徐亦达老师团队新发了一篇论文-Relative Pairwise Relationship Constrained Non-negative Matrix Factorisation(成对关系约束的非负矩阵分解),提出了一种非负矩阵的分解算法,本人得到徐老师授权在本站发布论文。
姜帅
非负矩阵分解在近些年来被广泛应用于机器学习和数据分析领域。大多数已提出的非负矩阵分解相关算法,仅仅考虑如何刻画分解后矩阵的单一行/列向量,而忽略了行与行、列与列之间的关系。在许多情况下,这种成对关系可以提升矩阵分解应用的效果,比如图片聚类和推荐系统。在这篇文章中,我们提出相对成对关系约束的非负矩阵分解算法,将特征间的相对成对距离约束以三元组惩罚项形式加入目标函数。该算法使用平方欧式距离和对称散度两种距离度量,并分别采用指数(exponential)和转折点(hinge)损失函数作为惩罚项形式。对于非负矩阵分解而言,虽然著名的“乘法更新法则”比传统梯度下降方法收敛更快,但在我们提出的算法中采用这一框架并证明其收敛性则相对困难。因此,我们使用合理的近似计算以松弛由惩罚项所带来的证明复杂性,并通过大量实验验证了这种近似切实有效。人工数据集和真实数据集上的实验结果均表明,我们提出的算法可以获得良好的矩阵近似效果,满足大多数预期约束,取得较其他算法更好的应用表现。
徐亦达教授简介:
现任悉尼科技大学教授,UTS全球数据技术中心机器学习和数据分析实验室主任。主要研究方向是机器学习,数据分析和计算机视觉。他在国际重要期刊与会议发表数篇高影响因子论文;编写了大量的数理统计、概率和机器学习教材。
徐老师的github:https://github.com/roboticcam
优酷:http://i.youku.com/i/UMzIzNDgxNTg5Ng
本论文正文下载:http://cn.arxiv.org/pdf/1803.02218 建议复制链接到浏览器中下载。
标签:非负,论文,矩阵,约束,算法,分解 From: https://blog.51cto.com/u_15671528/5929481