一种基于可解释联合非负矩阵分解的点云距离度量
机器学习
2022-11-29 v2
摘要
在本文中，我们提出了一种用于确定数据集或点云共享特征并度量其之间距离的新方法。我们的方法利用两个数据矩阵 联合分解为非负矩阵 来推导一种相似性度量，该度量确定共享基 对 的近似程度。我们还基于该方法与学习到的分解提出了一种点云距离度量。我们的方法揭示了图像与文本数据中的结构差异。潜在应用包括分类、检测剽窃或其他篡改、数据去噪以及迁移学习。
引用
@article{arxiv.2207.05112,
title = {An Interpretable Joint Nonnegative Matrix Factorization-Based Point Cloud Distance Measure},
author = {Hannah Friedman and Amani R. Maina-Kilaas and Julianna Schalkwyk and Hina Ahmed and Jamie Haddock},
journal= {arXiv preprint arXiv:2207.05112},
year = {2022}
}