面向对称 NMF 问题的 SymNMF-Net
机器学习
2022-05-27 v1 人工智能
摘要
近来，许多工作表明对称非负矩阵分解（Symmetric Non-negative Matrix Factorization，SymNMF）在各种聚类任务中具有极大优势。尽管最先进的 SymNMF 算法在合成数据上表现良好，但它们无法始终获得具有理想性质的可满意结果，并可能在聚类等真实任务上失败。考虑到神经网络的灵活性和强表示能力，本文中我们提出一种称为 SymNMF-Net 的神经网络用于对称 NMF 问题，以克服传统优化算法的缺陷。SymNMF-Net 的每个块是一个具有反演层、线性层和 ReLU 的可微架构，其灵感来自 SymNMF 的传统更新方案。我们表明每个块的推断对应于优化的一次迭代。此外，我们分析了反演层的约束以在一定程度上确保网络输出的稳定性。在真实数据集上的实证结果证明了我们的 SymNMF-Net 的优越性，并证实了我们的理论分析的充分性。
引用
@article{arxiv.2205.13214,
title = {SymNMF-Net for The Symmetric NMF Problem},
author = {Mingjie Li and Hao Kong and Zhouchen Lin},
journal= {arXiv preprint arXiv:2205.13214},
year = {2022}
}