【ICML2020】对抗的非负矩阵分解

随着网络和信息技术的不断发展，全球数据量呈现爆炸式增长。这些海量、复杂的数据已经对社会经济、政治、文化以及生活等方面产生了深远的影响。然而，数据在采集或者传送过程中（例如：成像、扫描、传输等）难免会受到噪声的污染，这对数据的后续处理（例如：特征学习）是很不利的。目前存在的方法仅能够处理单一的有规则的噪声（例如：高斯、拉普拉斯噪声）。显然，这离实际的需求相差甚远。

为了解决这个问题，我们从学习者和攻击者的角度出发，提出一种对抗的非负矩阵分解方法。这是目前为止第一个有关对抗的非负矩阵分解的工作。与专注于常规输入或某些特定类型噪声的传统模型不同，我们的方法借助对抗训练的优势来处理各种不同类型的噪声。我们使用交替方向迭代法解决所提出的全新模型，并证明了算法的收敛性。为了在理论上保证模型的合理性，我们在不同条件下提供了模型的鲁棒性分析。我们在具有各种噪声条件（例如不规则的遮挡）的数据集上设计了一系列实验。所有的实验结果证明了我们的算法在性能上始终优于其他相关方法。