تحليل عوامل الشبكة العصبية

غالبًا ما تأتي البيانات على شكل مصفوفة أو متجه. تقنيات تحليل المصفوفات تحاول استعادة القيم المفقودة أو التالفة بافتراض أن المصفوفة يمكن كتابتها كمنتج لمتغيرين منخفضي الرتبة. بعبارة أخرى، يقوم تحليل المصفوفات بتقريب قيم المصفوفة باستخدام دالة بسيطة وثابتة - وهي حاصل الضرب الداخلي - تعمل على المتجهات الخفية للصف والعمود المقابلين. في هذا السياق، نعتبر استبدال حاصل الضرب الداخلي بدالة تعسفية نتعلمها من البيانات في نفس الوقت الذي نتعلم فيه المتجهات الخفية. بشكل خاص، نستبدل حاصل الضرب الداخلي بشبكة عصبية متعددة الطبقات (multi-layer feed-forward neural network)، ونقوم بالتعلم عبر التبديل بين تحسين الشبكة العصبية للمتغيرات الخفية الثابتة، وتحسين المتغيرات الخفية للشبكة العصبية الثابتة. النهج الناتج - والذي نسميه اختصارًا بتحليل المصفوفات باستخدام الشبكات العصبية (Neural Network Matrix Factorization أو NNMF) - يتفوق على التقنيات ذات الرتبة المنخفضة بشكل قياسي في مجموعة من المقاييس القياسية ولكنه يتأخر عن بعض الاقتراحات الحديثة التي تستفيد من خصائص الرسم البياني (graph features). بالنظر إلى مدى تنوع الأطر والدوال التنشيطية والمراقبين وتقنيات التحسين التي يمكن استخدامها ضمن إطار NNMF، يبدو أنه من المحتمل أن تكون الإمكانات الحقيقية لهذا النهج لم تتحقق بعد.