Resumen

Presentamos un novedoso método, llamado factorización de matriz no negativa dispersa de gráficos, para la reducción de dimensionalidad. El grafo de afinidad y la restricción dispersa son considerados adicionalmente en la factorización de matriz no negativa y se muestra que el método propuesto de factorización de matriz puede respetar la estructura de grafo intrínseca y proporcionar la representación dispersa. A diferencia de algunos métodos tradicionales existentes, se desarrolló una red neuronal inercial, que puede ser utilizada para optimizar nuestro problema propuesto de factorización de matriz. Al adoptar un parámetro en la red neuronal, se puede buscar la solución óptima global. Finalmente, las simulaciones en ejemplos numéricos y el agrupamiento en datos del mundo real ilustran la efectividad y el rendimiento del método propuesto.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Método; Gráfico; Disperso; Factorización de matrices no negativas; Red neuronal; Optimización
• Keywords:Method; Graph; Sparse; Nonnegative matrix factorization; Neural network; Optimization