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.
3 天有情绪数据
-
论文详述用于结构化知识检索和推理的人工智能
本论文介绍了一种将非结构化领域特定文本转化为结构化知识以进行检索和推理的新型架构。它提出了二元出血（Binary Bleed），一种用于非负矩阵分解（NMF）的自适应二元搜索方法，以及具有自动潜在特征选择（HNMFk）的分层NMF，用于深度自适应主题建模。这些方法填充了知识图谱和向量存储，实现了张量结构化检索增强生成（T-SRAG），以实现动态查询路由和提高语义保真度。在网络安全、法律、材料科学和医疗保健领域的应用证明了检索精度、趋势…
-
新SCALPEL方法实现选择性AI模型遗忘
研究人员开发了SCALPEL，一种新颖的对比稀疏自编码器，用于选择性机器学习遗忘。该方法旨在从AI模型中移除特定信息，例如GDPR下的个人数据，同时保留模型的整体能力。SCALPEL解决了现有提取方法中阻碍选择性的能量偏差问题，理论上可以促进目标特定特征并控制背景知识扰动。在Qwen、Llama和Gemma模型上的实验结果表明，SCALPEL的性能优于NMF和SAE等标准技术，并与Gradient Difference和RMU等方法具有竞争力。
-
研究论文将NMF、LCA、EMA和PLSA模型联系起来
一篇新发表在arXiv上的研究论文详细介绍了机器学习、社会科学和地质学中使用的几种成分模型的等价性和可识别性。该论文题为“非负矩阵分解及相关成分模型：等价性、可识别性及其在沉积物粒度分析中的应用”，证明了潜在类别分析（Latent Class Analysis）、端元分析（End-Member Analysis）和概率潜在语义分析（Probabilistic Latent Semantic Analysis）等模型在根本上与非负矩阵分…
-
新的 Diff Mining 框架揭示语言模型微调目标
研究人员推出了一种新颖的 Diff Mining 框架，旨在识别语言模型在微调过程中学习到的特定目标和行为。该方法通过比较微调模型与其基础模型的 Logit 来精确定位指示学习行为的显著 token，即使这些行为与微调领域无关。Diff Mining 仅需要访问输出 Logit，因此可以扩展到大型模型，并可用于微调领域检测和检测注入偏见的审计工具等任务。
-
新的MaxVol NMF方法提供了改进的稀疏分解
研究人员引入了最大体积非负矩阵分解（MaxVol NMF）作为现有最小体积非负矩阵分解（MinVol NMF）的替代方案。虽然MinVol NMF旨在最小化其因子矩阵W的体积，但MaxVol NMF侧重于最大化其因子矩阵H的体积。这种新方法被证明在产生稀疏分解和避免秩亏损解方面是有效的，尤其是在存在噪声的情况下。该论文还提出了一种MaxVol NMF的归一化变体，该变体提供了改进的性能，并且可以看作是标准NMF和正交NMF之间的桥梁。
-
新的NMF方法增强了高度混合粒度数据的分析
研究人员开发了一种名为最大距离非负矩阵分解（NMF）的新方法，以改进高度混合粒度分布数据的分析。该技术推广了现有的基于NMF的方法，如AnalySize，后者以前在处理复杂混合物时遇到困难。新方法旨在最大化估计端元成员的独特性，从而能够更有效地分解具有挑战性的数据集。
-
新框架使用LLM分析VR中的团队沟通动态
研究人员开发了一个计算框架，用于分析协作式虚拟现实环境中的团队沟通动态。该系统使用后期分块和受惩罚的高斯核变化点检测来识别对话中的语义转换，从而比传统方法更精细地理解团队过程。该框架随后采用TF-IDF、NMF和LLM辅助解释，为这些检测到的阶段提供证据和背景，并将其与交互日志对齐以研究任务-行动模式。
-
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。