Learning the parts of objects by non-negative matrix factorization

Daniel D. Lee; H. Sebastian Seung · Nature · 1999

Página del recurso

Lectura rápida. Revisá los datos básicos del recurso y luego accedé al contenido desde el botón principal. En esta ficha solo se muestra la información necesaria para identificar la obra, citarla y abrirla.

Autor / responsable

Daniel D. Lee; H. Sebastian Seung

Editorial

Nature

Año

1999

Idioma

en

Acceso al recurso

Entrá al contenido desde la opción principal o elegí otra fuente disponible.

Acceso principal

Página del recurso

Página de referencia del recurso. El texto completo no está confirmado automáticamente.

Abrir recurso

Cómo citar

Elegí el formato que necesitás y copiá la referencia al portapapeles.

APA 7

Lee, D. D. & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. https://doi.org/10.1038/44565

MLA

Lee, Daniel D, and H. Sebastian Seung. "Learning the parts of objects by non-negative matrix factorization." 1999. https://doi.org/10.1038/44565.

Chicago

Lee, Daniel D. and H. Sebastian Seung. 1999. "Learning the parts of objects by non-negative matrix factorization.". https://doi.org/10.1038/44565.

Harvard

Lee, D. D. and Seung, H. S. 1999, Learning the parts of objects by non-negative matrix factorization, Nature, available at: https://doi.org/10.1038/44565 [Accessed 28 Jun. 2026].

Compartir e imprimir

Guardá la ficha, copiá su enlace permanente o imprimila como PDF.

Exportar referencia

Si usás un gestor bibliográfico, podés exportar el registro en los formatos más comunes.

RIS BibTeX

Detalles del recurso

Información bibliográfica útil para confirmar que se trata del material correcto.

Título: Learning the parts of objects by non-negative matrix factorization

Autor / colaboradores: Daniel D. Lee; H. Sebastian Seung

Editorial: Nature

Año de publicación: 1999

Idioma: en

Materias

Explorá otros recursos relacionados a partir de estas materias.

Non-negative matrix factorization; Matrix decomposition; Computer science; Sign (mathematics); Artificial intelligence; Perception; Factorization; Matrix (chemical analysis); Representation (politics); Pattern recognition (psychology); Theoretical computer science; Algebra over a field