NMF-FFB: Non-negative matrix factorization with feedforward-feedback structure
NMF-FFB：具有前馈-反馈结构的非负矩阵分解AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将方法定位为数据拟合式结构方程建模并嵌入联立方程与潜在反馈，属于结构估计范畴；其余领域细分在摘要中没有直接文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
NMF-FFB：具有前馈-反馈结构的非负矩阵分解
- 研究问题
- 摘要称，标准协变量感知的非负矩阵分解是前馈式的，系数仅依赖外生变量、内生变量之间没有潜在反馈；本文要问的是，能否在非负矩阵分解中嵌入内生变量间的联立方程结构，从而刻画潜在反馈与累积放大效应。
- 方法与思路
- 作者提出 NMF-FFB，把联立方程 B=Θ₁Y₁+Θ₂Y₂ 嵌入非负矩阵分解，Θ₁ 为非负潜在反馈、Θ₂ 为非负外生路径；估计采用带正交与稀疏惩罚的正则化乘法更新，并用 X 固定的自助法汇总反馈谱半径、放大比与路径系数的不确定性。
- 材料陈述的贡献
- 摘要称其定位为数据拟合式的结构方程建模：直接拟合 Y₁ 而非模型隐含协方差，不是验证性测量模型，也不替代标准验证性因子分析假设下的极大似然结构方程模型；当谱半径小于一时，简约式给出潜在 Leontief 逆，将直接效应与累积反馈放大效应分离。
- 阅读关注点
- 应核对：谱半径小于一条件的含义与检验方式；正则化乘法更新的收敛性与惩罚项选择；X 固定自助法的有效性依据；三个应用数据中潜在反馈机制的具体设定；以及摘要未说明的识别假设与估计量性质。
- 阅读边界
- 这是 arXiv 预印本摘要，未经同行评审或期刊接收验证；摘要未说明识别条件、渐近性质、模拟表现与比较基准，三个应用仅称展示了可解释的部件式表示，不能据此判断方法优劣或结论稳健性。
原文摘要
Non-negative matrix factorization (NMF) approximates a non-negative endogenous data matrix as $Y_1 \approx XB$, with non-negative latent components $X$ and coefficients $B$. Standard covariate-aware NMF is feedforward: $B$ depends only on exogenous variables $Y_2$, with no latent feedback among endogenous variables. We propose NMF-FFB (NMF with feedforward-feedback structure), an exploratory data-fitting framework that embeds the simultaneous equation $B = Θ_1 Y_1 + Θ_2 Y_2$ in NMF, where $Θ_1$ is non-negative latent feedback and $Θ_2$ non-negative exogenous pathways. NMF-FFB is positioned within data-fitting structural equation modeling (SEM): it fits $Y_1$ directly rather than a model-implied covariance, and is not a confirmatory measurement model or a replacement for maximum-likelihood SEM under standard confirmatory factor analysis assumptions. When $ρ(XΘ_1)<1$, the reduced form $Y_1 \approx (I-XΘ_1)^{-1} XΘ_2 Y_2$ defines a latent Leontief inverse separating direct from cumulative feedback-amplified effects. Estimation uses regularized multiplicative updates with orthogonality and sparsity penalties; an $X$-fixed bootstrap summarizes uncertainty for the feedback spectral radius, the amplification ratio, and path coefficients. Unlike conventional SEM, NMF-FFB requires only the latent rank $Q$ and lets $X$ group endogenous indicators into latent factors. This suits non-negative additive data, automatic loading discovery, Leontief-type cumulative effects, and small samples where covariance-based maximum-likelihood fitting is ill-conditioned. Applications to Holzinger-Swineford, Los Angeles pollution-mortality, and Mississippi county-level health data demonstrate interpretable parts-based representations across distinct latent-feedback regimes.