1-4. NMF

본 글은 K-MOOC의 인공지능 수학 고급(Advanced Mathematics for AI) 강의를 듣고 요약한 글입니다.

자연속의 데이터들

자연의 데이터는 대부분 음이 아닌 수 (0 또는 양수)로 주어진다.

• Pixel Intensity
• Occurrence counts
• Food consumption
• User scores
• Stock market values

이를 분석할 때 우리가 음수가 아니라는 조건을 이용한다면 이를 좀 더 잘 분석할 수 있을 것이다.

이런 가정을 통해 행렬분해를 진행하는 것이 비음 분해(Nonnegative Matrix Factorization, NMF)가 된다.

Nonnegative Matrix Factorization

• $A$: $F\times N$ 행렬

  • $N$ 개의 문서, 예시, 결과
  • $F$ 개의 단어, 특성
  • $a_n$: $n$번째 열 벡터

• $W$: $F\times K$ 행렬

• $H$: $K\times N$ 행렬

이 때 우리는 다음과 같은 방법을 통해 NMF의 추정값$A \approx WH = \hat{A}$을 구할 수 있다.

이 때 거리 함수 $d$는 다음 조건을 만족해야 한다.

• $d(x|y)$ 는 연속적이어야 한다.
• $x,y\ge 0$에 대해 $d(x|y) \ge 0$ 이어야 한다.
• $x=y$ 라면 $d(x|y) = 0$ 이어야 한다.

다음은 유명한 거리함수들이다.

• Euclidean distance
  $d(x, y) = (x-y)^2$
• Kullback-Leibler divergence
  $d(x, y) = x\log\frac x y-x+y$
• Itakura-Saito divergence
  $d(x, y) = \frac{x}{y} - \log\frac{x}{y} - 1$

Weighted Nonnegative Matrix Factorization

행렬의 위치에 따라 그 가중치를 다르게 하고 싶을 때가 있다.

어떤 영역을 더 강조하고 싶다거나 어떤 영역을 배제하고 싶다던가 할 때, 다음과 같은 가중치를 통해서 NMF를 수행할 수도 있다.