本文探讨了非负矩阵分解（NMF）在主题模型学习中的应用，强调其高效性和隐私保护。同时，研究了大型语言模型（LLMs）在主题提取中的潜力，并提出了多模态聚类算法和关键词辅助嵌入式主题模型（KeyETM），展示了这些方法在主题检测和描述生成中的优势。

本文提出了一种自监督训练框架，通过多模态聚类捕捉语义相似性，学习共同的多模态嵌入空间。该方法在文本到视频检索和时间动作定位等领域表现优异，超越了现有技术，并展示了在多个数据集上的最新成果。

本文探讨了非负矩阵分解（NMF）在特征提取和降维中的应用，提出了多模态聚类算法及其新方法，强调了NMF在处理突变数据和癌症预测中的有效性。研究表明，NMF在分析复杂数据集时具有更高的准确性和潜力。

本文探讨了非负矩阵分解（NMF）的稀疏特征提取及其在噪声环境下的应用，介绍了近可分离 NMF 的高效解决方案。研究了多模态聚类算法在图像数据集中的应用，提出了新方法并取得良好实验结果。同时，讨论了 NMF 的可识别性及其在医学图像中的有效性，强调了其在数据分析中的重要性。

本文提出了一种新型多模态聚类算法——多模态多视图非负矩阵分解（NMF），并通过实验验证了其在多个数据集上的优越表现，解决了NMF问题中的稀疏特征提取，探讨了该方法在医学图像中的应用。

本文提出了一种新型多模态聚类算法——多模态多视图非负矩阵分解，分析了多个局部NMF模型的协同作用。实验结果表明，该方法在数据隐私保护和推荐系统中具有显著价值，尤其在联邦学习框架下，通过同态加密技术有效解决了梯度泄露问题。