实体
non-negative matrix factorization
non-negative matrix factorization
PulseAugur coverage of non-negative matrix factorization — every cluster mentioning non-negative matrix factorization across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的基于图的模型增强了视觉解释的可解释性
研究人员开发了一种基于图的概念瓶颈模型（G-CBM），该模型增强了视觉解释中的可解释性。这个新框架使用非负矩阵分解执行无监督概念发现，并将这些概念表示为图中的节点。G-CBM 将区域级特征与这些概念节点匹配，从而实现概念接地并捕捉图像中的重复性。然后，图注意力网络对概念之间的依赖关系进行建模以进行推理。该模型在 ImageNet 和 HAM10000 等数据集上展示了改进的性能，在皮肤镜检查基准测试上取得了与监督方法相媲美的结果。
-
新的EventNMF模型直接分析连续时间事件数据
研究人员开发了EventNMF，这是一种新颖的连续时间非负矩阵分解模型，旨在直接分析事件数据。与需要分箱或平滑的先前方法不同，EventNMF直接在原始事件时间上运行，保留了细粒度的时间特征和实体级别的异质性。该模型使用泊松过程框架和非负B样条基来揭示实体之间共享的时间模板，为神经科学和社交网络等领域的应用提供了数学上合理、高效且易于实现的解决方案。