矩阵分解

Parent: ai_keywords

矩阵分解（Matrix Factorization）

核心定义

矩阵分解是将一个高维矩阵 R 近似拆解为两个或多个低维子矩阵的乘积（如 R ≈ U·Vᵀ），从而揭示数据背后的潜在结构。其核心思想是通过低秩近似实现降维、去噪与特征提取，在信号处理、推荐系统和神经影像分析中具有基础性地位。

关键技术点

1. 奇异值分解（SVD）
   最经典的分解形式：R = UΣVᵀ，其中 Σ 为对角奇异值矩阵。通过截断保留前 k 个奇异值，可实现最优低秩逼近，常用于数据压缩和主成分分析。

2. 非负矩阵分解（NMF）
   约束所有因子矩阵元素非负（U, V ≥ 0），产生部分‑整体表示。在脑影像中能自然地提取可解释的“模序”（如激活区域），因其稀疏性与加性组合特性。

3. 基于概率的矩阵分解（PMF）
   为观测矩阵建立概率生成模型，假设隐藏因子服从高斯分布，利用 MAP 估计或贝叶斯推断处理噪声与缺失数据，适用于脑电（EEG）等低信噪比信号。

4. 张量分解（推广）
   针对多维数组（如时间×空间×频率）的 CANDECOMP/PARAFAC 或 Tucker 分解。在神经影像中可同时分离时空谱模式，避免平铺丢失高阶关联。

医学/神经科学应用场景（背景：首都医科大学神经病学研究）

以阿尔茨海默病（AD）的早期识别为例：研究团队采集静息态 fMRI 数据，构建每位患者的功能连接矩阵（大脑区域×区域）。采用 非负矩阵分解（NMF） 将其分解为 空间模序矩阵 U（每个模序对应一组协同激活的脑区）和 个体权重矩阵 V（每位患者对各模序的参与度）。通过比较 AD 患者与健康对照的 V 矩阵差异，发现默认模式网络（DMN）内部模块的分解权重显著下降，而感觉运动模块权重异常升高——这一联合模式能在轻度认知障碍阶段实现 92% 的判别准确率。此外，将 V 因子作为特征输入支持向量机（SVM），可预测 2 年内认知衰退风险。该方法利用了 NMF 的局部可解释性与组织约束，比传统主成分分析（PCA）更契合脑功能组织的加性假设。