Core Concepts
GNMFにL20ノルム制約を導入して、特徴のスパース性を向上させ、ノイズの影響を軽減する新しいアプローチを提案しました。
Abstract
NMFは非負行列因子分解技術であり、GNMFはグラフ正則化制約を組み込んだ拡張版です。
GNMF ℓ20モデルは非凸かつ非滑らかな性質を持ちますが、提案されたPALMアルゴリズムとその加速バージョンによって効果的に解決されます。
実験では、提案手法の有効性と優越性がシミュレートおよび実際の画像データで検証されました。
新しいaccPALMアクセラレーションアルゴリズムは収束性を保証し、収束解への収束が確認されています。
INTRODUCTION
NMFは機械学習やデータマイニング分野で広く使用される技術です。
GNMFはグラフ構造の事前情報を取り入れて特徴学習を支援します。
ノイズに対する感度が高い既存のGNMF手法に対して、新しいアプローチが提案されました。
PROPOSED FRAMEWORK
GNMF ℓ20目的関数の定式化やPALMアルゴリズム、その加速バージョンについて詳細な説明が含まれています。
RELATED WORK
NMFおよびGNMFのモデルフレームワークと関連記号・定義が示されています。
EXPERIMENTS
提案手法のクラスタリングタスクへの有効性が評価され、他の手法と比較されました。
Stats
提案手法はGNMF ℓ20モデルで特徴選択とグラフ正則化制約を統合しています。