Nonnegative Matrix Factorization in Dimensionality Reduction: A Survey

要約

次元削減は、冗長な特徴、ノイズ、無関係なデータを除去することにより、特徴学習の精度を向上させ、学習時間を短縮する上で極めて重要な役割を果たす。非負行列因子分解（NMF）は、次元削減のための一般的で強力な手法として登場した。その広範な利用にもかかわらず、次元削減の文脈におけるNMFの包括的な分析の必要性が残っている。このギャップに対処するため、本稿では、特徴抽出と特徴選択の両方における応用に焦点を当て、NMFの包括的なサーベイを行う。次元削減の分類を紹介し、基礎となる概念の理解を深める。その後、特徴抽出と特徴選択に使用される多様なNMFアプローチを徹底的に要約する。さらに、次元削減におけるNMFの最新の研究動向と潜在的な将来の方向性について議論し、さらなる探求と開発が必要な領域を強調することを目指す。

要約(オリジナル)

Dimensionality Reduction plays a pivotal role in improving feature learning accuracy and reducing training time by eliminating redundant features, noise, and irrelevant data. Nonnegative Matrix Factorization (NMF) has emerged as a popular and powerful method for dimensionality reduction. Despite its extensive use, there remains a need for a comprehensive analysis of NMF in the context of dimensionality reduction. To address this gap, this paper presents a comprehensive survey of NMF, focusing on its applications in both feature extraction and feature selection. We introduce a classification of dimensionality reduction, enhancing understanding of the underlying concepts. Subsequently, we delve into a thorough summary of diverse NMF approaches used for feature extraction and selection. Furthermore, we discuss the latest research trends and potential future directions of NMF in dimensionality reduction, aiming to highlight areas that need further exploration and development.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL