産業応用における高次元でまばらな行列からの非負の潜在因子の効率的抽出

高次元でまばらな（HiDS）行列は、推奨システムなどの多くのビッグデータ関連の産業応用で一般的に遭遇します。それらから有用なパターンを取得する際、非負行列因子分解（NMF）モデルは、非負データの優れた表現力のために非常に効果的であることが証明されています。しかし、現在のNMF技術は、a）HiDS行列に対処する非効率性、 b）柔軟性、拡張性、適応性に欠ける制約されたトレーニング方式の問題を抱えています。これらの問題に対処するため、本研究では、産業規模のまばら行列を新しい本質的非負潜在因子（INLF）モデルを介して因子分解することを提案します。このモデルは、出力因子と意思決定変数を単一要素依存のシグモイド関数を介して接続し、解の精度に影響を与えることなくトレーニングプロセスから非負制約を革新的に除去します。したがって、そのトレーニングプロセスは制約がなく、高い柔軟性を持ち、一般的な学習方式と互換性があります。産業応用から生成された5つのHiDS行列に対する実験結果は、INLFが既存のどの方法よりも効率的に非負の潜在因子を取得できることを示しています。