Factorisation archétypale en matrices non-négatives avec données manquantes

Abstract : L'analyse archétypale (AA), ou factorisation convexe en matrices non-négatives (CNMF), est une variante de la factorisation en matrices non-négatives (NMF), dans laquelle les composantes obtenues sont exprimées comme une combinaison convexe d'exemples appelés archétypes. Dans cette contribution, nous proposons d'étendre AA/CNMF au cas où la matrice des données et la matrice des archétypes sont partiellement observées. Après avoir reformulé le problème dans ce contexte de données manquantes, nous proposons un algorithme de type Majorisation-Minimisation pour l'estimation des facteurs de la décomposition puis la reconstruction des données manquantes. Une comparaison est réalisée sur des données synthétiques, mettant en évidence une amélioration des performances de reconstruction de données manquantes par rapport à la NMF classique. L'écart de performance se révèle particulièrement intéressant lorsque le bruit est important ou que le nombre de données manquantes est grand.
Type de document :
Communication dans un congrès
Conférence francophone sur l'apprentissage automatique (CAp), Jul 2016, Marseille, France. 2016, <http://cap16.lif.univ-mrs.fr/>
Liste complète des métadonnées

https://hal-amu.archives-ouvertes.fr/hal-01334618
Contributeur : Valentin Emiya <>
Soumis le : mardi 21 juin 2016 - 09:57:08
Dernière modification le : mardi 21 février 2017 - 01:09:27

Identifiants

  • HAL Id : hal-01334618, version 1

Citation

Ronan Hamon, Valentin Emiya, Cédric Févotte. Factorisation archétypale en matrices non-négatives avec données manquantes. Conférence francophone sur l'apprentissage automatique (CAp), Jul 2016, Marseille, France. 2016, <http://cap16.lif.univ-mrs.fr/>. <hal-01334618>

Partager

Métriques

Consultations de la notice

158