原型分析++：重新思考初始化策略
机器学习
2025-04-09 v4
摘要
原型分析是一种带凸性约束的矩阵分解方法。由于局部极小值的存在，良好的初始化至关重要，但常用的初始化方法要么给出次优起点，要么容易陷入糟糕的局部极小值。在本文中，我们提出原型分析++（AA++），一种用于原型分析的概率初始化策略，它基于各点对目标函数的影响程度依次采样，类似于-means++。事实上，我们认为-means++已经近似于所提出的初始化方法。此外，我们建议将-means++的一种高效蒙特卡洛近似适配到AA++中。在对15个具有不同规模和维度的真实世界数据集并考虑两种预处理策略的广泛实证评估中，我们表明AA++几乎总是优于所有基线，包括最常用的方法。
引用
@article{arxiv.2301.13748,
title = {Archetypal Analysis++: Rethinking the Initialization Strategy},
author = {Sebastian Mair and Jens Sjölund},
journal= {arXiv preprint arXiv:2301.13748},
year = {2025}
}
备注
27 pages, 17 figures, accepted at the Transactions on Machine Learning Research