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.
5 天有情绪数据
-
新框架以受音乐启发的方法解决电动汽车充电数据问题
研究人员开发了 Note-Chord-Voice 框架，这是一个受音乐理论启发的创新管道，用于解决电动汽车 (EV) 充电数据中的挑战。该框架将数据清理、结构模式发现、描述性源分离和因果推断分为不同的阶段。该框架应用于大型数据集，识别出对价格敏感的充电行为，并展示了优化折扣策略的潜力，估计每年可节省大量成本。
-
谷歌地图兴趣点用于估算圣保罗市收入
研究人员开发了一种方法，通过分析谷歌地图兴趣点（POIs）的众包数据，在巴西圣保罗市次级市政层面估算家庭收入。该方法利用谷歌地图的兴趣点类别来创建高频、低成本的收入代理，解决了巴西十年一次的普查频率低且成本高昂的局限性。表现最佳的模型结合了非负矩阵分解和梯度提升，在预测普查得出的收入时达到了0.65的R^2，表明地理空间数据可以有效地补充传统的收入统计数据。
-
AutoML 管道自动化文本数据趋势预测
本文介绍了 AutoCluster、AutoTopicModeling 和 AutoTrendAnalysis，这是一个全面的 AutoML 管道，旨在从具有时间属性的文本数据中预测新兴趋势。该系统自动化了最佳聚类、主题建模（LDA、LSA、BERTopic、NMF）和时间序列预测（Prophet、ARIMA、STL、LSTM）算法的选择。通过根据预测准确性对主题进行分类，该框架识别出强信号、弱信号和噪声，旨在减少手动工作量并提高机器…
-
新的MemNMF方法利用LPC频谱增强异常声音检测
研究人员开发了一种用于异常声音检测的新型方法MemNMF，该方法在LPC（线性预测编码）频谱上运行。该方法利用从非负矩阵分解（NMF）字典初始化的记忆模块，允许将输入重构为正常频谱模式的注意力加权组合。在MIMII和DCASE 2020 Task 2等基准数据集上的实验表明，MemNMF在标准自动编码器基线之上有所改进，尤其是在嘈杂和非平稳环境中。
-
新的 R 包 'nnmf' 提供了非负矩阵分解的性能比较
一个名为 nnmf 的新 R 包已被开发用于非负矩阵分解 (NMF)，这是一种用于降维的技术，广泛应用于生物信息学、文本挖掘和图像分析等领域。本研究介绍了该包，并提供了与两个现有的 NMF R 包的性能比较。评估使用了真实世界的数据来评估计算效率、收敛性、准确性和稳定性，旨在为研究人员提供选择合适 NMF 工具的客观指导。
-
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
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。
-
新框架为 AI 分类器提供忠实、命名的解释
研究人员推出了一种新颖的事后框架——语言锚定分解（LAD），旨在为深度神经网络分类器提供忠实且人类可解释的解释，而无需更改原始模型。LAD 利用大型语言模型提出概念词汇表，然后使用基于 CLIP 的相似性将这些词汇表定位到图像区域。通过固定这些基于语言的映射，LAD 学习一个概念基础来重建模型的激活，确保派生的概念对于决策是相关的，并且在各种成像基准测试中是稳定的。
-
新的凸模型推动非负矩阵分解研究
研究人员开发了一种用于平滑可分离非负矩阵分解（SSNMF）的新凸模型，这是一种用于非负数据降维的技术。该模型旨在解决标准NMF固有的非唯一性和NP难问题。所提出的SSNMF模型旨在即使在存在噪声的情况下也能恢复潜在因子，并利用基向量接近多个数据点的假设。使用一种改进的快速梯度方法来求解凸模型，在合成和高光谱数据集上与现有方法相比表现出竞争力。
-
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。
-
AI模型利用计算机视觉技术识别放射性同位素
研究人员开发了一种新颖的机器学习方法，用于在城市环境中识别放射性同位素，将伽马射线数据转换为频谱图，供计算机视觉架构进行分析。该方法编码了光谱和时间信息，增强了神经网络区分威胁信号和背景噪声的能力。在RADAI基准数据集上的评估表明，卷积神经网络（CNN）的性能优于先前的方法，在低误报率下实现了更高的检测、分类和识别率。
-
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。