看到「全局最佳」、「解析解」與「不需要迭代」同時出現在一篇機器學習論文裡，我的第一個反應通常不是興奮，而是先找測試資料、比較基準和限制條件。
原因很簡單。做過正式環境的人都知道，「不用調參、一次算完、保證最佳」聽起來很像主管星期五下午五點傳來的訊息：「這次改動很小，應該可以直接上線吧？」
也許真的可以，但最好先把部署紀錄和回滾方案準備好。
2025 年 8 月，一篇名為《A Globally Optimal Analytic Solution for Semi-Nonnegative Matrix Factorization with Nonnegative or Mixed Inputs》的論文預稿提出一套半非負矩陣分解方法。作者宣稱，這套方法可以在特定誤差衡量方式下，不依賴傳統反覆更新程序，直接找出全局最佳解。
如果這項結果能被獨立驗證，確實可能改善半非負矩陣分解容易卡在局部最佳解、初始化敏感及結果不穩定等問題。不過，截至本文更新時，這篇資料仍是 arXiv 上的第一版預稿，頁面標示正在接受 SIAM Journal on Optimization 審查，尚不能當成已獲學界共識的定論。論文預稿與投稿狀態
所以這篇文章不會只照著摘要喊「重大突破」。我們要看的是：它實際解決什麼問題、測試成績如何，以及你是否真的應該把它放進正式資料管道。
半非負矩陣分解是什麼？
假設公司有一張很大的資料表，每一欄代表一項特徵，每一列可能是客戶、文章、圖片、交易紀錄或感測器資料。
矩陣分解的工作，就是試著把這張複雜的大表拆成少量「基本模式」，再用不同權重組合這些模式，近似還原原始資料。
它有點像整理家裡的線材。我總以為自己需要二十種收納盒，真正動手整理後才發現，大部分線材其實只屬於充電、影音、網路和「不知道為什麼還留著」這幾類。矩陣分解做的事情類似：用較少的隱藏結構，描述原本高維度的資料。
傳統非負矩陣分解的限制
非負矩陣分解要求原始資料和分解結果都不能出現負值。
這個限制在許多場合很合理。例如：
- 商品購買次數不會是負數。
- 圖片亮度通常以非負數表示。
- 文件中的詞頻不會低於零。
- 化學物質濃度也不應該是負值。
非負限制讓結果比較像「各種零件相加」，因此往往比完全不受限制的降維方法容易解釋。Lee 與 Seung 在 1999 年的經典研究中，就利用這項特性從人臉影像和文字資料中學習局部結構，而不是只得到難以說明的整體方向。Nature：Learning the parts of objects by non-negative matrix factorization
但現實中的資料不一定如此整齊。只要經過中心化、標準化或差分處理，就很容易出現負值。例如資產報酬、溫度偏差、模型殘差、情緒分數與經過中心化的向量嵌入，都可能同時包含正值與負值。
這正是半非負矩陣分解想處理的情況。
半非負代表哪一半不受限制？
半非負矩陣分解允許「基本模式」包含正值與負值，但要求每筆資料使用這些模式時，其組合權重保持非負。
用白話來說，它允許一個模式描述「某些特徵增加、另一些特徵下降」，卻不希望每筆資料透過正負權重互相抵銷，最後得到一個很難解釋的答案。
這種設計介於傳統非負矩陣分解與主成分分析之間：
- 傳統非負矩陣分解限制最嚴格，可解釋性通常較直觀。
- 主成分分析允許各部分自由使用正負值，運算成熟，但結果不一定容易對業務人員說明。
- 半非負矩陣分解保留帶正負號的基本模式，同時讓各樣本的組合權重維持非負。
它不是哪一種方法的全面升級版，而是針對不同資料條件所做的折衷。
為什麼「全局解析解」值得關注？
傳統半非負矩陣分解通常採用反覆更新的方式。程式先產生一組初始值，再交替調整兩個分解結果，直到誤差不再明顯下降。
這種方法並沒有錯，但工程上有幾個麻煩。
初始化不同，答案可能不同
同一批資料使用不同隨機種子，最後可能產生不同的分解結果。若模型只是拿來探索資料，問題或許不大；如果結果會進入客戶分群、異常偵測或風險儀表板，可重現性就相當重要。
我在做資料系統時，最怕的不是模型慢五分鐘，而是同一個版本重新執行後，昨天的第三群客戶突然變成今天的第五群，而且沒有人能清楚說明原因。
迭代次數會影響成本
資料量增加後，每一輪更新都需要時間和記憶體。你必須決定停止條件、最大執行輪數，還可能要用多組初始值重跑，避免某一次剛好停在較差的結果。
因此，一個不依賴反覆嘗試的解析方法，理論上可以帶來幾項好處：
- 結果較容易重現。
- 不必調整學習率或大量停止條件。
- 不容易因初始值不同而落入不同的局部解。
- 可以成為評估其他演算法的固定基準。
但「非迭代」不等於「沒有計算成本」，「解析解」也不代表它一定比所有現有實作快。這是閱讀論文時最容易被標題帶走的地方。
這套全局解析方法如何運作？
這篇 2025 年預稿提出的方法，可以用四個不含公式的步驟理解。
第一步：整理資料的主要變化方向
方法先從輸入資料建立一張描述整體變化關係的矩陣。你可以把它想成在判斷哪些特徵經常一起變動，以及資料最主要的差異集中在哪些方向。
這部分的概念與主成分分析或奇異值分解相近，目的都是先找出最能保留原始資訊的低維空間。
第二步：保留指定數量的主要方向
如果使用者希望把資料壓縮成三個主要模式，演算法便保留前三個最重要的方向，捨棄影響較小的部分。
這一步追求的是低維重建誤差。換句話說，它試圖用有限數量的模式，盡可能還原原始資料。
第三步：重新建立幾何基底
單純取得主要方向後，樣本的權重仍可能含有負值。論文接著透過幾何方式尋找邊界、極端點和新的基底，讓資料可以使用非負權重表示。
這也是整套方法最關鍵的部分：它不是只做一次普通的主成分分析，而是希望在保留最佳低維近似的同時，重新安排座標表示，使權重符合半非負條件。
第四步：輸出不需要隨機初始化的分解結果
作者將這套流程稱為非迭代解析解。這裡的「非迭代」主要代表它不必像傳統方法一樣，在兩組矩陣之間反覆最佳化。
不過，演算法內部仍然需要做特徵分解、搜尋較遠的資料點、建立幾何邊界與降維處理。因此，它不是按一下按鈕就能忽略資料規模的免費午餐。
論文的性能測試表現如何？
這篇預稿使用兩組資料進行實驗：一組小型合成資料，以及 UCI Wine 資料集。
官方 UCI 頁面顯示，Wine 資料集只有 178 筆樣本與 13 項化學特徵，而且頁面本身就形容它適合用來初步測試分類器，但不算特別困難。UCI Machine Learning Repository：Wine
這代表測試結果可以用來驗證概念，卻還不足以回答大型正式環境最關心的問題。
重建誤差確實有改善
根據論文提供的實驗：
- 在合成資料設定為一個主要模式時，三種方法結果相同。
- 當主要模式增加到兩個或三個，作者的方法取得略低的重建誤差。
- 在 Wine 資料集使用四至七個主要模式時，新方法的重建誤差低於論文所採用的傳統非負矩陣分解與迭代式半非負矩陣分解。
- Wine 資料使用七個主要模式時，作者方法的重建誤差約為 8.53，傳統非負矩陣分解約為 9.57，而該次迭代式半非負矩陣分解約為 69.64。
單看數字，新方法的表現不錯。但最後一組差距大到讓我不會立刻鼓掌，反而會先檢查比較方法是否正常收斂。
論文中的迭代式半非負矩陣分解，在 Wine 資料使用四至七個主要模式時，誤差長時間停留在 69 附近。這可能代表新方法確實強很多，也可能代表基準方法的初始化、停止條件或參數設定不理想。
若沒有多組隨機種子、完整參數、執行時間和不同實作的交叉比較，很難只憑這一組結果宣布全面勝出。完整論文 PDF
論文沒有回答大型資料的速度問題
「非迭代」很容易被理解成「一定比較快」，但論文目前沒有提供足夠的擴展性測試。
我真正想看的會是：
- 十萬、百萬筆樣本時的執行時間。
- 特徵數量從數十增加到數萬時的記憶體消耗。
- 稀疏矩陣是否可以保持稀疏處理。
- 與最佳化過的 SVD、NMF 函式庫相比，實際速度差多少。
- 資料加入新樣本後，能否增量更新，還是必須全部重算。
- CPU 與 GPU 環境下是否仍有相同優勢。
這些資料目前都不完整。因此，現階段比較準確的說法是：論文展示了重建誤差上的概念驗證，但尚未證明它在大型正式環境具有效能優勢。
「全局最佳」仍存在一個不能跳過的理論爭議
這是整篇文章最重要的部分。
2015 年，Nicolas Gillis 與 Abhishek Kumar 在 SIAM Journal on Matrix Analysis and Applications 發表半非負矩陣分解研究。他們證明，一般形式的半非負矩陣分解即使只尋找一個主要模式，仍可能是計算困難問題；某些資料甚至不存在能真正達到最低誤差的解。SIAM：Exact and Heuristic Algorithms for Semi-Nonnegative Matrix Factorization
這與 2025 年預稿宣稱能對非負或含正負值的輸入取得全局解析解，形成非常明顯的張力。
兩者不一定百分之百互相推翻，因為問題定義、資料條件、解的表示方式或證明假設可能存在差異。但新論文若要建立普遍性的結論，就必須非常清楚地解釋，為什麼既有的困難度結果不適用於它所處理的問題。
此外，新論文的部分推導建立在近似座標系統差異較小的討論上。這種條件或許適用於某些低誤差案例，是否足以支持所有混合正負輸入的全局結論，仍需要同行審查及獨立重現。
所以我不會直接寫成「半非負矩陣分解已經找到公認的全局解析解」。更負責任的寫法是：
2025 年有研究預稿提出一套宣稱可取得全局最佳解的非迭代方法，但該結論仍待同行審查、理論釐清與更大規模的獨立實驗驗證。
這並不是唱衰新研究。工程上的基本習慣就是把「作者主張」、「實驗觀察」和「已被獨立確認的事實」分開。
半非負矩陣分解有哪些實戰用途？
半非負矩陣分解的價值，不在於名字比 NMF 多了一個「半」，而在於它可以處理包含負值、同時又需要非負權重的資料。
客戶與使用者分群
企業常會對客戶特徵進行標準化。經過處理後，消費金額、登入頻率或客服互動次數可能被轉換成高於平均與低於平均的正負值。
半非負矩陣分解可以讓基本客群模式包含正負特徵，例如「使用頻率高，但付費金額低」，同時讓每位客戶對不同模式的權重保持非負。
不過，如果最終目標只是預測客戶是否流失，直接使用監督式模型通常更有效。不要因為半非負矩陣分解看起來數學味很重，就硬把它放進每一條資料管道。
文件、新聞與向量資料探索
傳統詞頻資料天然非負，使用標準 NMF 就很合理。但現代文字系統常使用中心化後的嵌入向量，裡面會出現大量正負值。
半非負矩陣分解可以用來尋找文件之間的共同方向，再用非負權重描述每份文件對不同主題模式的參與程度。
它不一定能取代大型語言模型或專業的主題模型，但很適合當作成本較低、結果較容易檢查的探索工具。
影像、動作與光譜分析
過去研究曾將半非負矩陣分解應用於單張影像超解析、含缺失資料的動作分割，以及高光譜影像分析。這些資料經過背景扣除、中心化或特徵轉換後，可能包含負值，無法直接套用標準 NMF。
在這類情境中，非負權重也有實際意義。例如，一個觀測樣本可以由幾種基本動作或光譜來源以不同程度組成，而不必使用難以解釋的負貢獻。
感測器與異常模式分析
工業感測器資料經常會先扣除正常基準，因此正值代表高於正常狀態，負值代表低於正常狀態。
半非負矩陣分解可以找出共同的偏移模式，協助工程師判斷多個感測器是否受到同一項設備狀態影響。
但它本身不是異常警報系統。正式上線仍要搭配時間窗口、缺值處理、告警門檻與設備維修紀錄。演算法通常只占系統的一小部分，剩下的麻煩都在資料品質與維運。
金融與鏈上資料研究
報酬率、資金流量變化、價差與模型殘差都會同時出現正負值，因此理論上適合使用半非負矩陣分解探索共同因子。
例如，可以觀察多種資產是否由幾個共同市場模式組成，或把不同地址的資金流行為拆成數種活動型態。
但我不會因為模型找到一個「高風險模式」，就立刻把某個地址標成巨鯨或駭客。鏈上轉帳可能是交易所內部整理、跨鏈橋調度、託管地址遷移，也可能只是標籤錯了。矩陣分解可以提供線索，不能代替地址歸屬驗證與交易背景調查。
如何在實際專案中評估這套方法？
如果我要把這篇論文的方法拉進公司做概念驗證，我不會先安排正式部署，而會建立一組公平的基準測試。
先確認資料方向
矩陣的每一列和每一欄代表什麼，會直接改變分解結果。樣本放錯方向不是小錯誤，它會讓演算法回答完全不同的問題。
導入前至少要寫清楚：
- 一筆樣本代表客戶、時間點還是資產。
- 特徵是否使用相同尺度。
- 資料中的負值是自然存在，還是前處理產生。
- 缺值、離群值與重複資料如何處理。
UCI Wine 官方頁面也特別提醒，部分模型使用這套資料時應先進行標準化，因為不同化學特徵的尺度差異很大。UCI Wine 資料說明
建立四組公平基準
最少應同時比較：
- 主成分分析或截斷式 SVD。
- 傳統非負矩陣分解。
- 迭代式半非負矩陣分解。
- 論文提出的解析方法。
所有方法必須使用相同資料切分、相同前處理和相同目標維度。迭代方法還應使用多組隨機種子，不能挑一次較差的結果就宣布新方法勝出。
不要只看重建誤差
較低的重建誤差，代表模型更接近原始資料，但不一定代表它更適合實際任務。
如果用途是客戶分群，我還會檢查：
- 不同月份重新訓練後，群組是否穩定。
- 群組特徵能否被業務人員理解。
- 新客戶加入後，分類是否大幅跳動。
- 降維結果能否改善後續預測或搜尋品質。
- 執行時間和記憶體是否符合批次排程。
一個誤差漂亮但每週重新訓練都產生不同解釋的模型，最後通常只會變成沒人敢維護的儀表板。
觀察離群值與缺失資料
論文採用的誤差衡量方式會對大型偏差特別敏感。少量極端值可能拉動整個分解方向。
而 UCI Wine 資料沒有缺失值，規模也很小，並不能證明方法面對真實企業資料中的斷線、漏報、重複紀錄和異常輸入時仍然可靠。
正式測試應該主動加入：
- 不同比例的缺失值。
- 人工產生的離群資料。
- 高度不平衡的樣本。
- 大量稀疏特徵。
- 資料分布隨時間改變的情境。
模型在乾淨資料上跑得好，只能證明它會跑；在髒資料下仍能提供穩定結果，才比較接近能上線。
哪些情況不適合使用半非負矩陣分解？
半非負矩陣分解不是通用型 AI 模型。以下情況不一定值得導入：
資料原本全部是非負值
如果資料是詞頻、交易次數、濃度或像素強度，而且兩側都需要非負且容易解釋，傳統 NMF 可能更直接。
只需要快速降維
如果目標只是壓縮資料、加速查詢或移除雜訊，成熟的 PCA 或 SVD 實作通常更容易部署，也有更完整的效能工具。
資料關係高度非線性
半非負矩陣分解仍屬於線性表示方法。如果資料真正的結構是曲線、階層或複雜時間關係，核方法、自編碼器或其他非線性模型可能更適合。
資料持續高速更新
解析方法若必須在每次新增資料後重新處理完整矩陣，可能不適合即時串流系統。這時需要評估線上更新演算法，而不是只看一次性實驗的重建誤差。
業務根本不需要可解釋的非負權重
如果最終需求只是提升預測準確率，而且沒有人會查看分解出的權重，半非負限制帶來的價值可能很有限。
技術選型最怕「先選工具，再替它找問題」。我買機械鍵盤可以接受這種做法，公司資料平台最好不要。
全局解析解目前值得使用嗎？
我的判斷是：值得研究與重現，但還不適合直接被包裝成已經成熟的標準答案。
它目前的優點包括：
- 不依賴隨機初始化。
- 理論上可減少局部最佳解問題。
- 在論文的小型測試中取得較低重建誤差。
- 同時支援非負與包含正負值的輸入。
- 有機會成為評估迭代演算法的固定基準。
目前的不足則包括：
- 仍是尚待同行審查的第一版預稿。
- 與既有半非負矩陣分解困難度研究存在理論衝突。
- 實驗資料規模非常小。
- 缺少完整的執行時間與記憶體測試。
- 尚未驗證稀疏、缺值、串流及高維資料。
- 沒有足夠的第三方重現與正式環境案例。
如果是研究團隊，我會建議重做論文實驗，再增加大型稀疏資料與多組迭代基準。如果是產品團隊，我會先把它留在離線概念驗證階段，不會因為摘要寫著「全局最佳」就立刻替換既有流程。
常見問題
什麼是半非負矩陣分解？
半非負矩陣分解是一種降維與資料表示方法。它允許基本模式包含正值和負值，但要求每筆資料使用這些模式時的權重保持非負，適合處理經過中心化、標準化或本身含有正負值的資料。
半非負矩陣分解和 NMF 有什麼不同？
NMF 通常要求兩組分解結果都不能出現負值；半非負矩陣分解則只限制其中的權重部分。NMF 比較適合詞頻、濃度和交易次數，半非負矩陣分解則能處理報酬率、偏差值、殘差與中心化特徵。
半非負矩陣分解和 PCA 哪個比較好？
沒有固定答案。PCA 計算成熟，適合一般降維；半非負矩陣分解則能提供非負權重，在分群與組成分析中可能比較容易解釋。應根據資料是否包含負值，以及結果是否需要業務解釋來選擇。
半非負矩陣分解真的已經有全局解析解嗎？
2025 年的研究預稿提出這項主張，但目前仍待同行審查，而且和既有的計算困難度研究存在需要釐清的差異。因此現階段應將它視為值得驗證的新研究，而不是已獲普遍確認的結論。
解析解一定比迭代方法快嗎？
不一定。解析方法仍需進行矩陣分解與幾何運算。實際速度取決於樣本數量、特徵維度、資料稀疏程度和底層實作。沒有大型效能測試前，不能只憑「非迭代」三個字判定速度。
如何選擇分解後的維度？
可以同時觀察驗證資料的重建誤差、下游任務表現、群組穩定性及結果可解釋性。維度不是越高越好；維度太高可能只是把原始雜訊一起保留下來。
結語：先把「論文可行」和「正式環境可用」分開
半非負矩陣分解解決的是一個很實際的問題：資料包含正負值，但我們仍希望每筆資料能以非負權重組合少量模式。
全局解析解若能通過後續審查和獨立驗證，可能讓結果更加穩定，也減少初始化與迭代調整的麻煩。只是從目前證據來看，它仍處於有趣但早期的研究階段。
論文中的兩組小型實驗證明了這個方向值得繼續測試，卻沒有證明它能直接處理大型、稀疏、持續更新而且充滿髒資料的正式系統。
對我來說，一套方法是否值得使用，不只看它能不能在論文裡找到漂亮答案，還要看團隊能不能重現、監控、維護，以及半年後出問題時，是否有人知道該從哪裡開始查。
畢竟演算法跑出答案只是第一步。能讓那個答案星期一到星期五都穩定運作，才是工程真正開始的地方。
立即體驗安全可靠的交易平台，點擊加入：https://www.okx.com/join?channelId=42974376
