深度学习（三十一）基于深度矩阵分解的属性表征学习

基于深度矩阵分解的属性表征学习

原文地址：http://blog.csdn.NET/hjimce/article/details/50876956

作者：hjimce

一、相关概念

本篇博文主要讲解文献《A deep matrix factorization method for learning attribute representations》。这篇主要借助于深度学习的思想，提出贪婪的半非负矩阵分解SNMF方法，其思想与栈式自编码网络一样的训练方法，首先通过逐层分解作为预分解结果，然后再整体微调训练。因为这篇文献我看到后面，感觉计算量非常大，不是很喜欢这文献，所以我也没有全部细看。

虽然文献一开始讲的是深度半非负矩阵分解，属于线性分解。不过作者对目标优化函数进行了多次进化，同时还结合了半监督约束项，因此到了最后算法基本上就跟神经网络非常类似了(也包含了非线性激活函数映射)。

开始讲解paper前，先学一些基础概念：

(1)矩阵分解简单概述

在机器学习领域，矩阵分解家族是经常遇到的一类算法，如：PCA、K-means、NMF、SNMF、谱聚类、稀疏编码、SVD、白化、ICA等，它们的目标基本上都是对X矩阵进行分解：

X=Z*H

然后不同的算法，采用不同的约束条件(对Z、H进行约束)，具体请参考文献《The Advanced Matrix Factorization》。在机器学习中，特征这个词具体是什么东西？如果从矩阵分解的角度来讲的话：

X=Z*H

X是训练样本。矩阵Z根据不同的应用场景，又可以称之为：权值矩阵、基矩阵(如PCA)、字典(如稀疏编码、k-means)、变换矩阵。

矩阵H也称之为：特征矩阵、投影坐标、系数矩阵、编码矩阵(如稀疏编码、k-means)。矩阵分解家族基本上都是无监督学习算法，而所谓的无监督表征学习，说的简单一点就是求解H矩阵。

(2)非负矩阵分解NMF定义

非负矩阵分解定义：给定样本矩阵X=[x1,x2……xn]，其中该矩阵的每一列表示一个样本，矩阵的所有元素都是非负的(比如x的每一列是一张图片样本，x中的元素都是非负的)，非负矩阵分解的目标就是要对X进行分解，公式如下：

 

并且分解后的矩阵Z、H都是非负矩阵(矩阵元素都是非负的)，其中Z称之为基矩阵，H称之为系数矩阵。

(2)半非负矩阵分解SNMF定义

为了扩展非负矩阵的应用场景，有时候我们的样本矩阵X并不是非负矩阵，于是就有了半非负矩阵：

 

半非负矩阵只是要求H为非负矩阵，对于数据矩阵X和基矩阵Z并没有要求。这个思想和聚类量化一样，Z的每一列表示聚类中心并不需要做非负约束，H表示特征矩阵，这使得我们可以从原始数据中学习到低维的特征。

二、基础回顾

这一部分先简单复习一下单层的半非负矩阵分解算法。

1、与k-means的关系

半监督非负矩阵分解和k均值聚类很相似。半非负矩阵分解中，我们允许数据矩阵X和因子矩阵Z中的元素可正可负，同时约束H矩阵为非负矩阵：

 

从聚类的角度来讲，Z=[z1,z2……zn]的每一列就是我们的聚类中心，H的每一列就是我们的编码矢量。如果对半非负矩阵分解，加入约束条件H是行正交矩阵，即H*H^T=I，同时H的每一列只有一个正数，其它的都为0：

 

半非负矩阵与k均值聚类的区别在于：半非负矩阵分解并没有要求H矩阵的行向量是相互正交的，我们也可以把它看成是软聚类，k-means可以看成是SNMF的特例。

2、半非负矩阵求解算法

目标函数：

 

我们的目标是求解Z、H，可以采用固定其中的一个，然后更新另外一个变量：

(1)首先固定H矩阵，那么我们就可以求解Z：

 

其中H+表示H矩阵的伪逆矩阵。

(2)更新H矩阵：

因为我们要求H矩阵是非负矩阵，因此我们就需要采用上面的矩阵进行更新，其中Apos矩阵表示：

 

Apos表示把矩阵所有负值元素全部置0，剩下的非负矩阵。反之，Aneg就表示负矩阵，也就是矩阵中正的元素全部置0

具体matlab源码实现如下：

[python] view plain copy

 

1. Z = X * pinv(H);%更新Z矩阵  
2.   
3. A = Z' * X;%求Z的转置乘以X  
4. Ap = (abs(A)+A)./2;  
5. An = (abs(A)-A)./2;  
6.   
7. B = Z' * Z;%Z^T*Z  
8. Bp = (abs(B)+B)./2;  
9. Bn = (abs(B)-B)./2;  
10.   
11. H = H .* sqrt((Ap + Bn * H) ./ max(An + Bp * H, eps));%更新H矩阵总公式  

三、算法概述

虽然一开始文献讲解的是深度半非负矩阵的分解，不过到了最后算法经过了好几个阶段的进化，结合了非线性激活函数、半监督学习约束，所有到了最后公式基本已经跟最初的半非负矩阵分解区别很大了。文献算法的讲解从多层线性分解-》非线性分解-》半监督非线性分解，进行算法的进化，下面先简单讲解文献的总体思路。

1、第一次进化：深度线性分解

文献首先先提出了深度半非负矩阵分解公式：

这部分需要我们学习的主要是：逐层贪婪分解、整体损失微调。

2、第二次进化：深度非线性分解

因为线性分解不能表达复杂的特征，所以在步骤1的基础上，引入了非线性激活函数:

 

 

g表示非线性激活函数，这样就跟神经网络非常相似了。

3、第三次进化：弱监督非线性分解

在步骤2的基础上，加入了约束项，结合先验知识在里面，使得每一层分解的特征矩阵H符合我们所需要的属性(如果没有监督，那么是自动分解X)：

也就是引入了约束项Tr(H^T*L*H)。

四、第一次进化——深度线性分解

1、相关描述

OK，终于到了关键部分了。对于SNMF我们的目标是求解一个低维H+矩阵，用于表征原始的数据X。在大部分情况下，我们所要分析的数据X属性是未知的，其包含着多种属性，比如paper所要处理的人脸图片是各种角度、光照、表情、以及不同的人。因此我们采用多层分解，相比于单层的SNMF来说，更能表达出人脸的多种属性。下面是单层分解与多层分解示意图：

文献提出了深度半非负矩阵分解模型，给定数据X我们把它分解层M+1个因子：

这个也可以写成：

 

通过每一层的分解，每一层提取到的特征Hi，然后我们可以对每一层H实现相应的任务。比如文献示意图如下，其对每一层的H做了k-means聚类，可以聚类出不同的属性。

 

这个具体可以看一下最上面聚类结果。

2、算法实现

采用类似于栈式自编码网络一样的训练方法，分成逐层预训练、整体微调两个阶段。

(1)预训练阶段。

A、把X=Z1*H1，完成第一层分解；

B、对H1继续分解H1=Z2*H2，完成第二层分解；

如此循环下去，把所有的层都进行了预训练。

(2)整体微调。通过最小化损失函数：

 

这一步通过求解偏导数，然后继续进行梯度下降，具体公式推导看文献。最后的伪代码实现为：

主要分为逐层预分解和整体微调两个阶段。

后面文献还了引入非线性、半监督，因为我感觉计算量越来越大，学到的东西不是很多，所以就没有具体细看后面各种公式的推导。最后文献算法的伪代码为：

个人总结：这篇文献主要是把深度学习的方法，引入矩阵分解中，实现深度无监督表征学习，思想值得我们学习；然而这篇文献的整个过程，感觉完全不考虑计算量，对于学术研究是不错的文献，但是对于工程应用那就……

参考文献：

1、《A deep matrix factorization method for learning attribute representations》

**********************作者：hjimce   时间：2016.3.13  联系QQ：1393852684   原创文章，转载请保留原文地址、作者等信息***************