PulseAugur
中
实时 12:05:05
English(EN) An Efficient Newton Algorithm for Nonnegative Matrix Factorization with the Kullback-Leibler Divergence

新的牛顿算法增强了具有 KL 散度的非负矩阵分解 · 跟踪 2 个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的牛顿型算法，用于非负矩阵分解 (NMF)，该算法利用 Kullback-Leibler (KL) 散度。这种新方法通过对损失函数进行二阶泰勒展开，为分析计数数据集（如词-文档矩阵和图像）提供了一种有效的方法。该算法推广了 HALS 算法，已被证明具有收敛性，并在各种数据集上与现有的最先进方法相比具有竞争力。 AI

影响 这项研究引入了一种更有效的 NMF 算法，有可能提高机器学习中基于计数的数据分析任务的性能。

排序理由 该集群包含一篇详细介绍机器学习任务新算法的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的牛顿算法增强了具有 KL 散度的非负矩阵分解 · 跟踪 2 个来源

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Damien Lesens, J\'er\'emy E. Cohen, Bora U\c{c}ar ·

    一种高效的基于Kullback-Leibler散度的非负矩阵分解牛顿算法

    arXiv:2607.13919v1 Announce Type: new Abstract: Nonnegative Matrix Factorization (NMF) is a fundamental tool in unsupervised learning, which approximates a nonnegative matrix by the product of two low-rank nonnegative factors. The Kullback-Leibler (KL) divergence is best suited t…

  2. arXiv cs.LG TIER_1 English(EN) · Bora Uçar ·

    一种用于具有Kullback-Leibler散度的非负矩阵分解的高效牛顿算法

    Nonnegative Matrix Factorization (NMF) is a fundamental tool in unsupervised learning, which approximates a nonnegative matrix by the product of two low-rank nonnegative factors. The Kullback-Leibler (KL) divergence is best suited to measure the data to model discrepancy when the…

相关实体

相关话题