FastSTMF:一种面向稀疏数据的高效热带矩阵分解算法
机器学习
2022-05-16 v1
摘要
矩阵分解是机器学习中最流行的方法之一,近来通过引入热带半环中的非线性用于预测任务而受益。这种非线性能够更好地拟合极值与分布,从而发现不同于标准线性代数所找到的高方差模式。然而,各种热带矩阵分解方法的优化过程较慢。在我们的工作中,我们提出一种基于稀疏热带矩阵分解(STMF)的新方法 FastSTMF,其引入了一种更新因子矩阵的新策略,从而获得高效的计算性能。我们在合成数据以及来自 TCGA 数据库的真实的基因表达数据上评估了 FastSTMF 的效率,结果表明 FastSTMF 在准确率和运行时间上均优于 STMF。与 NMF 相比,我们表明 FastSTMF 在一些数据集上表现更好,且不像 NMF 那样易于过拟合。本工作为利用所提出的新优化过程开发基于许多其他半环的其他矩阵分解技术奠定了基础。
引用
@article{arxiv.2205.06619,
title = {FastSTMF: Efficient tropical matrix factorization algorithm for sparse data},
author = {Amra Omanović and Polona Oblak and Tomaž Curk},
journal= {arXiv preprint arXiv:2205.06619},
year = {2022}
}