特徴表現のスパース性を考慮したNMF

• Item type: Trans(1)
• 公開日: 2012-03-05
• タイトル: 特徴表現のスパース性を考慮したNMF
• タイトル / 言語: en
• タイトル: Non-negative Matrix Factorization with Sparse Features
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: オリジナル論文
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 北海道大学工学部
• 著者所属: 北海道大学大学院情報科学研究科
• 著者所属(英): en
• 著者所属(英): Faculty of Engineering, Hokkaido University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Hokkaido University
• 著者名: 木村, 圭吾; 吉田, 哲也
• 著者名(英): Keigo, Kimura; Tetsuya, Yoshida
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本稿では，特徴表現のスパース制約を考慮したNMF（Non-negative Matrix Factorization）を提案する．近年，要素が非負である実行列を，同じく要素が非負である実行列の積として表現する非負値行列分解（NMF）が注目を集めている．従来の研究ではNMFにおける非負性制約が非零の要素が少ないスパースな特徴表現の学習に寄与すると考えられ，またスパース制約を導入した手法も提案されているが，これまで特徴表現のスパース性は明示的には考慮されてこなかった．本稿ではNMFにおける特徴表現に着目し，特徴表現のスパース性を独立性と相関から定式化し，定式化したスパース性を正則化項として活用する手法を提案する．提案法を文書クラスタリングに適用し，従来法との比較を通じて提案法の有効性を示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We propose an approach for Non-negative Matrix Factorization (NMF) with sparseness constraints on features. It has been believed that the non-negativity constraint in NMF contributes to making the learned features sparse. In addition, several approaches incorporated additional sparseness constraints, by hoping that the constraints make the features more sparse. However, previous approaches have mostly focused on coefficients, and have not considered the sparsity of features explicitly. Our approach explicitly incorporates the sparsity of features, in terms of independence of features and correlation of features. The proposed notion of sparsity is formalized as regularization terms in the framework of NMF, and learning algorithms with multiplicative update rules are proposed. The proposed approach is evaluated in terms of document clustering over well-known benchmark datasets. Several experiments have been conducted on the datasets, and comparison with other state-of-the-art NMF algorithms is reported. The results are encouraging and show that the proposed approach improves the clustering performance, while sustaining relatively good quality of data approximation.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464803
• 書誌情報: 情報処理学会論文誌数理モデル化と応用（TOM）; 巻 5, 号 1, p. 21-29, 発行日 2012-03-05
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7780
• 出版者 / 言語: ja
• 出版者: 情報処理学会