徐亦達老師團隊新發了一篇論文-Relative Pairwise Relationship Constrained Non-negative Matrix Factorisation（成對關系約束的非負矩陣分解），提出了一種非負矩陣的分解算法，本人得到徐老師授權在本站發布論文。

姜帥

非負矩陣分解在近些年來被廣泛應用于機器學習和數據分析領域。大多數已提出的非負矩陣分解相關算法，僅僅考慮如何刻畫分解后矩陣的單一行/列向量，而忽略了行與行、列與列之間的關系。在許多情況下，這種成對關系可以提升矩陣分解應用的效果，比如圖片聚類和推薦系統。在這篇文章中，我們提出相對成對關系約束的非負矩陣分解算法，將特征間的相對成對距離約束以三元組懲罰項形式加入目標函數。該算法使用平方歐式距離和對稱散度兩種距離度量，并分別采用指數（exponential）和轉折點（hinge）損失函數作為懲罰項形式。對于非負矩陣分解而言，雖然著名的“乘法更新法則”比傳統梯度下降方法收斂更快，但在我們提出的算法中采用這一框架并證明其收斂性則相對困難。因此，我們使用合理的近似計算以松弛由懲罰項所帶來的證明復雜性，并通過大量實驗驗證了這種近似切實有效。人工數據集和真實數據集上的實驗結果均表明，我們提出的算法可以獲得良好的矩陣近似效果，滿足大多數預期約束，取得較其他算法更好的應用表現。

---

徐亦達教授簡介：

　　現任悉尼科技大學教授，UTS全球數據技術中心機器學習和數據分析實驗室主任。主要研究方向是機器學習，數據分析和計算機視覺。他在國際重要期刊與會議發表數篇高影響因子論文；編寫了大量的數理統計、概率和機器學習教材。

徐老師的github：https://github.com/roboticcam

優酷：http://i.youku.com/i/UMzIzNDgxNTg5Ng

本論文正文下載：http://cn.arxiv.org/pdf/1803.02218 建議復制鏈接到瀏覽器中下載。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的机器学习新论文推荐-（成对关系约束的非负矩阵分解）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。