Fattorizzazioni di matrici e tensori non negativi: Applicazioni all'analisi esplorativa di dati multistrato e alla separazione cieca delle sorgenti

Recensioni dei lettori

Il libro è molto apprezzato per l'esplorazione approfondita delle tecniche di fattorizzazione di matrici non negative, fornendo numerosi esempi e codice. Serve sia come introduzione fondamentale sia come guida pratica per i concetti avanzati, anche se presenta alcune incoerenze e potrebbe beneficiare di un maggior numero di esempi pratici.

Ottimi esempi e varietà, utile raccolta di tecniche, presentazione completa e approfondita, parte dalle basi e arriva alle applicazioni pratiche, conciso e facile da seguire.

Alcune incoerenze nel testo, presuppone una certa familiarità con i trade-off degli algoritmi, manca di esempi pratici in alcune aree.

(basato su 4 recensioni dei lettori)

Titolo originale:

Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-Way Data Analysis and Blind Source Separation

Contenuto del libro:

Questo libro fornisce un'ampia rassegna di modelli e algoritmi efficienti per la fattorizzazione di matrici non negative (NMF). Include le varie estensioni e modifiche della NMF, in particolare le fattorizzazioni tensoriali non negative (NTF) e le decomposizioni non negative di Tucker (NTD). L'NMF/NTF e le sue estensioni sono sempre più utilizzati come strumenti per l'elaborazione di segnali e immagini e per l'analisi dei dati, avendo suscitato interesse per la loro capacità di fornire nuove intuizioni e informazioni rilevanti sulle complesse relazioni latenti negli insiemi di dati sperimentali. Si suggerisce che l'NMF possa fornire componenti significative con interpretazioni fisiche.

Ad esempio, in bioinformatica, l'NMF e le sue estensioni sono state applicate con successo all'espressione genica, all'analisi delle sequenze, alla caratterizzazione funzionale dei geni, al clustering e al text mining. Per questo motivo, gli autori si concentrano sugli algoritmi più utili nella pratica, esaminando quelli più veloci, robusti e adatti a modelli su larga scala.

Caratteristiche principali:

⬤ Costituisce un'unica fonte di riferimento per l'NMF, raccogliendo informazioni ampiamente disperse nella letteratura corrente, comprese le tecniche recentemente sviluppate dagli autori nell'area tematica.

⬤ Utilizza funzioni di costo generalizzate come Bregman, Alfa e Betadivergenze, per presentare implementazioni pratiche di diversi tipi di algoritmi robusti, in particolare gli algoritmi moltiplicativi, ai minimi quadrati alternati, a gradiente proiettato e quasi Newton.

⬤ Fornisce un'analisi comparativa dei diversi metodi per identificare l'errore di approssimazione e la complessità.

⬤ Include pseudocodici e codici sorgente MATLAB ottimizzati per quasi tutti gli algoritmi presentati nel libro.

Il crescente interesse per le matrici non negative e le fattorizzazioni di tensori, così come per le decomposizioni e la rappresentazione rada dei dati, farà sì che questo libro sia una lettura essenziale per ingegneri, scienziati, ricercatori, operatori del settore e studenti universitari nel campo dell'elaborazione dei segnali e delle immagini.

Neuroscienze.

Data mining e analisi dei dati.

Informatica.

Bioinformatica.

Elaborazione del parlato.

Ingegneria biomedica.

E multimedia.