具有流形正则化的Wasserstein非负张量分解
机器学习
2024-01-04 v1
摘要
非负张量分解（NTF）已成为从非负高阶数据中提取特征和进行基于部分的表示并保留内在结构信息的重要工具。然而，原始的NTF方法使用欧几里得距离或Kullback-Leibler散度作为损失函数，平等对待每个特征，导致忽略了特征的辅助信息。为了利用特征的相关信息和样本的流形信息，我们引入了Wasserstein流形非负张量分解（WMNTF），该方法最小化输入张量数据分布与重构分布之间的Wasserstein距离。尽管已有一些关于Wasserstein距离在非负矩阵分解（NMF）中的研究，但它们忽略了高阶数据的空间结构信息。我们使用Wasserstein距离（又名推土机距离或最优传输距离）作为度量，并对潜在因子添加图正则化项。实验结果证明了所提方法与其他NMF和NTF方法相比的有效性。
引用
@article{arxiv.2401.01842,
title = {Wasserstein Nonnegative Tensor Factorization with Manifold Regularization},
author = {Jianyu Wang and Linruize Tang},
journal= {arXiv preprint arXiv:2401.01842},
year = {2024}
}