NMF 并不总是包括正则化——例如，请参阅此处的前两个成本函数。但是，正则化 NMF 可能很有用：

• 如果您愿意在非负性之外添加额外的约束，您可以生成高度可解释的结构，包括 K-means centroids。
• 如果你想拟合一个 NMF，那么$X = LR$在哪里$L$比$X$，该模型是无用的（微不足道的，不适定的，不可识别的），因为您可以设置$L$等于的零填充版本$X$并设置$R$到一个零填充的单位矩阵。在这种情况下，对每个因子矩阵的 L1 惩罚将通过鼓励两个因子做出贡献来提供帮助。对于低维示例，一对 3 比 9 和 1 产生更低的 L1 惩罚。

另一个可能的答案是 SVD 是一个严格的术语，而 NMF 不是。如果您将正则化添加到 SVD，它将不再被称为 SVD，但术语 NMF 的规定性较低。