基于自表示学习更新的图非负矩阵分解聚类OA

非负矩阵分解(Non-negative Matrix Factorization,NMF)是一种基于矩阵分解的降维技术,用于寻找基于潜在特征的线性表示。针对NMF忽略数据局部几何结构的问题,本文提出的图非负矩阵分解(Graph non-negative Matrix Factorization,GNMF)虽然可以较好地改善高维空间中数据之间的几何关系,但其所遵循的图信息,即邻接矩阵是基于可观测空间中原始样本的相关性构建的,无法反映对象间的真实距离关系。针对这个问题,本文将基于自表示的图信息融入到NMF的算法框架中,提出了自表示更新下的图非负矩阵分解(Graph Non-negative Matrix Factorization based on Self-representation Learning Update,GNMFSLU),该方法利用迭代的方式对图的邻接矩阵进行更新,使得图信息更加接近对象间的真实距离关系,增强了NMF的聚类性能。