改进的图正则化判别非负矩阵分解方法在半监督聚类中的应用

《IEEE Women in Engineering Magazine》：Improved graph-regularized discriminative nonnegative matrix factorization for semi-supervised clustering

　　```

摘要：

非负矩阵分解（NMF）是一种有效的降维和表示学习技术，它通过学习低维的、基于部分的表示来捕捉非负数据的内在结构。通过结合少量的标签信息，半监督NMF可以进一步提升学习到的表示在聚类任务中的判别能力。在本文中，我们提出了一种改进的图正则化判别非负矩阵分解模型，称为IGDNMF。该模型通过图拉普拉斯正则化保持了局部流形结构，同时引入了判别性约束，这些约束可以对标记样本的表示进行缩放和旋转，促使它们在学习到的表示空间中沿着特定类别的轴对齐，从而提高类别的可分性。在五个真实世界数据集上的广泛聚类实验表明，IGDNMF的性能始终优于几种最先进的半监督NMF方法。

```