Méthode comprimée et distribuée de factorisation pondérée en matrices non-négatives pour les matrices de grande dimension

National audience ; Weighted Non-Negative Matrix Factorization (WNMF) allows factoring a data matrix while taking into account the confidence in each data point. When the weights are not binary, most WNMF methods are slow and poorly suited to processing large data matrices. In this paper, we tackle this problem by proposing a compressed (by random projections) and distributed WNMF approach. Random projections are among the main techniques to process big data. They have been combined with WNMF in an EM formalism that requires some computations which might not fit in memory. In this paper, we propose a technique which does not require such computations and which can distribute the update rules of the factor matrices. ; La factorisation pondérée en matrices non-négatives (WNMF) permet de factoriser une matrice de données tout en tenant compte de la confiance en chaque point de donnée. Lorsque les poids ne sont pas binaires, la plupart des méthodes proposées pour la WNMF sont lentes et peu adaptées au traitement de matrices de données volumineuses. Dans cet article, nous nous attaquons à ce problème en proposant une approche comprimée (par projections aléatoires) et distribuée de WNMF. Les projections aléatoires font partie des principales techniques pour accélérer le traitement de données de grande dimension. Elles ont été combinées à la WNMF dans un formalisme EM qui nécessitent certains calculs qui pourraient ne pas tenir dans la mémoire. Dans cet article, nous proposons une technique qui ne nécessite pas de tels calculs et qui permet de mettre à jour les facteurs matriciels de manière distribuée.