基于Huber损失的非负矩阵分解算法

• 作者: 曹付元 王丽星
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 非负矩阵分解 Huber损失函数 L2,1范数 投影梯度法
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 数据库&大数据&数据科学
• 页码范围: 80-87
• 页数: 8页
• 分类号: TP3-05
• 语种: 中文
• DOI: 10.11896/jsjkx.190900144

摘要

非负矩阵分解(Nonnegative Matrix Factorization)算法能为原始数据找到非负的、线性的矩阵表示且保留了数据的本质特征,已被成功应用于多个领域.经典的N MF算法及其变体算法大部分使用均方误差函数来度量重建误差,在许多任务中已经显示出其有效性,但它在处理含有噪声的数据时仍然面临一些困难.Huber损失函数对较小的残差执行的惩罚与均方误差损失函数相同,对较大的残差执行的惩罚是线性增长的,因此与均方误差损失函数相比,Huber损失函数具有更强的鲁棒性;已有研究证明L2,1范数稀疏正则项在机器学习的分类和聚类模型中具有特征选择作用.结合两者的优点,文中提出了一种基于Huber损失函数且融入L2,1范数正则项的非负矩阵分解聚类模型,并给出了基于投影梯度更新规则的优化过程.在多组数据集上将所提算法与经典的多种聚类算法进行对比,实验结果验证了所提算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	曹付元		34	322	8.0	17.0
2	王丽星		1	0	0.0	0.0