自适应图正则化的低秩非负矩阵分解算法

• 作者: 余沁茹 卢桂馥 李华
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 聚类 特征提取 降维 流形学习 非负矩阵分解 低秩约束 图正则化 自适应聚类
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 机器感知与模式识别|Machine Perception and Pattern Recognition
• 页码范围: 325-332
• 页数: 8页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.11992/tis.202102007

摘要

图正则化(nonnegative matrix factorization,NMF)算法(graph regularization nonnegative matrix factorization,GNMF)仍存在一些不足之处:GNMF算法并没有考虑数据的低秩结构;在GNMF算法中,其拉普拉斯图是使用K近邻(K nearest neighbor,KNN)方法预先定义的,而KNN方法无法总是获得最优图解,从而使得GNMF算法的性能不能达到最优.为此,本文提出了一种自适应图正则化的非负矩阵分解算法(nonnegative low-rank matrix factorization with adaptive graph neighbors,NLMFAN).一方面,通过引入低秩约束,使得NLMFAN可以获得原始数据集的有效低秩结构;另一方面,设计了一种通过自适应求解相似度矩阵的方法来进行图的构建,即图的构造和矩阵分解的结果被融入一个整体的框架中,使得图中节点的相似性是自动从数据中学习得到的.此外,本文还给出了一种求解NLMFAN的有效算法.在多种数据集上的实验验证了本文所提出的算法的有效性.