校正非负矩阵分解（NMF）学习到的表示

基于摘要分析。本文研究非负矩阵分解（NMF）所得特征的非正交性问题，提出对已学习表示进行线性校正的方法，以改善其在 NMF 聚类算法中的使用效果；原研究对象是非负数据的表示与聚类，并非 EEG 或 BCI。 NMF 将非负数据矩阵近似分解为两个非负矩阵的乘积。作者认为，所得特征的非正交性会妨碍表示的有效利用，因此先计算适应该特征的特征空间度量，再对度量进行 Cholesky 分解，提取上三角矩阵，并以该矩阵作为对 NMF 表示的线性映射。摘要未给出度量的具体定义、数值条件及映射后表示的约束，这些内容需查阅正文核对。 作者报告，将该方法应用于现有 NMF 聚类算法并在真实数据集上评估后，算法性能得到改善，且在特征数量较多时仍表现稳健。摘要未列出数据集名称、样本规模、聚类指标、对照配置或提升幅度，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析采用非负时频功率等特征，并通过 NMF 获取聚类表示，可假设该度量校正有助于减少非正交基对距离计算的影响。可复用的是度量计算与线性映射步骤，需适配的是 EEG 的非负输入构造及跨被试、跨通道的特征对齐；低信噪比、小样本和高度相关特征可能使度量估计或 Cholesky 分解不稳定。一个可检验的小实验是在固定被试内划分下，仅用训练数据拟合 NMF 与校正映射，比较相同聚类算法在校正前后的留出数据表现及噪声敏感性。该假设不代表已证实的 EEG 收益，相关 EEG 工作尚未检索确认。