Fast damped Gauss-Newton algorithm for nonnegative matrix factorization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F11%3A00360026" target="_blank" >RIV/67985556:_____/11:00360026 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Fast damped Gauss-Newton algorithm for nonnegative matrix factorization

Popis výsledku v původním jazyce

Alternating optimization algorithms for canonical polyadic decomposition (with/without nonnegative constraints) often accompany update rules with low computational cost, but could face problems of swamps, bottlenecks, and slow convergence. All-at-once algorithms can deal with such problems, but always demand significant temporary extra-storage, and high computational cost. In this paper, we propose an allat- once algorithmwith lowcomplexity for sparse and nonnegative tensor factorization based on the damped Gauss-Newton iteration. Especially, for low-rank approximations, the proposed algorithm avoids building up Hessians and gradients, reduces the computational cost dramatically. Moreover, we proposed selection strategies for regularization parameters.The proposed algorithm has been verified to overwhelmingly outperform ?state-of-the-art NTF algorithms for difficult benchmarks, and for real-world application such as clustering of the ORL face database.

Název v anglickém jazyce

Fast damped Gauss-Newton algorithm for nonnegative matrix factorization

Popis výsledku anglicky

Alternating optimization algorithms for canonical polyadic decomposition (with/without nonnegative constraints) often accompany update rules with low computational cost, but could face problems of swamps, bottlenecks, and slow convergence. All-at-once algorithms can deal with such problems, but always demand significant temporary extra-storage, and high computational cost. In this paper, we propose an allat- once algorithmwith lowcomplexity for sparse and nonnegative tensor factorization based on the damped Gauss-Newton iteration. Especially, for low-rank approximations, the proposed algorithm avoids building up Hessians and gradients, reduces the computational cost dramatically. Moreover, we proposed selection strategies for regularization parameters.The proposed algorithm has been verified to overwhelmingly outperform ?state-of-the-art NTF algorithms for difficult benchmarks, and for real-world application such as clustering of the ORL face database.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2011

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing 2011

ISBN

978-1-4577-0539-7

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

1988-1991

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Praha

Datum konání akce

22. 5. 2011

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—