Die Nichtnegative Matrixfaktorisierung (NMF) ist ein Verfahren zur Dimensionsreduktion von Daten. Eine Matrix mit Einträgen in den nichtnegativen reellen Zahlen wird dabei linear in Faktoren vom Rang 1 zerlegt. Durch spezielle Algorithmen kann eine Zerlegung gefunden werden, bei der auch die einzelnen Faktoren nichtnegativ sind.
Die NMF hat ihre Wurzeln in der Chemometrik, wo sie bereits seit den 1970er Jahren bekannt war. In den 1990er Jahren veröffentlichten finnische Wissenschaftler Arbeiten zur positiven Matrixfaktorisierung. Den Durchbruch zur weiteren Verbreitung schaffte die NMF, als die amerikanischen Neurowissenschaftler Daniel D. Lee und Sebastian Seung 1999 in einem Artikel in der Fachzeitschrift Nature ihre Eigenschaften untersuchten und den einfachen multiplikativen Algorithmus zu ihrer Berechnung angaben.
Sei $X$ eine beliebige Matrix der Dimension $m \times n$ mit nichtnegativen Einträgen. Weiterhin sei die Anzahl der Komponenten $k \in \mathbb{N}$ gegeben, die kleiner als $m$ und als $n$ sei. Die nichtnegative Matrixfaktorisierung besteht dann aus einer Matrix $W$ der Dimension $m \times k$ und einer Matrix $H$ der Dimension $k \times n$, die beide nichtnegative Einträge besitzen und gemeinsam die Frobeniusnorm der Differenz minimieren.
Ein Beispiel für die Anwendung der NMF ist die Analyse von Neuronenaktivitäten in einem Video. Die Matrix $X$ enthält die Helligkeitswerte des Videos, die Zeilen stellen die einzelnen Zeitpunkte dar, die Spalten die einzelnen Bildpunkte (Pixel) des Videos. Durch die Anwendung der NMF kann die Aktivität der Neuronen in sechs Komponenten zerlegt werden, die jeweils einen zeitlichen und einen räumlichen Faktor darstellen.
Es gibt verschiedene Algorithmen zur Berechnung der NMF, wie z.B. die multiplikative Methode und die alternierende Least-Squares-Näherung. Die Wahl des Algorithmus hängt von der spezifischen Anwendung und den Eigenschaften der Daten ab.
Die NMF findet Anwendungen in verschiedenen Gebieten, wie z.B. der Astronomie, der Computer-Vision, der Dokument-Clustering, der fehlenden Daten-Imputation, der Chemometrik, der Audio-Signal-Verarbeitung, den Recommender-Systemen und der Bioinformatik.
Die NMF bietet several Vorteile, wie z.B. die Fähigkeit, komplexe Daten in einfache und interpretierbare Faktoren zu zerlegen, die Robustheit gegenüber fehlenden Daten und die Möglichkeit, die Dimensionalität der Daten zu reduzieren.
Die Nichtnegative Matrixfaktorisierung ist ein leistungsfähiges Verfahren zur Dimensionsreduktion von Daten, das in verschiedenen Gebieten Anwendungen findet. Durch die Fähigkeit, komplexe Daten in einfache und interpretierbare Faktoren zu zerlegen, bietet die NMF eine Vielzahl von Vorteilen für die Datenanalyse und -interpretation.
* KI-Zusammenfassungen können Fehler enthalten. Alle Angaben ohne Gewähr.