ارائه روشي جديد بر مبناي تجزيه ماتريس غير منفي براي كاهش ابعاد

يادگيري ماشين در طي دهه‌هاي گذشته به دليل طيف گسترده كاربردهاي آن مورد استفاده زيادي قرار گرفته است. در اكثر كاربردهاي يادگيري ماشين مانند خوشه‌بندي و طبقه‎بندي، ابعاد داده‎ها زياد مي‌باشد و استفاده از روش‌هاي كاهش ابعاد داده ضروري است. تجزيه ماتريس غير منفي با استفاده از استخراج ويژگي‌ها معنايي از داده‌هاي با ابعاد زياد كاهش ابعاد را انجام مي‌دهد و در تجزيه ماتريس غير منفي فقط نحوه مدل‌سازي هر بردار ويژگي در ماتريس‌هاي تجزيه‌شده را در نظر مي‎گيرد و روابط بين بردارهاي ويژگي را ناديده مي‌گيرد. ارتباطات ميان بردارهاي ويژگي، تجزيه بهتري را براي كاربردهاي يادگيري ماشين فراهم مي‌كنند. در اين مقاله، يك روش بر مبناي تجزيه ماتريس غير منفي براي كاهش ابعاد داده‎ها ارائه شده كه محدوديت‌هايي را بر روي هر جفت‌بردارهاي ويژگي با استفاده از معيارهاي مبتني بر فاصله ايجاد مي‌كند. روش پيشنهادي از نرم فروبنيوس به عنوان تابع هزينه براي ايجاد قوانين به روز رساني استفاده مي‎كند. نتايج آزمايش‌ها روي مجموعه داده‌ها نشان مي‌دهد كه قوانين به روز رساني ضربي ارائه‌شده، سريع همگرا مي‌شوند و در مقايسه با الگوريتم‌هاي ديگر نتايج بهتري را ارائه مي‌كنند.