基于 Beta 散度的深度非负矩阵分解
机器学习
2025-01-10 v3 数值分析
信号处理
数值分析
机器学习
摘要
深度非负矩阵分解（deep NMF）近来已成为一种用于提取不同尺度下多层特征的重要技术。然而，所有现有的深度 NMF 模型与算法主要围绕最小二乘误差进行评估，而对于评估不同数据集上近似质量而言，该度量未必是最合适的。例如，在处理音频信号与文档等数据类型时，学界普遍认为 -散度提供了更合适的替代方案。本文利用若干 -散度（重点关注 Kullback-Leibler 散度）开发了深度 NMF 的新模型与算法。随后，我们将这些技术应用于人脸特征提取、文档集合中的主题识别以及高光谱图像中的材料识别。
引用
@article{arxiv.2309.08249,
title = {Deep Nonnegative Matrix Factorization with Beta Divergences},
author = {Valentin Leplat and Le Thi Khanh Hien and Akwum Onwunta and Nicolas Gillis},
journal= {arXiv preprint arXiv:2309.08249},
year = {2025}
}
备注
34 pages. We have improved the presentation of the paper, corrected a few typoes, and added the MU for beta=1/2. Accepted in Neural Computation