$\beta$-散度下卷积 NMF 的乘性更新
机器学习
2019-06-11 v2 数据结构与算法
机器学习
摘要
在本文中，我们通过将 -散度作为对比函数来推广卷积 NMF，并以闭式形式给出其因子的正确乘性更新。新的更新规则统一了 -NMF 和卷积 NMF。我们说明了为什么几乎所有现有的更新方法相对于卷积数据模型都是不精确且近似的。我们证明了我们的更新是稳定的，并且其收敛性能在 的最常见取值下保持一致。
关键词
引用
@article{arxiv.1803.05159,
title = {Multiplicative Updates for Convolutional NMF Under $\beta$-Divergence},
author = {Pedro J. Villasana T. and Stanislaw Gorlow and Arvind T. Hariraman},
journal= {arXiv preprint arXiv:1803.05159},
year = {2019}
}