Sparse-regularized symmetric nonnegative matrix factorization for adaptive sequence encoding

doi:10.1016/j.engappai.2026.115019

Sparse-regularized symmetric nonnegative matrix factorization for adaptive sequence encoding

2026-05-15

0

PRE

AI

DOI：10.1016/j.engappai.2026.115019

原文链接

原文求助

摘要

En 中文

序列编码已成为许多工程应用中的关键组成部分，例如生物序列分类。然而，对符号序列进行紧凑表示的自适应学习，特别是在数据有限的情况下，仍然是一个具有挑战性的问题。在本文中，提出了一种基于隐马尔可夫模型（HMM）的编码器，该编码器是一个以序列共现矩阵的稀疏因子分解为中心的自适应学习框架。我们提出了一种稀疏正则化的对称非负矩阵分解（NMF）算法作为HMM学习者，其正则化强度根据不同序列集的符号分布进行自适应估计。提供了严格的收敛性证明，并提出了一种新的模型约简方法，基于序列表示中的状态分布自动确定HMM状态的最优数量。该方法在三个实际领域的常用序列集上进行了实验评估，结果表明其与包括基于神经网络的编码器在内的各种方法相比，具有更高的有效性和效率。

Keyword:

HMM

sequence encoding

sparse regularization

nonnegative matrix factorization

adaptive learning

Sparse-regularized symmetric nonnegative matrix factorization for adaptive sequence encoding

摘要

期刊

机构

引用论文