Heterogeneous Matrix Factorization: When Features Differ by Datasets
异质矩阵分解：不同数据集具有不同特征时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：摘要研究通用多源矩阵分解，虽涉及因子和时间序列案例，但不足以归为宏观或金融因子模型。
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…
异质矩阵分解：不同数据集具有不同特征时
- 研究问题
- 多个相关但特征不同的数据源同时包含共同信息和独有信息时，如何分离共享因子与来源特有因子并提供理论保证？
- 方法与思路
- 作者提出 HMF，利用目标函数的不变性维持共享与独有因子的正交性，采用可分布式实现的算法，并结合自编码器扩展。
- 材料陈述的贡献
- 摘要称平方误差损失下算法收敛到接近真实结构的最优解，并展示视频分割、时间序列特征提取和推荐系统案例。
- 阅读关注点
- 应核对共同与独有因子的识别、正交性和初始化要求，以及收敛与接近真实结构的条件是否延伸至非线性映射。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收。摘要未说明误差界和收敛条件，不能将平方损失结论推广至所有扩展。
原文摘要
In myriad statistical applications, data are collected from related but heterogeneous sources. These sources share some commonalities while containing idiosyncratic characteristics. One of the most fundamental challenges in such scenarios is to recover the shared and source-specific factors. Despite the existence of a few heuristic approaches, a generic algorithm with theoretical guarantees has yet to be established. In this paper, we tackle the problem by proposing a method called Heterogeneous Matrix Factorization to separate the shared and unique factors for a class of problems. HMF maintains the orthogonality between the shared and unique factors by leveraging an invariance property in the objective. The algorithm is easy to implement and intrinsically distributed. On the theoretic side, we show that for the square error loss, HMF will converge into the optimal solutions, which are close to the ground truth. HMF can be integrated auto-encoders to learn nonlinear feature mappings. Through a variety of case studies, we showcase HMF's benefits and applicability in video segmentation, time-series feature extraction, and recommender systems.