Accélération de la factorisation pondérée en matrices non-négatives par projections aléatoires
Résumé
Random projections belong to the major techniques to process big data and have been successfully applied to, e.g., Nonnegative Matrix Factorization (NMF). However, they cannot be applied when weights are associated with the data. In this paper, we thus aim to solve this issue. We propose a novel framework which combines an expectation-maximization strategy with random projections. We experimentally show the proposed framework to significantly speed-up state-of-the-art NMF methods under mild conditions.
Les projections aléatoires font partie des principales techniques pour accélérer le traitement de données de grande dimension. Elles ont notamment été appliquées à la Factorisation en Matrices Non-négatives (FMN). Cependant, elles ne peuvent pas être appliquées lorsqu’une pondération est associée aux données. Dans cet article, nous proposons une technique pour répondre à cette problématique. Celle-ci combine une stratégie de maximisation de l’espérance et des projections aléatoires. Nous montrons expérimentalement qu’elle permet d’accélérer significativement plusieurs techniques de la littérature, sous des contraintes douces.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...