo算法》（第二十一届机器学习国际会议论文集（2004），ACM），6
[4] 巴辛，M。；Raghava，G.，ESLpred:使用二肽组成和PSI-BLAST基于SVM的真核蛋白质亚细胞定位方法，核酸研究，32，2，W414-W419（2004）
[5] 卞，W。；Tao，D.，使用序列sdp弛豫进行降维的最大-最小距离分析，IEEE模式分析和机器智能汇刊，33，5，1037-1050（2011）
[6] Burman，P.，《普通交叉验证、折叠交叉验证和重复学习测试方法的比较研究》，Biometrika，76，3，503-514（1989）·兹比尔0677.62065
[7] 蔡，D。；何，X。；Han，J。；Huang，T.S.，用于数据表示的图正则化非负矩阵分解，IEEE模式分析和机器智能汇刊，33，8，1548-1560（2011）
[8] Chang，Y.-L。；Liu，J.-N。；汉，C.-C。；Chen，Y.-N.，使用最近特征线嵌入方法进行高光谱图像分类，IEEE地球科学与遥感汇刊，52，1278-287（2014）
[9] 陈，C。；Chen，L。；邹，X。；Cai，P.，利用Chou的伪氨基酸组成和支持向量机概念预测蛋白质二级结构含量，《蛋白质和肽通讯》，16，1，27-31（2009）
[10] Chothe，S。；Saxena，H.，《对孟加拉玫瑰平板试验的创新改进增强了其在布鲁氏菌病诊断中的特异性、敏感性和预测价值》，《微生物学方法杂志》，97，1，25-28（2014）
[11] Congalton，R.，《评估遥感数据分类准确性的综述》，《环境遥感》，37，1，35-46（1991）
[12] Dang，C。；Xu，L.，旅行商问题的全局收敛拉格朗日和屏障函数迭代算法，神经网络，14，21217-230（2001）
[13] Dentcheva，D。；Ruszczyski，A.，非线性优势约束随机优化问题的最优性和对偶理论，数学规划，99，2，329-350（2004）·Zbl 1098.90044号
[14] Diewert，W.E.，对偶理论的应用（1974），斯坦福大学社会科学数学研究所·Zbl 0331.90051号
[15] Eches，O。；Guillaume，M.，用于高光谱分解的双线性双线性非负矩阵分解方法，IEEE Geoscience and Remote Sensing Letters，11，4，778-782（2014）
[16] 高，Y。；Church，G.，通过稀疏非负矩阵分解改进分子癌症类别发现，生物信息学，21，21，3970-3975（2005）
[17] Gaujoux，R。；Seoighe，C.，用于基因表达反褶积的半监督非负矩阵分解：案例研究，感染、遗传学和进化，12，5，913-921（2012）
[19] 绿色，R。；伊斯特伍德，M。；Sarture，C。；Chrien，T。；阿伦森，M。；Chippendale，B.，成像光谱学和机载可见/红外成像光谱仪（aviris），环境遥感，65，3，227-248（1998）
[20] 吉拉梅特，D。；维特里，J。；Schiele，B.，为图像分类引入加权非负矩阵分解，模式识别快报，24，14，2447-2454（2003）·Zbl 1047.68123号
[21] Harsanyi，J.C。；Chang，C.-I.，高光谱图像分类和降维：正交子空间投影方法，IEEE地球科学与遥感汇刊，32，4，779-785（1994）
[22] Hoyer，P.O.，稀疏约束下的非负矩阵分解，机器学习研究杂志，51457-1469（2004）·Zbl 1222.68218号
[24] 黄，M。；Kang，H.，使用基于零件的表示法的车辆识别，（电气工程课堂讲稿，LNEE，第235卷（2013）），309-316
[25] 吉·R。；高，Y。；R·洪。；刘，Q。；陶，D。；Li，X.，光谱-空间约束高光谱图像分类，IEEE地球科学与遥感汇刊，52，3，1811-1824（2014）
[27] 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
[28] Lee，H。；Yoo，J。；Choi，S.，半监督非负矩阵因式分解，IEEE Signal Processing Letters，17，1，4-7（2010）
[29] 莱姆，A。；Reinhart，R.F。；Steil，J.J.，非负稀疏自动编码器对基于零件的图像表示的在线学习和泛化，神经网络，33194-203（2012）
[30] 李S.Z。；Hou，X.W。；张海杰。；Cheng，Q.S.，《学习空间本地化、基于部件的表示法》（2001年IEEE计算机学会计算机视觉和模式识别会议论文集，2001年，第1卷）。2001年IEEE计算机学会计算机视觉和模式识别会议记录，2001年，第1卷，CVPR 2001（2001），IEEE），1-207
[31] 李，J。；张，H。；张，L。；黄，X。；Zhang，L.，高光谱图像分类的联合协作表示与多任务学习，IEEE地球科学与遥感汇刊，52，9，5923-5936（2014）
[32] Lifshitz，Z。；Burstein，D。；佩里，M。；祖斯曼，T。；施瓦茨，K。；Shuman，H.A.，军团菌和柯萨奇菌毒力相关型ivb分泌信号的计算建模和实验验证，美国国家科学院学报，110，8，E707-E715（2013）
[33] Lin，C.-J.，非负矩阵分解的投影梯度方法，神经计算，19，102756-2779（2007）·Zbl 1173.90583号
[34] 刘，H。；风扇，N。；Pardalos，P.，一类多目标分式最优控制问题的广义拉格朗日函数和广义弱鞍点，优化理论与应用杂志，154，2，370-381（2012）·Zbl 1277.90123号
[35] 刘，T。；耿，X。；郑，X。；李，R。；Wang，J.，利用PSI-BLAST谱的自协方差变换精确预测蛋白质结构类别，氨基酸，42，6，2243-2249（2012）
[36] 刘，H。；吴，Z。；李，X。；蔡，D。；Huang，T.S.，图像表示的约束非负矩阵分解，IEEE模式分析和机器智能学报，34，7，1299-1311（2012）
[37] 刘伟。；郑，N。；You，Q.，非负矩阵分解及其在模式识别中的应用，中国科学通报，51，1，7-18（2006）·Zbl 1115.15011号
[38] Lootsma，F.，大规模生产分配问题的替代优化策略，《欧洲运筹学杂志》，75，1，13-40（1994）·Zbl 0925.90206号
[39] Malley，C。；布拉班，C。；Heal，M.，《层次聚类分析和非负矩阵分解在欧洲大气监测点分类中的应用》，《大气研究》，138，30-40（2014）
[40] Mohammadiha，N。；斯马拉格迪斯，P。；Leijon，A.，使用非负矩阵分解进行监督和非监督语音增强，IEEE音频、语音和语言处理汇刊，21，10，2140-2151（2013）
[41] 蒙加，V。；Mihak，M.，通过非负矩阵分解实现稳健和安全的图像散列，IEEE信息取证和安全事务，2，3，376-390（2007）
[42] 穆克吉，K。；Bhattacharya，A。；Ghosh，J。；Arora，M.，《基于分形的高光谱数据降维方法与传统方法的比较性能》，《工程中的光学与激光》，55，267-274（2014）
[43] 欧，Y.-Y。；陈，S.-A。；Gromiha，M.M.，利用具有位置特异性评分矩阵和生化特性的有效径向基函数网络对转运蛋白进行分类，蛋白质结构功能和生物信息学，78，7，1789-1797（2010）
[45] 普伦迪维尔，R。；皮尔斯，K。；Buckley，F.，《荷斯坦-弗里西亚奶牛和泽西奶牛及其f1代杂交奶牛在放牧条件下的产奶量、体细胞评分、乳腺炎和产奶特性的比较》，《乳品科学杂志》，93，6，2741-2750（2010）
[47] 桑德勒，R。；Lindenbaum，M.，用于图像分析的带推土机距离度量的非负矩阵分解，IEEE模式分析和机器智能汇刊，33，8，1590-1602（2011）
[48] 施耐德，M。；Bairoch，A。；Wu，C.H。；Apweiler，R.，uniprot知识库中的植物蛋白注释，《植物生理学》，138，1，59-66（2005）
[49] Seung，D。；Lee，L.，非负矩阵分解算法，神经信息处理系统的进展，13556-562（2001）
[50] Shashua，A。；Hazan，T.，非负张量因子分解及其在统计学和计算机视觉中的应用，（第22届机器学习国际会议论文集（2005），ACM），792-799
[51] Stump，D。；Pumplin，J。；布罗克·R。；凯西，D。；休斯顿，J。；Kalk，J。；Lai，H。；Tung，W.，parton分布函数预测的不确定性。i.拉格朗日乘数法，《物理评论》D，65，1，014013（2001）
[52] 田，L.-P。；刘，L。；Wu，F.-X.，生物信息学中的矩阵分解方法，当前生物信息学，8，2，259-266（2013）
[54] Van Hamme，H.，《时间模式学习的在线NMF模型：自动语音识别的应用理论》（计算机科学讲稿，LNCS，第7191卷（2012）），306-313，包括人工智能的子系列讲稿和生物信息学的讲稿
[55] 维达尔，E.A。；Alvindia，S.K.，基于SVD的图正则化矩阵分解，（智能数据工程和自动学习-IDEAL 2013（2013），Springer），234-241
[56] 维尔曼，T。；Merenyi，E。；Hammer，B.，《遥感图像分析中的神经地图》，神经网络，16，3-4，389-403（2003）
[57] Wang，J.-Y。；Almasri，I。；Gao，X.，通过特征选择的自适应图正则化非负矩阵分解，（2012年第21届模式识别国际会议（ICPR）（2012），IEEE），963-966
[58] 王建勇。；Bensmail，H。；Gao，X.，多图正则化非负矩阵分解，模式识别，46，10，2840-2847（2013）·Zbl 1323.68460号
[59] 王建勇。；Gao，X.，超越跨域学习：多域非负矩阵分解，人工智能的工程应用，28181-189（2014）
[60] Wang，Y。；Jia，Y.，Fisher非负矩阵因式分解用于学习局部特征，（Proc.Asian conf.on comp.vision（2004），Citeser）
[61] Wang，J。；乔，J.，基于改进折叠交叉验证的svr参数选择，应用力学与材料，462-463182-186（2014）
[62] 王建勇。；王，X。；Gao，X.，通过最大化相关熵实现癌症聚类的非负矩阵分解，BMC生物信息学，14，1，107（2013）
[63] Wu，H.，区间值目标函数优化问题的对偶理论，优化理论与应用杂志，144,3615-628（2010）·Zbl 1198.90365号
[64] Xu，H。；Hui，S。；Grannis，S.，用于比较两种二元分类规则准确性的最佳两阶段抽样设计，医学统计学，33，35000-513（2014）
[65] 张，Z.-W。；夏，K.-W。；杨，F。；Yang，R.-X.，人脸识别的监督非负矩阵分解算法，广点子·继光/光电子激光杂志，18，5，377-389（2007）
[66] X.赵。；李，X。；吴，Z。；Fu，Y。；Liu，Y.，一个样本人脸识别的多个子类别基于部件的表示，IEEE信息取证与安全事务，8，10，1654-1664（2013）
[67] 郑春华。；张，L。；Ng，V.T.-Y。；Shiu，C.K。；Huang，D.-S.，基于惩罚矩阵分解的分子模式发现，IEEE/ACM计算机生物信息学汇刊，8，6，1592-1603（2011）
[68] 周，Z.-H。；Schwenker，F.，（部分监督学习第二届IAPR国际研讨会，PSL 2013，修订论文集。部分监督学习，IAPR第二届国际研讨会，PSL 2013，修改论文集，计算机科学讲稿，卷8183（2013）），3-5，包括人工智能子系列课堂讲稿和生物信息学课堂讲稿，LNAI
[70] 邹，L。；南，C。；Hu，F.，利用氨基酸组成和pssm谱准确预测细菌iv型分泌效应器，生物信息学，29，24，3135-3142（2013）
[71] 邹，L。；楠，C。；Hu，F.，利用氨基酸组成和pssm谱准确预测细菌iv型分泌效应器，生物信息学，btt554（2013）
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。