LaFA：对非负矩阵分解的潜在特征攻击
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文探讨了基于神经网络和非负矩阵分解（NMF）的优化方法，提升了特征提取和选择的效果，研究了NMF在降维中的应用及其与LDA的等效性，提出了新的计算方法和对抗训练技术，展示了在稀疏数据预测中的优势。
❓
Q&A
非负矩阵分解（NMF）在降维中有哪些应用？
非负矩阵分解（NMF）主要用于特征提取和特征选择，能够有效地处理非负数据的降维问题。
LAFEAT算法的优势是什么？
LAFEAT算法具有更高的计算效率和更强的防御能力，能够有效进行对抗攻击。
如何提高非负矩阵分解的重构信号精度？
通过对抗训练方法，可以避免不必要的信号特征表示，从而提高重构信号的精度。
Neural Factorization Machine（NFM）有什么创新之处？
NFM结合了线性和非线性特征交互，提供了更好的性能，且在训练和调节上更为简便。
NMF与LDA的等效性是如何实现的？
在对分解的两个矩阵的列添加$ ext{l}_1$归一化约束和狄利克雷先验条件下，NMF与LDA实现了等效性。
近可分离NMF问题子类的特点是什么？
近可分离NMF问题子类能够高效解决在有噪声情况下的NMF问题，适用于特定的稀疏特征提取。
🏷️
