.png){kind=icon}
返回
DSNMF: Deep symmetric non-negative matrix factorization representation algorithm for clustering
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-07018-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
聚类是机器学习中一项重要且复杂的任务。对称非负矩阵分解（SNMF）因其能够内在捕捉图表示中普遍存在的聚类结构而受到广泛关注。然而，现有的SNMF算法存在缺乏学习率和非线性学习策略等问题。为解决这些问题，本文提出了一种用于聚类的深度对称非负矩阵分解（DSNMF）表示算法。该算法将深度学习的非线性策略与SNMF的优化方法有机地结合起来。具体而言，该算法关注矩阵元素，并基于非负非线性约束和神经网络原理构建了一个DSNMF深度网络。基于此网络，最小化目标函数。最后，我们在包括人脸识别图像、物体图像、新闻文本和生物数据在内的十二个公开数据集上评估了该方法，DSNMF在这些数据集上均取得了良好的聚类性能。
Keyword:
Symmetric non-negative matrix factorization
Representation learning
Deep learning
Clustering
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏Graph Regularized Non-Negative Low-Rank Matrix Factorization for Image Clustering用于图像聚类的图正则化非负低秩矩阵分解
PREAI
分享收藏分享收藏Deep Nonnegative Matrix Factorization with Joint Global and Local Structure Preservation具有联合全局和局部结构保留的深度非负矩阵分解
PREAI
分享收藏
查看更多内容