ترجمه فارسی مقاله یک الگوریتم ادغام زوجی بهینه کیفیت و ثبات فاکتورسازی ماتریس غیرمنفی را بهبود می بخشد.

چکیده

Non-negative matrix factorization (NMF) is a key technique for feature extraction and widely used in source separation. However, existing algorithms may converge to poor local minima, or to one of several minima with similar objective value but differing feature parametrizations. Additionally, the performance of NMF greatly depends on the number of components, but choosing the optimal count remains a challenge. Here we show that some of these weaknesses may be mitigated by performing NMF in a higher-dimensional feature space and then iteratively combining components with an analytically-solvable pairwise merge strategy. Experimental results demonstrate our method helps NMF achieve better local optima and greater consistency of the solutions. Iterative merging also provides an efficient and informative framework for choosing the number of components. Surprisingly, despite these extra steps, our approach often improves computational performance by reducing the occurrence of “convergence stalling” near saddle points. This can be recommended as a preferred approach for most applications of NMF.

چکیده به فارسی (ترجمه ماشینی)

فاکتورسازی ماتریس غیر منفی (NMF) یک روش اصلی برای استخراج ویژگی است و به طور گسترده در جداسازی منبع مورد استفاده قرار می گیرد.با این حال ، الگوریتم های موجود ممکن است به حداقل محلی ضعیف ، یا به یکی از چندین حداقل با مقدار هدف مشابه اما پارامترهای ویژگی متفاوت همگرا شوند.علاوه بر این ، عملکرد NMF تا حد زیادی به تعداد مؤلفه ها بستگی دارد ، اما انتخاب تعداد بهینه همچنان یک چالش است.در اینجا ما نشان می دهیم که برخی از این نقاط ضعف ممکن است با انجام NMF در یک فضای ویژگی با ابعاد بالاتر کاهش یابد و سپس به طور تکراری ترکیبات را با یک استراتژی ادغام زوجی قابل تحلیلی ترکیب کند.نتایج تجربی نشان می دهد که روش ما به NMF کمک می کند تا بهینه سازی محلی بهتر و سازگاری بیشتر راه حل ها را بدست آورد.ادغام تکراری همچنین یک چارچوب کارآمد و آموزنده برای انتخاب تعداد مؤلفه ها فراهم می کند.با کمال تعجب ، با وجود این مراحل اضافی ، رویکرد ما اغلب با کاهش وقوع “” همگرایی متوقف “در نزدیکی نقاط زین ، عملکرد محاسباتی را بهبود می بخشد.این می تواند به عنوان یک روش ارجح برای اکثر برنامه های NMF توصیه شود.