We propose an efficient matrix rank reduction method for non-negative matrices, whose time complexity is quadratic in the number of rows or columns of a matrix. Our key insight is to formulate rank reduction as a mean-field approximation by modeling matrices via a log-linear model on structured sample space, which allows us to solve the rank reduction as convex optimization. The highlight of this formulation is that the optimal solution that minimizes the KL divergence from a given matrix can be analytically computed in a closed form. We empirically show that our rank reduction method is faster than NMF and its popular variant, lraNMF, while achieving competitive low rank approximation error on synthetic and real-world datasets.


翻译:我们建议对非负矩阵采用有效的矩阵排位削减方法,其时间复杂性在矩阵的行数或列数上是四倍的。我们的主要见解是通过结构化样本空间的日志线性模型模型将排位降为中位近似值,从而通过结构化样本空间的对数-线性模型将排位降为中位近似值,从而使我们能够解决排位降为曲线优化的问题。这一提法的亮点是,能够以封闭的形式分析计算出最大限度地减少与特定矩阵之间的 KL 差异的最佳解决方案。我们的经验显示,我们的排位降方法比NMF及其流行变量(lRANMF)更快,同时在合成和真实世界数据集上实现竞争性低位近似误差。

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
52+阅读 · 2020年9月7日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
专知会员服务
61+阅读 · 2020年3月4日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
已删除
将门创投
6+阅读 · 2019年1月2日
【泡泡一分钟】一种实用且高效的多视图匹配方法
泡泡机器人SLAM
6+阅读 · 2018年11月19日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
用 LDA 和 LSA 两种方法来降维和做 Topic 建模
AI研习社
13+阅读 · 2018年8月24日
Arxiv
0+阅读 · 2021年4月25日
Arxiv
3+阅读 · 2018年10月18日
VIP会员
相关资讯
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
已删除
将门创投
6+阅读 · 2019年1月2日
【泡泡一分钟】一种实用且高效的多视图匹配方法
泡泡机器人SLAM
6+阅读 · 2018年11月19日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
用 LDA 和 LSA 两种方法来降维和做 Topic 建模
AI研习社
13+阅读 · 2018年8月24日
Top
微信扫码咨询专知VIP会员