在变换学习NMF中利用联合对角化
机器学习
2022-09-23 v3 信号处理
摘要
带变换学习的非负矩阵分解（TL-NMF）是近期一种旨在学习适用于NMF的数据表示的思想。本工作中，我们将TL-NMF与经典的矩阵联合对角化（JD）问题相联系。我们表明，当数据实现的数量足够大时，TL-NMF可被一个两步方法——称为JD+NMF——所替代，该方法在NMF计算之前通过JD估计变换。相反，我们发现当数据实现的数量有限时，JD+NMF不仅不再等价于TL-NMF，而且TL-NMF固有的低秩约束反而是为NMF学习有意义变换的关键要素。
引用
@article{arxiv.2112.05664,
title = {Leveraging Joint-Diagonalization in Transform-Learning NMF},
author = {Sixin Zhang and Emmanuel Soubies and Cédric Févotte},
journal= {arXiv preprint arXiv:2112.05664},
year = {2022}
}