近可分离高瘦矩阵非负矩阵分解的可扩展方法
机器学习
2018-01-08 v1 分布式、并行与集群计算
数值分析
机器学习
摘要
在假设矩阵近乎可分离的情况下，许多算法被用于非负矩阵分解。在本文中，我们展示了如何使这些算法对于行数远多于列数的数据矩阵（即所谓的“高瘦矩阵”）变得高效。这些改进方法的一个关键组件是保持非负矩阵分解 (NMF) 问题可分离性的正交矩阵变换。我们的最终方法只需对数据矩阵进行单次遍历，适用于流式处理、多核和 MapReduce 架构。我们在太字节级的合成矩阵以及来自科学计算和生物信息学的真实世界矩阵上展示了这些算法的有效性。
引用
@article{arxiv.1402.6964,
title = {Scalable methods for nonnegative matrix factorizations of near-separable tall-and-skinny matrices},
author = {Austin R. Benson and Jason D. Lee and Bartek Rajwa and David F. Gleich},
journal= {arXiv preprint arXiv:1402.6964},
year = {2018}
}