Resumen

Obtener una representación óptima de datos es un problema desafiante que surge en muchas técnicas de procesamiento de datos intelectuales como la minería de datos, el reconocimiento de patrones y el agrupamiento de genes. Muchos métodos existentes formulan este problema como un problema de aproximación de factorización de matrices no negativas (NMF, por sus siglas en inglés). El NMF estándar utiliza la función de pérdida de mínimos cuadrados, que no es robusta frente a puntos atípicos y ruidos, y no logra utilizar la información previa de etiquetas para mejorar la discriminabilidad de las representaciones. En este estudio, desarrollamos un método novedoso de factorización de matrices llamado factorización de coordenadas locales no negativas semisupervisada robusta mediante la integración de NMF robusto, una restricción de coordenadas locales robusta y regresión de spline local en un marco unificado. Utilizamos la norma para la función de pérdida del NMF y un término de restricción de coordenadas locales para hacer que nuestro método sea insensible a puntos atípic

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Minería de datos; Reconocimiento de patrones; Agrupación de genes; Factorización de matrices no negativas; Puntos atípicos; Restricción de coordenadas locales
• Keywords:Data mining; Pattern recognition; Gene clustering; Nonnegative matrix factorization; Outlier points; Local coordinate constraint