期刊专题

10.11896/jsjkx.190900144

基于Huber损失的非负矩阵分解算法

引用
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.

非负矩阵分解、Huber损失函数、L2、1范数、投影梯度法

47

TP3-05(计算技术、计算机技术)

国家自然科学基金;山西省重点研发计划项目;山西省留学基金项目;山西省留学基金择优资助项目

2020-11-17(万方平台首次上网日期,不代表论文的发表时间)

共8页

80-87

暂无封面信息
查看本期封面目录

计算机科学

1002-137X

50-1075/TP

47

2020,47(11)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn