Wyobraź sobie, że analizujesz dane z czujników. Nagle jeden z nich pokazuje -999°C. To tzw. outlier — odstający punkt, który potrafi całkowicie zafałszować analizę.

🧩 Czym jest faktoryzacja?

Faktoryzacja macierzy to technika pozwalająca rozłożyć dane $X$ na dwa nieujemne składniki: $$ X \approx WH $$

Gdzie $W$ zawiera „cechy”, a $H$ mówi ile której cechy potrzeba.

💡 Problem

Standardowe metody, takie jak NMF (Non-negative Matrix Factorization), są wrażliwe na błędy i wartości odstające. Gdy dane są „brudne”, analiza bywa bezużyteczna.

✨ Rozwiązanie: Target Polish

„Polish” (ang.) oznacza polerować, poprawiać. Autorzy proponują metodę, która delikatnie koryguje dane $X$ zanim dokona ich rozkładu.

Jak to działa?

  1. Obliczamy wstępną faktoryzację: $\hat{X} = WH$
  2. Porównujemy $X$ z $\hat{X}$
  3. Jeżeli dane zbyt mocno odbiegają, są „polerowane” — np. przez klamrowanie: $$ X’ = \text{clip}(X, \hat{X} - \delta, \hat{X} + \delta) $$
  4. Proces jest powtarzany.

📊 Czy działa?

Tak! Metoda jest:

  • odporna na szum,
  • skuteczna zarówno dla macierzy, jak i tensorów,
  • łatwa do wdrożenia.

🧩 Podsumowanie

Target Polish to sposób na „odporne” uczenie maszynowe. Polerujemy dane zamiast ślepo wierzyć każdej wartości.

📎 Linki