Meta-Unsupervised Representation Learning: A New Approach to Factorization and Interpretability
Notice bibliographique
Résumé
Meta-learning is originally developed for supervised learning to enable models to generalize across tasks by leveraging prior experience. However, its potential in the unsupervised learning domain remains largely underexplored. To demonstrate the feasibility of meta-learning in unsupervised settings, we apply it to Non-negative Matrix Factorization (NMF), a widely used technique for decomposing non-negative data matrices into interpretable, lower-dimensional representations. While NMF has found applications in topic modeling, image processing, bioinformatics, and recommendation systems, it faces persistent challenges such as rank selection, optimization stability, uniqueness, and computational efficiency. Traditional approaches primarily focus on improving initialization strategies to enhance convergence and generalization. However, these methods often fail to exploit structural similarities across tasks. In this paper, we introduce a meta-learning paradigm for NMF that systematically learns optimal factorization parameters from small-scale tasks and transfers this knowledge to improve learning on larger tasks. By discovering fine structures in small tasks and leveraging them to guide factorization on more complex datasets, our approach directs the search process toward a more optimal and structured search space, reducing the risk of suboptimal solutions and improving model robustness. This meta-unsupervised learning framework enhances NMF's ability to uncover meaningful patterns while maintaining adaptability across different domains. Additionally, we evaluate the model under noisy conditions and demonstrate its robustness by filtering noise over learning epochs, further enhancing its interpretability and stability. By integrating meta-learning principles, our method not only improves optimization stability but also enhances interpretability and generalizability, bridging the gap between NMF-based models and advanced autonomous (unsupervised) learning strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».