एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
गैर-नकारात्मक आव्यूह गुणनखंड
एक मैट्रिक्स विघटन एल्गोरिथ्म जो एक मैट्रिक्स V को दो गैर-नकारात्मक मैट्रिक्स W और H में विभाजित करता है जहाँ V ≈ WH। यह गैर-नकारात्मकता बाधा घटकों के एक योगात्मक व्याख्या की अनुमति देती है, जिससे परिणाम अधिक आसानी से व्याख्या योग्य होते हैं।
आधार मैट्रिक्स
NMF विघटन (V ≈ WH) में मैट्रिक्स W जो आधार वैक्टर या प्रोटोटाइप रखता है जो मूल डेटा से निकाली गई मूल विशेषताओं का प्रतिनिधित्व करते हैं। इस मैट्रिक्स का प्रत्येक कॉलम डेटा में मौजूद एक पैटर्न या छिपी हुई विशेषता को कैप्चर करता है।
गुणांक मैट्रिक्स
NMF विघटन (V ≈ WH) में मैट्रिक्स H जो भार या सक्रियण गुणांक रखता है जो दर्शाते हैं कि प्रत्येक आधार विशेषता मूल डेटा के पुनर्निर्माण में कैसे योगदान देती है। ये गुणांक प्रत्येक नमूने को आधार विशेषताओं के योगात्मक संयोजन के रूप में दर्शाने की अनुमति देते हैं।
गुणनफल अपडेट एल्गोरिथ्म
NMF के लिए विशिष्ट पुनरावृत्ति अनुकूलन एल्गोरिथ्म जो गुणन अपडेट नियमों का उपयोग करके मैट्रिक्स W और H को अपडेट करता है जो गैर-नकारात्मकता की गारंटी देता है। यह एल्गोरिथ्म वैकल्पिक रूप से मैट्रिक्स W और H को कम करता है जबकि उनके तत्वों को गैर-नकारात्मक रखता है।
पुनर्निर्माण लागत
मूल मैट्रिक्स V और इसके गुणनखंड WH के बीच त्रुटि का मात्रात्मक माप, आमतौर पर फ्रोबेनियस दूरी या KL डाइवर्जेंस के रूप में गणना की जाती है। यह मेट्रिक अनुकूलन प्रक्रिया का मार्गदर्शन करता है और प्राप्त विघटन की गुणवत्ता का मूल्यांकन करता है।
छिपी हुई विशेषताएँ
कच्चे डेटा से NMF द्वारा खोजी गई अदृश्य अंतर्निहित घटक, जो आंतरिक पैटर्न या संरचनाओं का प्रतिनिधित्व करते हैं। ये विशेषताएं स्वाभाविक रूप से विघटन से उभरती हैं और डेटा में छिपे हुए संबंधों का खुलासा करती हैं।
विरलता
NMF में एक वांछित गुण जहाँ मैट्रिक्स W या H के अधिकांश तत्व शून्य या शून्य के करीब होते हैं, जो अधिक व्याख्या योग्य प्रतिनिधित्व को बढ़ावा देता है। विरलता बाधा सबसे प्रासंगिक विशेषताओं को अलग करने और अतिरेक को कम करने में मदद करती है।
ऑर्थोगोनल NMF
NMF का एक वेरिएंट जो गुणांक मैट्रिक्स H पर ऑर्थोगोनलिटी बाधा लगाता है, जो डेटा को अलग-अलग क्लस्टर में स्पष्ट रूप से विभाजित करने को बढ़ावा देता है। यह दृष्टिकोण विशेषताओं के पृथक्करण में सुधार करता है और क्लस्टरिंग कार्यों में परिणामों की व्याख्या में सुविधा प्रदान करता है।
स्पार्स एनएमएफ
एनएमएफ का विस्तार जो मैट्रिसेस W या H पर अतिरिक्त स्पार्सिटी बाधाओं को शामिल करता है ताकि अधिक संक्षिप्त प्रस्तुतियां प्राप्त की जा सकें। यह विधि विशेष रूप से विशेषता चयन और सबसे महत्वपूर्ण घटकों की पहचान के लिए प्रभावी है।
कॉन्वेक्स एनएमएफ
एनएमएफ का एक प्रकार जहां बेस वेक्टर मूल नमूनों के कॉन्वेक्स संयोजन होने के लिए बाध्य होते हैं, जिससे परिणामों की व्याख्यात्मकता में सुधार होता है। यह दृष्टिकोण सुनिश्चित करता है कि प्रत्येक खोजी गई विशेषता को इनपुट डेटा के भारित औसत के रूप में व्यक्त किया जा सकता है।
वैकल्पिक इटरेशन
एनएमएफ में अनुकूलन रणनीति जहां मैट्रिसेस W और H को वैकल्पिक रूप से अपडेट किया जाता है, एक तय रहता है जबकि दूसरा अनुकूलित होता है। यह दृष्टिकोण गैर-नकारात्मकता बाधाओं को बनाए रखते हुए स्थानीय रूप से इष्टतम समाधान की ओर अभिसरण सुनिश्चित करता है।
स्थानीय अभिसरण
एनएमएफ एल्गोरिदम की विशेषता जो समस्या की गैर-उत्तलता के कारण वैश्विक बजाय स्थानीय इष्टतम की ओर अभिसरण करते हैं। अंतिम समाधान की गुणवत्ता अक्सर आरंभीकरण पर निर्भर करती है और सर्वोत्तम अपघटन खोजने के लिए कई निष्पादन की आवश्यकता हो सकती है।
यादृच्छिक आरंभीकरण
एनएमएफ एल्गोरिथ्म को शुरू करने की एक सामान्य विधि जिसमें मैट्रिसेस W और H को गैर-नकारात्मक मानों के साथ यादृच्छिक रूप से आरंभीकृत किया जाता है। आरंभीकरण अभिसरण और अनुकूलन के बाद प्राप्त अंतिम समाधान की गुणवत्ता को महत्वपूर्ण रूप से प्रभावित करता है।
वर्गीकरण के लिए एनएमएफ
आयामी घटाने तकनीक के रूप में एनएमएफ का अनुप्रयोग जहां मैट्रिक्स H के गुणांक वर्गीकरण एल्गोरिदम के लिए विशेषताओं के रूप में उपयोग किए जाते हैं। यह दृष्टिकोण अधिक विभेदक प्रस्तुतियां प्रदान करके अक्सर वर्गीकरण प्रदर्शन में सुधार करता है।
क्लस्टरिंग के लिए एनएमएफ
डेटा में प्राकृतिक क्लस्टरिंग संरचना खोजने के लिए एनएमएफ का उपयोग, मैट्रिक्स H के गुणांकों को क्लस्टरों में संबंध के रूप में व्याख्या करते हुए। प्रत्येक नमूने को उसकी प्रस्तुति में अधिकतम गुणांक से मेल खाने वाले क्लस्टर को सौंपा जाता है।
प्रायिकत्व एनएमएफ
एनएमएफ के लिए प्रायिकत्व फ्रेमवर्क जो डेटा को प्वासॉं या गाऊसीयन जैसे सांख्यिकीय वितरण के साथ मॉडल करता है, फैक्टराइजेशन का एक बेयसियन व्याख्या प्रदान करता है। यह दृष्टिकोण पूर्व ज्ञान को एकीकृत करने और अनुमानों की अनिश्चितता को मात्रात्मक रूप से व्यक्त करने की अनुमति देता है।
रेगुलराइज्ड NMF
NMF का विस्तार जो फ़ंक्शन ऑब्जेक्टिव में रेगुलराइज़ेशन टर्म्स को शामिल करता है ताकि मॉडल की जटिलता को नियंत्रित किया जा सके और ओवरफिटिंग से बचा जा सके। रेगुलराइज़ेशन फैक्टराइज़्ड मैट्रिसेस पर स्पार्सिटी, स्मूथिंग या अन्य वांछित गुणों के लिए बाधाएं लगा सकता है।