.png){kind=icon}
返回
A Non Negative Matrix Factorization-Based Data Augmentation Procedure for Two-Dimensional Data
.png){kind=icon}
PRE
AI
DOI：10.37256/cm.7220268042.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了几何变换（如平移和旋转）如何影响矩阵分解，特别关注在监督学习背景下非负矩阵分解（NMF）的影响。我们提出了一种新颖的特征提取和数据增强框架，利用矩阵分解在线性变换下的不变性特性。具体而言，我们展示了如何在输入空间应用此类变换，诱导分解结构的系统性变化，并利用这些变化从变换数据应用NMF的左因子生成新的特征向量。这既提供了增强的训练样本，也提供了可解释的非负表示。我们的方法在增强特征可解释性的同时，保持了非负性和结构。初步的数值实验在一项与考古数据相关的二值图像分类任务中证明了该方法的有效性。
Keyword:
non negative matrix factorization
data augmentation
geometric transformation
glyph image
