Resumen

La factorización de matrices no negativas (NMF, por sus siglas en inglés) es una herramienta útil para aprender una representación básica de datos de imágenes. Sin embargo, su rendimiento y aplicabilidad en escenarios reales son limitados debido a la falta de información de imagen. En este artículo, proponemos un algoritmo de descomposición de matrices restringido para la representación de imágenes que contiene parámetros asociados con las características de los conjuntos de datos de imágenes. En particular, imponemos información de etiqueta como restricciones adicionales al algoritmo de aprendizaje no supervisado NMF de divergencia- como restricciones duras adicionales al algoritmo de aprendizaje no supervisado NMF de la divergencia-. El algoritmo resultante se deriva utilizando las condiciones de Karush-Kuhn-Tucker (KKT, por sus siglas en inglés) así como el gradiente proyectado y su convergencia local monótona se demuestra utilizando funciones auxiliares. Además, proporcionamos un método para seleccionar los parámetros de nuestro algoritmo de descomposición de matrices

• Materias:Sistemas no lineales Dinámica no lineal Red de tráfico dinámico Algoritmo alométrico Sistema conmutado
• Subjects:Nonlinear systems Nonlinear dynamics Dynamic traffic network Allometric algorithm Switched system
• Palabras claves:Factorización de matrices; Datos de imagen; Algoritmo; Restricciones; Aprendizaje no supervisado; Precisión de clasificación
• Keywords:Matrix factorization; Image data; Algorithm; Constraints; Unsupervised learning; Classification accuracy