面向矩阵分解的输入引导多解构单重构神经网络模型

指及层次学习过程中对原始文本的引用是人类常见的特征，确保学习方向的正确性。本文受非负矩阵分解(NMF)概念启发，开发了多种模型，旨在通过确定唯一的因子矩阵对高维数据进行低秩近似。名为Input Guided Multiple Deconstruction Single Reconstruction neural network for Non-negative Matrix Factorization (IG-MDSR-NMF)的模型确保了两个因子的非负性约束。而Input Guided Multiple Deconstruction Single Reconstruction neural network for Relaxed Non-negative Matrix Factorization (IG-MDSR-RNMF)引入了仅基矩阵遵循非负性准则的分解思想。这种放宽版本有助于模型学习更丰富的低维嵌入。我们合适验证了两种模型在保留数据局部结构的低秩嵌入方面的能力。两种模型均证实了低维嵌入优于原始数据，证明了降维的必要性。通过将两种模型的性能分别与九个其他 established 降维算法在五个流行数据集上的表现进行比较，验证了两者的优越性。此外，还呈现了模型的计算复杂度和收敛分析，证明了两种模型的优势。