Neue Methode: Persistente NMF mit Multi‑Skalen Graph-Regularisierung

Wissenschaftler haben eine neue Variante der Nichtnegativen Matrixfaktorisierung (NMF) vorgestellt, die das Problem der einseitigen, ein‑Skalen‑Ansätze löst. Die Methode, genannt persistent nonnegative matrix factorization (pNMF), liefert statt einer einzigen Einbettung eine ganze Reihe von skalierungsabhängigen Embeddings, die die Entwicklung von Verbindungsstrukturen über verschiedene Auflösungen hinweg abbilden.

Durch den Einsatz von persistenten Homologie-Methoden identifizieren die Forscher eine kanonische, minimal ausreichende Skalenmenge, bei der sich die zugrunde liegende Netzwerkstruktur qualitativ verändert. Diese Skalen erzeugen eine Folge von Graph-Laplacien, die in ein gekoppeltes NMF‑Modell mit skalenweiser geometrischer Regularisierung und einer expliziten Konsistenzbedingung zwischen den Skalen integriert werden.

Die Autoren analysieren die strukturellen Eigenschaften der Embeddings entlang des Skalenparameters und legen obere Schranken für die Änderungen zwischen aufeinanderfolgenden Skalen fest. Das Ergebnis ist ein nichttrivialer Lösungsweg über die Skalen hinweg, der neue rechnerische Herausforderungen mit sich bringt.

Um diese Herausforderungen zu meistern, entwickeln die Forscher einen sequentiellen, alternierenden Optimierungsalgorithmus, der Konvergenz garantiert. In numerischen Tests auf synthetischen Daten sowie auf Einzelzell‑RNA‑Sequenzierungsdaten zeigen die Ergebnisse, dass pNMF robuste, mehrskalige Low‑Rank‑Einbettungen liefert und damit die Analyse komplexer biologischer Datensätze verbessert.