Implementing Boolean Matrix Factorization

0311334 - ÚI 2009 RIV DE eng C - Conference Paper (international conference)
Neruda, Roman - Snášel, V. - Platoš, J. - Krömer, P. - Húsek, Dušan - Frolov, A. A.
Implementing Boolean Matrix Factorization.
[Implementace booleovské maticové faktorizace.]
Artificial Neural Networks - ICANN 2008. Vol. Part I. Berlin: Springer, 2008 - (Kůrková, V.; Neruda, R.; Koutník, J.), s. 543-552. Lecture Notes in Computer Science, 5163. ISBN 978-3-540-87535-2.
[ICANN 2008. International Conference on Artificial Neural Networks /18./. Prague (CZ), 03.09.2008-06.09.2008]
Institutional research plan: CEZ:AV0Z10300504
Keywords : factor analysis * genetic algorithm * neural networks
Subject RIV: IN - Informatics, Computer Science

Matrix factorization or factor analysis is an important task helpful in the analysis of high dimensional real world data. There are several well known methods and algorithms for factorization of real data but many application areas including information retrieval, pattern recognition and data mining require processing of binary rather than real data. Unfortunately, the methods used for real matrix factorization fail in the latter case. In this paper we introduce the background of the task, neural network, genetic algorithm and non-negative matrix factorization based solvers and compare the results obtained from computer experiments.

Maticová faktorizace, neboli faktorová analýza, je důležitým krokem při analýze vysocedimenzionálních reálných dat. Existuje několik známých metod a algoritmů pro faktorizaci reálných dat, ale mnohé aplikační oblasti, jako je získávání informací, rozpoznávání obrazu, data mining, pracuje s binárními daty namísto reálných. V těchto případech nelze použít klasické metody. V tomto článku zavádíme metodu založenou na neuronových sítích, genetických algoritmech, faktorizaci nezáporných matic, a porovnáváme výsledky počítačových experimentů.
Permanent Link: http://hdl.handle.net/11104/0162970