L1‑NMF: NP‑schwer, sparsity‑fördernd und effizient für große, spärliche Daten

In einer neuen Veröffentlichung wird die klassische nichtnegative Matrix‑Faktorisierung (NMF) mit einer komponentenweisen L1‑Norm als Fehlermaß erweitert. Diese Variante, genannt L1‑NMF, ist besonders robust gegenüber stark verrauschten Daten, etwa bei Laplace‑ oder Salz‑und‑Pfeffer‑Rauschen, und kann Ausreißer besser handhaben als die herkömmliche quadratische Fehlerfunktion.

Ein zentrales Ergebnis des Papers ist die NP‑Schwere von L1‑NMF – bereits für Rang 1. Das steht im Gegensatz zur üblichen NMF, die für Rang 1 polynomielle Lösungen besitzt. Gleichzeitig zeigt die Analyse, dass L1‑NMF bei spärlichen Eingabedaten die Faktoren stark sparsifiziert, was die Interpretierbarkeit verbessert. Allerdings kann die starke Sparsität bei Daten mit falschen Nullen die Modellqualität beeinträchtigen.

Um diesem Problem zu begegnen, wird ein gewichtetes L1‑NMF‑Modell (wL1‑NMF) vorgestellt, bei dem ein Strafparameter die Einträge von WH, die zu Nullen in den Daten gehören, kontrolliert. Ergänzend dazu präsentiert die Arbeit einen neuen Koordinatenabstieg‑Ansatz (sCD), der jedes Teilproblem mit einem gewichteten Median‑Algorithmus löst. Der Algorithmus skaliert ausschließlich mit der Anzahl der Nicht‑Null‑Einträge und ist damit besonders effizient für große, spärliche Datensätze.

Umfangreiche Simulationen an synthetischen und realen Datensätzen demonstrieren die Wirksamkeit des wL1‑NMF‑Modells und des sCD‑Algorithmus. Die Ergebnisse deuten darauf hin, dass die Kombination aus sparsity‑fördernder Fehlernorm, gewichteter Regularisierung und skalierbarem Optimierungsverfahren eine vielversprechende Lösung für die Analyse großer, verrauschter, spärlicher Daten darstellt.