Structured Sparse Non-negative MatrixFactorization with -L_{2,0}-Norm文献简读

paper:Structured Sparse Non-negative MatrixFactorization with -Norm

 矩阵L0范数的定义：

 where I(x) = 1 if x 0, I(x) = 0 if x = 0.（本质上是W中不为0的的个数）；

 表示不为0 的列的个数。

为了进行特征选择提出了以下模型：

 为了去掉限制条件，将上式转化为（）：

 具体优化方法：

其中D_h^t,D_w^t表示Lipschitz continuous参数。

实验结果：

 结论：总体来说算法收敛较快，基于L20的NMF算法效果有较大的提升。基于PAML和maPAML的优化算法值得学习。