Non-negative matrix factorization (original) (raw)
비음수 행렬 분해(Non-negative matrix factorization, NMF)는 음수를 포함하지 않은 행렬 V를 음수를 포함하지 않은 행렬 W와 H의 곱으로 분해하는 알고리즘이다. 행렬이 음수를 포함하지 않는 성질은 분해 결과 행렬을 찾기 쉽게 만든다. 일반적으로 행렬 분해는 정확한 해가 없기 때문에 이 알고리즘은 대략적인 해를 구하게 된다.비음수 행렬 분해는 컴퓨터 시각 처리, 문서 분류, 음파 분석, 계량분석화학, 추천 시스템 등에 쓰인다.
| Property | Value |
|---|---|
| dbo:abstract | Factorización matricial no negativa (NMF o NNMF), también aproximación matricial no negativa,es un grupo de algoritmos en análisis multivariado y álgebra lineal donde una matriz V se factoriza en (habitualmente) dos matrices W y H, con la propiedad de que las tres matrices no tienen elementos negativos. Esta no negatividad hace que las matrices resultantes sean más fáciles de inspeccionar. Además, en aplicaciones tales como el procesamiento de espectrogramas de audio o actividad muscular, la no negatividad es inherente a los datos que se consideran. Dado que el problema en general no se puede resolver exactamente, comúnmente se aproxima numéricamente. NMF encuentra aplicaciones en campos tales como visión por computadora, agrupación de documentos, quimiometría, procesamiento de señal de audio y sistemas de recomendación. (es) Non-negative matrix factorization (NMF or NNMF), also non-negative matrix approximation is a group of algorithms in multivariate analysis and linear algebra where a matrix V is factorized into (usually) two matrices W and H, with the property that all three matrices have no negative elements. This non-negativity makes the resulting matrices easier to inspect. Also, in applications such as processing of audio spectrograms or muscular activity, non-negativity is inherent to the data being considered. Since the problem is not exactly solvable in general, it is commonly approximated numerically. NMF finds applications in such fields as astronomy, computer vision, document clustering, missing data imputation, chemometrics, audio signal processing, recommender systems, and bioinformatics. (en) 비음수 행렬 분해(Non-negative matrix factorization, NMF)는 음수를 포함하지 않은 행렬 V를 음수를 포함하지 않은 행렬 W와 H의 곱으로 분해하는 알고리즘이다. 행렬이 음수를 포함하지 않는 성질은 분해 결과 행렬을 찾기 쉽게 만든다. 일반적으로 행렬 분해는 정확한 해가 없기 때문에 이 알고리즘은 대략적인 해를 구하게 된다.비음수 행렬 분해는 컴퓨터 시각 처리, 문서 분류, 음파 분석, 계량분석화학, 추천 시스템 등에 쓰인다. (ko) Неотрицательное матричное разложение (НМР), а также неотрицательное приближение матрицы, это группа алгоритмов в и линейной алгебре, в которых матрица V разлагается на (обычно) две матрицы W и H, со свойством, что все три матрицы имеют неотрицательные элементы. Эта неотрицательность делает получившиеся матрицы более простыми для исследования. В приложениях, таких как обработка спектрограмм аудиосигнала или данных мускульной активности, неотрицательность свойственна рассматриваемым данным. Поскольку задача в общем случае неразрешима, её обычно численно аппроксимируют. НМР нашёл применение в таких областях как астрономия, компьютерное зрение, кластеризация документов, хемометрика, , рекомендательные системы, и биоинформатика. (ru) Розклад невід'ємних матриць (NMF(Non-negative matrix factorization)) це група алгоритмів багатовимірного аналізу та лінійної алгебри, де матриця V розкладається в, зазвичай, дві матриці W, H, враховуючи, що жодна з трьох матриць немає від'ємних елементів. Завдяки невід'ємності результуючі матриці легко перевіряються. Крім того, в таких програмах, як обробка аудіо спектрограм даним притаманна ця невід'ємність. Так як проблема немає точних розв'язків, в загальному випадку, зазвичай, знаходять числове наближення. NMF застосовується в таких областях, як машинне бачення, кластеризація документів, хемометрика, обробка аудіо сигналів і рекомендаційні системи. (uk) |
| dbo:thumbnail | wiki-commons:Special:FilePath/NMF.png?width=300 |
| dbo:wikiPageID | 3681279 (xsd:integer) |
| dbo:wikiPageLength | 66822 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1110427808 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:PubMed dbr:Scientific_journal dbr:Multivariate_analysis dbr:Methods_of_detecting_exoplanets dbr:Probabilistic_latent_semantic_analysis dbr:Non-negative_matrix dbr:Total_variation_norm dbr:Bayesian_network dbr:Algorithm dbr:Permutation dbr:DNA_methylation dbr:Vector_quantization dbr:Matrix_(mathematics) dbr:Matrix_norm dbr:Matrix_of_ones dbr:SPECT dbr:Chemometrics dbr:Chemometrics_and_Intelligent_Laboratory_Systems dbr:Gaussian_noise dbr:Gene_expression dbr:Genetic_admixture dbr:English_Wikipedia dbr:Enron dbr:Gradient_descent dbr:Monomial_matrix dbr:Multilinear_algebra dbr:Multiplicative_Weight_Update_Method dbr:NP-complete dbr:Convex_combination dbr:Linear_algebra dbr:Computational_Intelligence_and_Neuroscience dbr:Computer_vision dbr:Chinese_Science_Bulletin dbr:Frobenius_norm dbr:Parallel_computing dbr:Population_genetics dbc:Machine_learning_algorithms dbc:Matrix_theory dbr:Data_mining dbr:Data_stream dbr:Document-term_matrix dbr:K-means_clustering dbr:Lasso_(statistics) dbr:Latent_class_model dbr:Linearity dbc:Linear_algebra dbr:Data_cluster dbr:Exoplanets dbr:Non-negative_least_squares dbr:Principal_component_analysis dbr:Matrix_decomposition dbr:Dimension_reduction dbr:Quadratic_programming dbr:Regularization_(mathematics) dbr:Active_set dbr:Tensor dbr:Tensor_software dbr:Astronomy dbr:Atmospheric_Environment_(journal) dbr:Audio_signal_processing dbr:Karhunen–Loève_theorem dbr:Bioinformatics dbr:Support_vector_machine dbr:Collaborative_filtering dbr:Wiener_filter dbr:Document_clustering dbc:Factorization dbr:Positron_emission_tomography dbr:Kullback–Leibler_divergence dbr:Recommender_system dbr:Sebastian_Seung dbr:Loss_function dbr:Maximum_likelihood dbr:Neural_Computation_(journal) dbr:Imputation_(statistics) dbr:NQP dbr:Multilinear_subspace_learning dbr:Inverse_matrix dbr:Nonnegative_rank_(linear_algebra) dbr:Text_mining dbr:PARAFAC dbr:Tensor_decomposition dbr:Principal_Component_Analysis dbr:Circumstellar_disks dbr:Sparse_coding dbr:Sparsity dbr:IEEE_Signal_Processing_Magazine dbr:File:Restricted_Boltzmann_machine.svg dbr:File:Fractional_Residual_Variances_comparison,_PCA_and_NMF.pdf dbr:File:NMF.png dbr:Tikhnov_regularization |
| dbp:wikiPageUsesTemplate | dbt:Citation_needed dbt:Cite_arXiv dbt:Cite_journal dbt:ISBN dbt:Math dbt:R dbt:Refbegin dbt:Refend dbt:Reflist dbt:Rp dbt:Short_description dbt:Scholia dbt:Machine_learning |
| dct:subject | dbc:Machine_learning_algorithms dbc:Matrix_theory dbc:Linear_algebra dbc:Factorization |
| gold:hypernym | dbr:Group |
| rdf:type | dbo:Band |
| rdfs:comment | 비음수 행렬 분해(Non-negative matrix factorization, NMF)는 음수를 포함하지 않은 행렬 V를 음수를 포함하지 않은 행렬 W와 H의 곱으로 분해하는 알고리즘이다. 행렬이 음수를 포함하지 않는 성질은 분해 결과 행렬을 찾기 쉽게 만든다. 일반적으로 행렬 분해는 정확한 해가 없기 때문에 이 알고리즘은 대략적인 해를 구하게 된다.비음수 행렬 분해는 컴퓨터 시각 처리, 문서 분류, 음파 분석, 계량분석화학, 추천 시스템 등에 쓰인다. (ko) Factorización matricial no negativa (NMF o NNMF), también aproximación matricial no negativa,es un grupo de algoritmos en análisis multivariado y álgebra lineal donde una matriz V se factoriza en (habitualmente) dos matrices W y H, con la propiedad de que las tres matrices no tienen elementos negativos. Esta no negatividad hace que las matrices resultantes sean más fáciles de inspeccionar. Además, en aplicaciones tales como el procesamiento de espectrogramas de audio o actividad muscular, la no negatividad es inherente a los datos que se consideran. Dado que el problema en general no se puede resolver exactamente, comúnmente se aproxima numéricamente. (es) Non-negative matrix factorization (NMF or NNMF), also non-negative matrix approximation is a group of algorithms in multivariate analysis and linear algebra where a matrix V is factorized into (usually) two matrices W and H, with the property that all three matrices have no negative elements. This non-negativity makes the resulting matrices easier to inspect. Also, in applications such as processing of audio spectrograms or muscular activity, non-negativity is inherent to the data being considered. Since the problem is not exactly solvable in general, it is commonly approximated numerically. (en) Неотрицательное матричное разложение (НМР), а также неотрицательное приближение матрицы, это группа алгоритмов в и линейной алгебре, в которых матрица V разлагается на (обычно) две матрицы W и H, со свойством, что все три матрицы имеют неотрицательные элементы. Эта неотрицательность делает получившиеся матрицы более простыми для исследования. В приложениях, таких как обработка спектрограмм аудиосигнала или данных мускульной активности, неотрицательность свойственна рассматриваемым данным. Поскольку задача в общем случае неразрешима, её обычно численно аппроксимируют. (ru) Розклад невід'ємних матриць (NMF(Non-negative matrix factorization)) це група алгоритмів багатовимірного аналізу та лінійної алгебри, де матриця V розкладається в, зазвичай, дві матриці W, H, враховуючи, що жодна з трьох матриць немає від'ємних елементів. Завдяки невід'ємності результуючі матриці легко перевіряються. Крім того, в таких програмах, як обробка аудіо спектрограм даним притаманна ця невід'ємність. Так як проблема немає точних розв'язків, в загальному випадку, зазвичай, знаходять числове наближення. (uk) |
| rdfs:label | Nichtnegative Matrixfaktorisierung (de) Factorización no negativa de matrices (es) 비음수 행렬 분해 (ko) Non-negative matrix factorization (en) Неотрицательное матричное разложение (ru) Розклад невід'ємних матриць (uk) |
| owl:sameAs | freebase:Non-negative matrix factorization wikidata:Non-negative matrix factorization dbpedia-de:Non-negative matrix factorization dbpedia-es:Non-negative matrix factorization dbpedia-fa:Non-negative matrix factorization dbpedia-ko:Non-negative matrix factorization dbpedia-ru:Non-negative matrix factorization dbpedia-uk:Non-negative matrix factorization https://global.dbpedia.org/id/AfVb |
| prov:wasDerivedFrom | wikipedia-en:Non-negative_matrix_factorization?oldid=1110427808&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Restricted_Boltzmann_machine.svg wiki-commons:Special:FilePath/NMF.png |
| foaf:isPrimaryTopicOf | wikipedia-en:Non-negative_matrix_factorization |
| is dbo:knownFor of | dbr:Sebastian_Seung |
| is dbo:wikiPageDisambiguates of | dbr:NMF |
| is dbo:wikiPageRedirects of | dbr:Non-negative_matrix_decomposition dbr:Nonnegative_matrix_decomposition dbr:Nonnegative_matrix_factorization dbr:Online_NMF dbr:Approximate_nonnegative_matrix_factorization dbr:Algorithms_for_non-negative_matrix_factorization dbr:Positive_matrix_factorization dbr:Self_modeling_curve_resolution dbr:NNMF |
| is dbo:wikiPageWikiLink of | dbr:NMF dbr:Probabilistic_latent_semantic_analysis dbr:Non-negative_matrix_decomposition dbr:Nonnegative_matrix_decomposition dbr:Nonnegative_matrix_factorization dbr:Independent_component_analysis dbr:Coordinate_descent dbr:Oracle_Data_Mining dbr:Multidimensional_network dbr:Online_NMF dbr:Gensim dbr:Mlpack dbr:Mutual_information dbr:Concept_search dbr:Persona_(user_experience) dbr:Mutational_signatures dbr:Document-term_matrix dbr:Latent_Dirichlet_allocation dbr:Latent_class_model dbr:3D_display dbr:Factor_analysis dbr:Non-negative_least_squares dbr:Cellular_deconvolution dbr:Dimensionality_reduction dbr:Itakura–Saito_distance dbr:Principal_component_analysis dbr:Matrix_decomposition dbr:Automatic_summarization dbr:Autostereoscopy dbr:Approximate_nonnegative_matrix_factorization dbr:Algorithms_for_non-negative_matrix_factorization dbr:Sebastian_Seung dbr:Extreme_learning_machine dbr:Face_hallucination dbr:Imputation_(statistics) dbr:List_of_statistics_articles dbr:Unsupervised_learning dbr:Signal_separation dbr:Nonnegative_matrix dbr:Outline_of_machine_learning dbr:Topic_model dbr:Positive_matrix_factorization dbr:Self_modeling_curve_resolution dbr:NNMF |
| is foaf:primaryTopic of | wikipedia-en:Non-negative_matrix_factorization |
