NMF란 행렬의 인수분해중 하나의 개념으로
V라는 행렬(데이터는 열벡터의 형태)을 기저 벡터를 가지는 W행렬과 이것의 가중치인 H의 곱으로 분해하는 것이다.
low rank approximation의 일종으로 W의 기저 행렬은 데이터 행렬 V의 차원 축소된 형태를 얻을 수 있는 정보를 담고있다.
이 때 non-negative라는 제약조건으로 인해 다른 행렬 인수분해들보다 실제 데이터에 적합하다는 장점을 가지고 있다.

오늘 소개할 것은 이러한 NMF 접근방법이 NN과 결국 같다는 내용의 강의이다.
스크린샷 2017-04-12 오후 8.11.46.png
위 처럼 간단한 auto-encoder를 통해 NMF와 동등한 구조를 얻을 수 있다.

이러한 NN으로의 묘사는 확장성의 제한이 있는 NMF의 단점과 달리
다음 그림과 같이 recurrent 구조나 hierarchical 구조로의 확장을 가능하게 한다.
스크린샷 2017-04-12 오후 8.11.00.png


더 자세한 것은 동영상 링크를 참고!!
https://www.youtube.com/embed/wfmpViJIjWw
profile