La factorización de matrices no negativas (NMF) es una teoría fundamental que ha recibido mucha atención y se utiliza ampliamente en ingeniería de imágenes, reconocimiento de patrones y otros campos. Sin embargo, la NMF clásica tiene limitaciones como centrarse solo en la información local, sensibilidad al ruido y problemas de tamaño de muestra pequeña (SSS). Por lo tanto, cómo desarrollar la NMF para mejorar el rendimiento y la robustez del algoritmo es un desafío que vale la pena. Basándonos en los cuellos de botella anteriores, proponemos un algoritmo de factorización de rango bajo no negativo regularizado por grafo exponencial (EGNLRF) que combina la dispersión, el rango bajo y la exponencial de matrices. Primero, basándonos en la suposición de que los datos están corroídos, descomponemos un elemento de datos crudo dado con una matriz de ruido de ajuste de error de datos, aplicando una restricción de rango bajo a los datos de desenmascaramiento. Luego, realizamos una factorización no negativa en la matriz de rango bajo resultante, de la cual derivamos la representación de baja dimensionalidad de la matriz original. Finalmente, utilizamos la representación de baja dimensionalidad para la incrustación de grafos para mantener la geometría entre muestras. Los términos de incrustación de grafos se exponencian en matrices para hacer frente a problemas de SSS y sensibilidad al vecino más cercano. Los tres pasos anteriores se incorporarán en un marco conjunto para validarse y optimizarse mutuamente; por lo tanto, podemos aprender representaciones de datos latentes que no se ven perturbadas por el ruido y preservan la estructura local de las muestras conocidas. Realizamos experimentos de simulación en diferentes conjuntos de datos y verificamos la efectividad del algoritmo comparándolo con los relacionados con la NMF, el rango bajo y la incrustación de grafos.