Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Bayesian non-negative matrix factorization with adaptive sparsity and smoothness prior

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F19%3A00500888" target="_blank" >RIV/67985556:_____/19:00500888 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/document/8633424" target="_blank" >https://ieeexplore.ieee.org/document/8633424</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/LSP.2019.2897230" target="_blank" >10.1109/LSP.2019.2897230</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Bayesian non-negative matrix factorization with adaptive sparsity and smoothness prior

  • Popis výsledku v původním jazyce

    Non-negative matrix factorization (NMF) is generally an ill-posed problem which requires further regularization. Regularization of NMF using the assumption of sparsity is common as well as regularization using smoothness. In many applications it is natural to assume that both of these assumptions hold together. To avoid ad hoc combination of these assumptions using weighting coefficient, we formulate the problem using a probabilistic model and estimate it in a Bayesian way. Specifically, we use the fact that the assumptions of sparsity and smoothness are different forms of prior covariance matrix modeling. We use a generalized model that includes both sparsity and smoothness as special cases and estimate all its parameters using the variational Bayes method. The resulting matrix factorization algorithm is compared with state-of-the-art algorithms on large clinical dataset of 196 image sequences from dynamic renal scintigraphy. The proposed algorithm outperforms other algorithms in statistical evaluation.

  • Název v anglickém jazyce

    Bayesian non-negative matrix factorization with adaptive sparsity and smoothness prior

  • Popis výsledku anglicky

    Non-negative matrix factorization (NMF) is generally an ill-posed problem which requires further regularization. Regularization of NMF using the assumption of sparsity is common as well as regularization using smoothness. In many applications it is natural to assume that both of these assumptions hold together. To avoid ad hoc combination of these assumptions using weighting coefficient, we formulate the problem using a probabilistic model and estimate it in a Bayesian way. Specifically, we use the fact that the assumptions of sparsity and smoothness are different forms of prior covariance matrix modeling. We use a generalized model that includes both sparsity and smoothness as special cases and estimate all its parameters using the variational Bayes method. The resulting matrix factorization algorithm is compared with state-of-the-art algorithms on large clinical dataset of 196 image sequences from dynamic renal scintigraphy. The proposed algorithm outperforms other algorithms in statistical evaluation.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20205 - Automation and control systems

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA18-07247S" target="_blank" >GA18-07247S: Metody a algoritmy pro analýzu obrazů vektorových a tenzorových polí</a><br>

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    IEEE Signal Processing Letters

  • ISSN

    1070-9908

  • e-ISSN

  • Svazek periodika

    26

  • Číslo periodika v rámci svazku

    3

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    5

  • Strana od-do

    510-514

  • Kód UT WoS článku

    000458852100008

  • EID výsledku v databázi Scopus

    2-s2.0-85061747380