Non-Negative Stiefel Approximating Flow: Orthogonalish Matrix Optimization for Interpretable Embeddings
非负Stiefel近似流：面向可解释嵌入的正交化矩阵优化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：摘要内容属于机器学习中的可解释表示学习与矩阵优化方法，未涉及所提供列表中的因果推断、面板、时间序列、资产定价等计量经济细分方向，故不选择任何领域细分。
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…
非负Stiefel近似流：面向可解释嵌入的正交化矩阵优化
- 研究问题
- 摘要称，研究问题是如何在高维数据（如神经影像、基因组学、文本分析）的可解释表示学习中，平衡可解释性与模型灵活性，并同时获得稀疏、稳定且可解释的表示。
- 方法与思路
- 作者提出NSA-Flow矩阵估计框架，融合稀疏矩阵分解、正交化与约束流形学习；通过单一可调权重在重构保真度与逐列去相关之间连续权衡以施加结构化稀疏，并在Stiefel流形附近以光滑流配合近端更新实现非负性与自适应梯度控制。
- 材料陈述的贡献
- 摘要称该框架提供了一种在全局结构层面调控稀疏性的几何机制，目标可被光滑优化，并能与现有降维流程衔接；在Golub白血病数据集与阿尔茨海默病数据上的实证验证显示，其约束可在几乎不增加方法负担的情况下维持或改善相关方法的性能。
- 阅读关注点
- 应核对：单一权重如何具体控制稀疏与去相关的权衡；近端更新与自适应梯度控制的收敛性条件与计算代价；模拟与真实数据的评价指标、对比基线及可解释性度量；结论是否支持“维持或改善性能”的表述。
- 阅读边界
- 仅依据arXiv预印本摘要，未读全文；这是预印本，不能据此声称已同行评审或期刊接收。摘要未说明识别假设、定理、具体数值结果、超参数选择与统计显著性，相关性能与泛化性主张均待原文核实。
原文摘要
Interpretable representation learning is a central challenge in modern machine learning, particularly in high-dimensional settings such as neuroimaging, genomics, and text analysis. Current methods often struggle to balance the competing demands of interpretability and model flexibility, limiting their effectiveness in extracting meaningful insights from complex data. We introduce Non-negative Stiefel Approximating Flow (NSA-Flow), a general-purpose matrix estimation framework that unifies ideas from sparse matrix factorization, orthogonalization, and constrained manifold learning. NSA-Flow enforces structured sparsity through a continuous balance between reconstruction fidelity and column-wise decorrelation, parameterized by a single tunable weight. The method operates as a smooth flow near the Stiefel manifold with proximal updates for non-negativity and adaptive gradient control, yielding representations that are simultaneously sparse, stable, and interpretable. Unlike classical regularization schemes, NSA-Flow provides an intuitive geometric mechanism for manipulating sparsity at the level of global structure while simplifying latent features. We demonstrate that the NSA-Flow objective can be optimized smoothly and integrates seamlessly with existing pipelines for dimensionality reduction while improving interpretability and generalization in both simulated and real biomedical data. Empirical validation on the Golub leukemia dataset and in Alzheimer's disease demonstrate that the NSA-Flow constraints can maintain or improve performance over related methods with little additional methodological effort. NSA-Flow offers a scalable, general-purpose tool for interpretable ML, applicable across data science domains.