Latent structure
음이 아닌 행렬 분해(NMF)
음이 아닌 행렬 분해(NMF)는 Lee와 Seung이 1999년 Nature지에 발표한 획기적인 논문에서 소개한 알고리즘 계열로, 음이 아닌 데이터 행렬 V를 두 개의 낮은 랭크를 가진 음이 아닌 행렬 W(기저 구성 요소)와 H(인코딩 계수)의 곱으로 분해합니다. PCA 또는 SVD와 달리, 음이 아닌 제약 조건은 알고리즘이 엄격하게 가산적이고 부분 기반의 표현을 학습하도록 강제하여, 요인들을 원본 데이터의 구성 요소로 직접 해석할 수 있게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
출처
- Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791. DOI: 10.1038/44565 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Cichocki, A., Zdunek, R., Phan, A. H., & Amari, S. (2009). Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation. Wiley. ISBN: 978-0-470-74666-0
이 페이지 인용 방법
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/ko/machine-learning/non-negative-matrix-factorization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 독립 성분 분석 (ICA)머신러닝↔ compare
- K-평균 군집화머신러닝↔ compare
- 잠재 디리클레 할당 (Latent Dirichlet Allocation, LDA)머신러닝↔ compare
- 특이값 분해수치해석↔ compare