带频率正则化的监督低秩半非负矩阵分解用于时空数据预测
机器学习
2024-06-21 v2 机器学习
摘要
我们提出了一种利用带频率正则化的监督半非负矩阵分解（SSNMF）预测时空数据的新方法。采用矩阵分解将时空数据分解为空间和时间分量。为提高时间模式的清晰度，我们在时间域引入非负约束，并在频率域进行正则化。具体而言，频率域正则化涉及在频率空间中选择特征，使频率域的解释更加方便。我们提出了频率域中的两种方法：软正则化和硬正则化，并给出了相应约束优化问题一阶驻点的收敛性保证。虽然我们的主要动机源于基于 GRACE（重力恢复与气候实验）数据的地球物理数据分析，但我们的方法具有更广泛的应用潜力。因此，当将我们的方法应用于 GRACE 数据时，我们发现所提方法的结果与地球物理科学领域的先前研究相当，但提供了更清晰的可解释性。
引用
@article{arxiv.2311.08636,
title = {Supervised low-rank semi-nonnegative matrix factorization with frequency regularization for forecasting spatio-temporal data},
author = {Keunsu Kim and Hanbaek Lyu and Jinsu Kim and Jae-Hun Jung},
journal= {arXiv preprint arXiv:2311.08636},
year = {2024}
}
备注
35 pages, Final version