非负矩阵分解：把"组成关系"从数据里拆出来，为什么能、怎么算
- 关联论文：1401.5226
你手头有一堆人脸照片、新闻语料、卫星光谱，肉眼一看就是"由若干零件拼起来的"。非负矩阵分解（NMF）的全部价值，就是把这种"零件 + 占比"的构成关系自动从数据里拆出来。Gillis 这篇 2014 年的综述把这件事讲成两个层面：先讲"为什么非负就能拆出零件"，再讲"什么时候算得动、什么时候算不动"。
为什么"非负"就能拆出零件：因为像素强度、词频、光谱反射率这些物理量天然就是非负的——不存在"负几个零件"这种说法。PCA、SVD 允许负值，会破坏"只有出现、没有出现"的物理解读；ICA 强调独立而非构成。把"非负"作为唯一硬约束，就同时获得了稀疏性与可解释性：在 Frobenius 范数或 KL 散度下，最优解的经验规律就是"整体 ≈ 零件的非负加权和"。论文用三组数据演示同一诱导偏置——人脸图像拆出眼鼻嘴等局部部件、文本词频矩阵拆出话题向量与文档占比、高光谱像素拆出端元光谱与丰度——三例的共性是物理量天然非负，而 NMF 正好把这种构成关系还原出来。这里"非负"不是统计偏好而是物理意义的硬约束，尤其是高光谱场景：地物反射率与丰度都为非负，强制非负恰好匹配物理。
怎么算，分两层：第一层是一般 NMF——论文明确指出，给定秩 r 找最优非负分解在数值上是 NP-hard，因为解空间是双重非凸子集，所以通用求解器只能保证局部最优 / 稳定点。论文回顾了两族标准算法：Lee & Seung 的乘性更新（MU）实现简单、保持非负自动、但收敛慢、易困在鞍点；交替非负最小二乘（ANLS）收敛通常快一两个数量级，生产环境的 NMF 库几乎都基于 ANLS。第二层是近可分 NMF，这是论文最有实质贡献的部分——若 V 的每一列都是少数极端列的非负组合（高光谱端元、文本种子话题、固定光照下的人脸部件），问题就退化为"在 V 的列里挑 r 个极端点"，用归一化后的凸包顶点识别（successive projection、quadratic programming、ray seeking 等）在多项式时间内精确恢复，且恢复误差与噪声水平成线性关系。这就是"含噪条件下也能被高效、精确求解"的由来。
证据边界与工程局限：原作成形于 2014 年，对 deep NMF、张量分解扩展未涉猎；MU/ANLS 在百万级文档、十亿级像素上的可扩展性没有给出实证数字；r 的选择依赖 cophenetic correlation、dispersion、elbow 等启发式组合，没有通用理论准则——这一点对落地很重要，但不在本文贡献内；高光谱辐射校正不完美时若存在少量负值，NMF 会截断为 0，导致阴影区域丰度系统性偏低，需改用 semi-NMF（允许 W 有负值）或预处理去负；近可分假设在实际数据上常常不成立——列往往是大量部件的混合而非少数极端点，使用前应先做可分性检验。
标题变体
- 一张人脸拆成眼鼻嘴？这套 20 年前的算法今天还在用
- NMF：为什么"不许有负数"反而能拆出更清晰的零件
- 当矩阵分解遇上"非负约束"：从 NP-hard 到多项式时间的那条窄路
小红书卡片文案
你以为机器"看出"人脸的五官是深度学习的功劳？其实 1999 年就有一套只用"不许有负数"这一条规则的工具——NMF。今天它仍是高光谱遥感、文本话题挖掘里的无监督主力。原理简单到反直觉：像素、词频、光谱强度天然非负，整体就是零件的非负加权和；只要数据列是少数极端点的组合（"近可分"），就能在多项式时间内精确拆开。工业落地时，r 的选择比算法本身更关键，负值数据要改用 semi-NMF，否则物理一致性会悄悄破掉。一篇 Gillis 综述，把"为什么能、怎么算、什么时候坑"一次性讲透。