层次和神经非负张量分解，90页ppt

非负矩阵分解(Nonnegative matrix factorization, NMF)在主题建模、文档分析等领域有着广泛的应用。层次NMF (HNMF)变体能够学习不同粒度级别的主题，并说明它们的层次关系。最近，非负张量分解(NTF)方法也以类似的方式应用于处理具有复杂、多模态结构的数据集。层次化NTF (HNTF)方法已被提出，但这些方法并没有自然地推广其基于矩阵的对应方法。此外，开发克服毁灭性错误传播的训练方法一直具有挑战性。本文提出最近的工作，提供了新的HNTF模型，直接概括了HNMF模型的特殊情况，可以在神经网络框架中实现，并通过反向传播进行训练。

http://www.ipam.ucla.edu/abstract/?tid=17534&pcode=CMSWS4