[論文レビュー] NIMFA: A Python Library for Nonnegative Matrix Factorization

Marinka Žitnik, Blaž Zupan|arXiv (Cornell University)|Aug 6, 2018

Image Retrieval and Classification Techniques参考文献 15被引用数 83

ひとこと要約

NIMFA は、非負行列因子分解アルゴリズムへの統一インターフェースを提供するオープンソースの Python ライブラリで、 dense および sparse 行列をサポートし、実験と拡張を容易にするコンポーネントベースの設計を備えています。

ABSTRACT

NIMFA is an open-source Python library that provides a unified interface to nonnegative matrix factorization algorithms. It includes implementations of state-of-the-art factorization methods, initialization approaches, and quality scoring. It supports both dense and sparse matrix representation. NIMFA's component-based implementation and hierarchical design should help the users to employ already implemented techniques or design and code new strategies for matrix factorization tasks.

研究の動機と目的

• 非負行列因子分解（NMF） のための統一的で拡張可能な Python ライブラリを提供する。
• 幅広い NMF アルゴリズム、初期化、および品質指標をサポートする。
• 手法の容易な組み合わせと新しい因子分解戦略の迅速なプロトタイピングを可能にする。

提案手法

• 標準的な NMF モデル V ≈ W H を、さまざまなコスト関数（ユークリッド、KL、フロベニウス、発散、結合度）で実装する。
• 複数の最適化アルゴリズムをサポート（例：投影勾配法、交互最小二乗法、ベイズ/ギブスサンプリング、確率的NMF）
• 疎行列と密行列表現を含み、さまざまな初期化法をサポート（例：NNDSVD、乱数 Vcol）
• ノンスタンダードなモデル（例：非滑らかな NMF、複数モデル因子分解）およびバイナリ NMF のバリアントを提供する。
• 前処理、初期化、最適化、品質スコアリングのコンポーネントを組み合わせるための、モジュール型・コンポーネントベースのアーキテクチャを提供する。

実験結果

リサーチクエスチョン

• RQ1 統一された Python ライブラリで利用可能にすべき NMF のバリアントと最適化戦略は何か？
• RQ2 初期化と品質指標をどのように統合して、NMF 結果の収束性と解釈性を向上させるか？
• RQ3 コンポーネント指向の設計は、新しい NMF 手法と設定の迅速な構築と検証を促進できるか？
• RQ4 NIMFA は疎データと大規模因子分解タスクをどの程度サポートしているか？

主な発見

• NIMFA は多数の NMF アルゴリズム、初期化、および品質指標の実装を提供する。
• 密行列と疎行列の両方をサポートし、階層的および非標準の因子分解モデルを含む。
• 髄芽腫遺伝子発現データを用いた例は、Rss、Evar、KL 距離、スパース性などの実用的な出力を示す。
• サンプル実行は Rss: 0.1895, Evar: 0.9998, KL divergence: 38.6581, sparseness W: 0.7279, sparseness H: 0.8739 を示す。