محققان در پژوهش جدیدی، رویکردی کارآمدتر برای «تجزیه ماتریس نامنفی» (NMF) معرفی کردهاند. در این روش، با استفاده از بسط تیلور مرتبه دوم و یک الگوریتم مبتنی بر نیوتن، چالشهای محاسباتیِ «واگرایی کولبک-لایبلر» (KL) حل شده است. این دستاورد به مدلهای یادگیری ماشین کمک میکند تا با دقت و سرعت بالاتری، دادههای پیچیده نظیر تصاویر و ماتریسهای متنی را پردازش کنند.
این نوآوری گامی مهم برای مدلهایی است که با توزیعهای پواسون سروکار دارند و میخواهند در حین حفظ سادگی، عملکردی بهتر از روشهای کلاسیک داشته باشند.
منبع: arXiv Machine Learning