面向数据表示的Cauchy非负矩阵分解
非负矩阵分解(Non-negative Matrix Factorization,NMF)是一类广泛应用于数据挖掘和机器学习领域的重要矩阵分解模型,可从一组高维非负向量中提取出低维、稀疏和有意义的特征.标准NMF利用Frobenius范数的平方度量重建误差,虽然在一些应用场景中表现出一定的有效性,但对非高斯噪声和离群点较为敏感.由于现实世界中的真实数据不可避免地包含各种噪声,因此有必要对非高斯噪声和离群点较为稳健的非负矩阵分解模型进行研究.为此,文中提出用Cauchy估计函数取代标准N MF中的平方形式的残差.在度量样本重建误差时,充分考虑样本特征不同维度之间的相关性,以样本的重建误差作为基本的重建误差度量单元.此外,基于半二次规划推导了高效的乘性更新规则,用于求解所提出的模型.在3个真实人脸图像库上的聚类实验中验证了所提模型和算法的有效性.实验结果表明,所提算法对人脸姿态、光照和表情变化均表现出一定的稳健性,且聚类结果对参数的依赖性较小.
非负矩阵分解、Cauchy损失函数、聚类、数据表示
48
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家国际科技合作专项基金;山西省自然科学基金面上项目;山西省自然科学基金面上项目;山西省自然科学基金面上项目;山西省高等学校优秀成果培育项目;山西省高等学校青年科研人员培育计划;山西省高等学校科技创新项目;产学研合作项目;山西省工程项目
2021-06-28（万方平台首次上网日期，不代表论文的发表时间）
共7页
96-102
