.png){kind=icon}
返回
L1/2-regularized nonnegative matrix factorization for HMM-based sequence representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.130378.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
符号序列表示在许多资源受限的专家系统中发挥着关键作用。最近，基于隐马尔可夫模型（HMM）的方法因其能够捕捉潜在结构特征且具有可解释性而受到广泛关注，尤其是在小序列集上的表示学习应用方面。然而，现有方法的性能受限于隐状态的优化。在本文中，提出了一种新颖的联合优化方法，其优化目标是在基于HMM状态转移最小化数据重建损失的同时，最大化与状态发射概率分布相关的状态间散度。我们提出通过在状态发射上定义的新L1/2范数来度量散度，并将表示学习问题表述为L1/2正则化的对称非负矩阵三因子分解问题。随后推导出一种高效的矩阵分解算法，并给出严格的收敛性证明。实验评估在广泛采用的序列集上进行，所得结果证明了所提方法的有效性和高效性。
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
引用论文
暂无论文信息