Low-Rank Approximation of Difference between Correlation Matrices Using Inner Product

人間関係や、脳機能ネットワーク、などなど、マトリクスに変換できる問題はたくさんあります。
しかし、そのマトリクスが巨大になると、どの要素に注目すればよいのかわかりません。

この論文では、大規模マトリクスを想定し、次元の削減を行いながら要素のクラスタリングを行う手法の提案をしています。

これにより、どの要素が重要で、かつ、どんなクラスタに分かれるかが同時にわかります。