NNDSVD初始化凸-NMF

Question

我正在使用丁，李，乔丹，2008年(“凸和半非负矩阵分解”)中描述的凸非负矩阵分解算法。

良好的初始化策略使所有的差异和使用描述的k-均值聚类开始工作非常好。

但是有一篇文章描述了NNDSVD (Boutsidis，Gallopoulos，2007年年)来初始化“传统的”NMF标志。我想测试这个，看看它是否改善了我的结果。

凸NMF的非负约束是松弛的.X可以有混合符号数据，其中X~ XWG'，因子W和G只有正数据。我实现了NNDSVD，就像论文中的那样(在C++ w/ OpenCV中)，但是由于X有混合符号数据，所以产生的W也包含负值。

有人尝试过调整这个初始化策略吗？除了丁等人的论文中提到的策略(和随机初始化策略)之外，还有其他推荐的凸NMF初始化策略吗？

Answer 1

我以前在维也纳大学的(经典) NMF图书馆玩过：libNMF

虽然一开始它对我没有用，但由于它们不实现凸NMF，我看了一下它们的NNDSVD实现。它们只是将所有负值和小于机器感应器的值替换为零。

我试过了，但是失败了，因为凸NMF的更新规则是这样的，我得到了零的除法。由于它们在其提议的初始化方案(用于“平滑”)中为所有值添加了0.2，所以我在这里也这样做了。

它起作用了，精度比预期的差(比k均值差一点，这是我目前最好的方法)，但是我会对它做更多的调整。