Strict localization of eigenvectors and eigenvalues
Jagiellonian University(雅盖隆大学)
本文基于改进的锥条件,提出并实现了一种简单高效的方法来严格定位给定矩阵的特征向量和特征值,并有效定位复多项式的零点。
2012-10-30 cs.NA math.NA
On Eigenvector Computation and Eigenvalue Reordering for the Non-Hermitian Quaternion Eigenvalue Problem
Jiangsu Normal University(江苏师范大学);Fudan University(复旦大学);Yale University(耶鲁大学)
本文为四元数QR算法提出了特征向量计算与特征值重排序方法,成功将AED技术应用于四元数特征值问题以提升收敛性,并通过数值实验验证了算法的有效性。
2025-11-04 cs.NA math.NA
From eigenvector nonlinearities with quadratic structure to eigenvalue nonlinearities with algebraic structure
该研究提出一种转化方法,将特定类依赖特征向量的非线性特征值问题等价转为代数型特征值非线性问题,结合收缩与局部二次收敛迭代法求解,通过GPE修正问题验证了效率。
2025-09-04 cs.NA math.NA
Solving General Joint Block Diagonalization Problem via Linearly Independent Eigenvectors of a Matrix Polynomial
Peking University(北京大学);University of Electronic Science and Technology of China(电子科技大学);Beijing International Center for Mathematical Research, Peking University(北京大学北京国际数学研究中心)
本文提出通过矩阵多项式线性无关特征向量求解一般联合块对角化问题,证明了精确解的构造方法,并给出了近似解的理论依据及数值实验结果。
2017-04-19 cs.NA math.NA
Accelerating eigenvector and pseudospectra computation using blocked multi-shift triangular solves
多移位三角形解是基本的线性代数计算,在特征向量和伪谱计算中有应用。我们提出了分块算法,有效地利用3级BLAS执行多移位三角形解决和安全的多移位三角形解决。数值实验表明,计算三角形特征向量的安全多移位三角形解决方案实现了60倍的加速比相对于LAPACK。该算法使一般特征向量的计算速度提高了三倍。当使用多移位三角形求解来计算伪谱时,我们报告了相对于EigTool的九倍加速。
2016-07-30 cs.MS cs.NA math.NA
Verified eigenvalue and eigenvector computations using complex moments and the Rayleigh$\unicode{x2013}$Ritz procedure for generalized Hermitian eigenvalue problems
提出了一种计算广义厄米特本征值问题区域内本征值及相应本征向量的方法。该方法利用复数矩从随机矩阵中提取感兴趣的特征分量,并利用Rayleigh $\unicode{x2013}$ Ritz过程将给定的本征值问题投影为约化的本征值问题。复矩由围道积分给出,并使用数值积分进行近似。我们将复矩中的误差分成正交的截断误差和舍入误差,并对每一个进行评估。这种误差评估的思想继承了我们以前的汉克尔矩阵方法,而所提出的方法使验证的特征向量,并需要一半的正交点的数量为以前的方法,以减少相同的顺序的截断误差。此外,Rayleigh $\unicode{x2013}$ Ritz过程方法形成能够验证特征向量的变换矩阵。数值实验表明,该方法是比以前的方法更快,同时保持验证性能和工程几乎奇异矩阵束和存在多个和几乎多个特征值。
2022-10-25 cs.NA math.NA
Eigenvalue and Eigenvector Approximation for Random Matrices Using Low-Degree Polynomials
本研究确定了随机矩阵顶部特征值与特征向量逼近的临界多项式次数阈值,建立了谱方法与低次多项式算法的精确联系,并给出了精确的渐近逼近精度。
2026-10-05 cs.DS cs.NA math.NA
Extrapolating the Arnoldi Algorithm To Improve Eigenvector Convergence
我们考虑外推的Arnoldi算法,以加快计算的主导特征值/特征向量对。基本算法使用序列的Krylov向量,形成一个小的特征值问题,这是完全解决。从连续的Arnoldi步骤输出的两个主导特征向量,然后重新组合,以形成一个外推的ESTA,这个加速ESTA用于重新启动下一个Arnoldi过程。我们目前的数值结果测试的算法在各种情况下,并发现在大多数情况下,它大大提高了重新启动Arnoldi的性能。外推是一个简单的后处理步骤,具有最小的计算成本。
2021-03-15 cs.NA math.NA
Second order accurate distributed eigenvector computation for extremely large matrices
U.C. Berkeley(加州大学伯克利分校);Princeton University(普林斯顿大学)
提出一种二阶精度方法,通过平均随机子采样矩阵的特征向量来高效近似原始矩阵的真实特征向量,适用于极大规模矩阵。
2010-02-05 cs.NA math.NA math.PR
Equivalences for Linearizations of Matrix Polynomials
计算次数至多为$z$中的$\ell$的矩阵多项式${\bf P}(z) \in \mathbb{C}^{n\times n}[z]$(简称为等级$\ell$)的特征值的一种有用的标准方法是首先将${\bf P}(z)$变换为等价的线性矩阵多项式${\bf L}(z)=z{\bf B}-{\bf A}$,称为伴随束,其中${\bf A}$和${\bf B}$通常具有比${\bf P}(z)$更大的维数,但是${\bf L}(z)$现在仅为$z$中的等级$1$。${\bf L}(z)$的本征值和本征向量可以通过例如QZ算法进行数值计算。如果${\bf L}(z)$是所谓的${\bf P}(z)$的"强线性化",则${\bf P}(z)$的本征向量,包括对于无限本征值的本征向量,也可以从${\bf L}(z)$的本征向量恢复。在本文中,我们展示了如何使用算法计算的一个标量多项式的同伴矩阵的Hermite规范形,以指导发现么模矩阵多项式的余因子${\bf E}(z)$和${\bf F}(z)$,通过方程${\bf E}(z){\bf L}(z){\bf F}(z) = \mathrm{diag}( {\bf P}(z), {\bf I}_n, \ldots, {\bf I}_n)$,明确显示的等价性${\bf P}(z)$和${\bf L}(z)$。通过这种方法,我们给出了新的显式结构的几…
2021-02-19 cs.NA math.NA
On matrix balancing and eigenvector computation
Colorado College(科罗拉多学院);University of Colorado Denver(科罗拉多大学丹佛分校)
本文提出改进LAPACK平衡算法的停止准则,以提高矩阵平衡的准确性,从而提升特征值计算的精度和稳定性。
2014-01-22 cs.NA math.NA
Variational Characterization of Monotone Nonlinear Eigenvector Problems and Geometry of Self-Consistent-Field Iteration
研究了一类具有特征向量非线性项的单调本征值问题(mNEPv). mNEPv在计算矩阵的联合数值半径、三阶偏对称张量的最佳秩一近似、耗散Hamilton微分代数方程方程的奇异性距离等应用中会遇到。首先,我们提出了一个变分表征的mNEPv。基于变分特征,我们给出了求解mNEPv的自洽场(SCF)迭代的几何解释,证明了SCF的整体收敛性,并设计了一个加速SCF.从各种应用程序的数值例子证明了理论性能和计算效率的SCF和它的加速。
2022-11-09 cs.NA math.NA
Theoretical results for eigenvalues, singular values, and eigenvectors of (flipped) Toeplitz matrices and related computational proposals
在最近的一系列论文中,从谱分布的意义上研究了矩阵序列$\{Y_nT_n(f)\}$的谱行为,其中$Y_n$是主反对角矩阵(或翻转矩阵),$T_n(f)$是由函数$f$生成的Toeplitz矩阵,其中$f$是勒贝格可积的且具有实傅里叶系数。这种研究也是出于计算的目的,使用(预处理)MINRES算法的相关大型线性系的解决方案。在这里,我们补充了谱研究,得到了更多的结果,这些结果在渐近和固定维数$n$上都成立,并且关于$T_n(f), Y_nT_n(f)$的特征值、奇异值和特征向量以及它们之间的几种关系:除了快速线性解算器之外,另一个目标是设计用于经由无矩阵算法计算相关光谱的特别过程,成本在计算的本征值的数量上是线性的。我们强调,非单调生成函数的情况下的挑战被认为是在目前的工作中,以前的无矩阵算法失败。数值实验的报告和评论,以显示在一个可视化的方式的理论分析的目的。
2022-07-18 cs.NA math.NA
In-memory eigenvector computation in time O(1)
利用交叉点电阻存储器阵列的存内计算在以数据为中心的应用的计算中加速矩阵向量乘法已经获得了极大的关注。通过组合交叉点阵列和反馈放大器,可以在一个步骤中计算矩阵特征向量,而无需算法迭代。在这项工作中,时间复杂度的特征向量计算的基础上,交叉点电路的反馈分析。结果表明,电路的计算时间取决于电路中实现的特征值的失配程度,从而控制输出电压的上升速度。对于随机矩阵的数据集,计算电路中的主特征向量的时间对于各种矩阵大小是恒定的,即时间复杂度是O(1)。O(1)的时间复杂度也得到了现实世界数据集PageRank模拟的支持。这项工作为在广泛的实际应用中进行特征向量计算的快速,节能的加速器铺平了道路。
2020-05-09 cs.CC cs.ET cs.NA
Computing asymptotic eigenvectors and eigenvalues of perturbed symmetric matrices
本文针对具有重复特征值的对称矩阵扰动问题,提出利用逐次 Schur 补和广义核形式计算极限特征值与特征向量,并将结果应用于平坦极限下核矩阵问题,证明了一个联系核矩阵特征向量与多元正交多项式的猜想。
2025-07-07 cs.NA math.NA
Efficient coordinate-wise leading eigenvector computation
University of Chicago(芝加哥大学)
本文提出并分析了高效的坐标-wise 方法来寻找主特征向量,每一步仅涉及向量-向量乘积。方法在全局收敛性和运行时间上不低于Lanczos方法,并在谱衰减较慢时表现更优。
2017-02-25 cs.LG cs.NA math.NA
A new method for the computation of eigenvalues
本文用一种类似于Jacobi方法的新的数值方法求实对称矩阵的特征值和特征向量。我们的方法包括使用一个新的正交矩阵。在正交矩阵所用函数的意义下,与Jacobi方法相比,该方法计算特征值和特征向量更为简便。
2020-03-27 cs.NA math.NA
On generating Sobolev orthogonal polynomials
研究将生成 Sobolev 正交多项式转化为 Hessenberg 反特征值问题,利用 Krylov 子空间与求积规则确定谱信息,并提出两种新的数值方法来计算 Sobolev 规范正交多项式。
2023-02-21 cs.NA math.NA
Conditioning and backward errors for nonlinear eigenvalue problems with eigenvector nonlinearities
KTH Royal Institute of Technology(瑞典皇家理工学院);KU Leuven(荷语鲁汶大学)
本文研究了具有本征向量非线性的对称非线性本征值问题的本征值条件数和反向误差,推导了可计算的显式表达式,并通过数值实验展示了此类问题相较于线性或本征值非线性理论需要更谨慎处理。
2026-10-19 cs.NA math.NA
Parallel Robust Computation of Generalized Eigenvectors of Matrix Pencils
本文考虑实Schur型矩阵束的广义特征向量的计算问题。在精确算术中,这个问题可以通过代入来解决。在实践中,替换很容易发生浮点溢出。LAPACK中的鲁棒求解器xTGEVC通过动态缩放特征向量来防止溢出。这些子程序是顺序标量代码,逐个计算特征向量。在本文中,我们讨论如何获得强大的分块算法。新的StarNEig库包含一个强大的任务并行求解器Zazamoukh,它运行在StarPU之上。我们的数值实验表明,Zazamoukh实现了超线性加速比DTGEVC足够大的矩阵。
2020-03-10 cs.DC cs.MS cs.NA
A stable, polynomial-time algorithm for the eigenpair problem
City University of Hong Kong(香港城市大学)
本文提出稳定高效的本征对计算算法,解决数值线性代数中的长期开放问题。
2014-10-01 cs.NA math.NA
Constructing an orthonormal set of eigenvectors for DFT matrix using Gramians and determinants
本文基于Matveev的方法,修正了其中的错误并提供更一致的符号,比较了其与传统Gram-Schmidt方法的计算复杂度,并给出了Mathematica模块的实现。
2017-12-12 cs.NA math.NA
A Ritz method for solution of parametric generalized EVPs
本文针对参数化广义特征值问题,提出一种基于平均矩阵特征向量与校正算子稀疏多项式插值采样的Ritz方法,可快速逼近感兴趣谱区间内的特征值,并能有效处理多重特征值与特征值交叉问题。
2025-03-11 cs.NA math.NA
Sparse Hierarchical Preconditioners Using Piecewise Smooth Approximations of Eigenvectors
当求解由PDE离散化产生的线性系统时,迭代法(如共轭梯度法、GMRES或MINRES)通常是唯一实用的选择。然而,为了在少量迭代中收敛,它们必须与有效的预条件子相结合。预条件子的效率很大程度上取决于其对对应于小特征值的特征向量的精度,不幸的是,黑箱方法通常不能保证这些特征向量的足够精度。因此,构建预条件子成为一个问题依赖的任务。然而,对于一大类问题,包括许多椭圆型方程,对应于小特征值的特征向量是PDE网格的光滑函数。在本文中,我们描述了一个分层近似因式分解的方法,重点是提高精度的光滑特征向量。通过保持分解矩阵对网格的分段多项式函数的作用,提高了精度。基于因子分解,我们提出了一族具有$O(n)$或$O(n \log{n})$构造复杂度的稀疏预条件子。我们的方法表现出最佳的$O(n)$解决方案的时间在基准上运行的大型椭圆问题的不同类型,例如在流动或机械模拟。在线性弹性方程的情况下,预条件是精确的近核刚体模式。
2020-02-21 cs.NA math.NA physics.comp-ph
Phase Retrieval from Local Measurements: Improved Robustness via Eigenvector-Based Angular Synchronization
Michigan State University(密歇根州立大学);University of California San Diego(加利福尼亚大学圣迭戈分校)
本文改进了利用相关性测量的相位恢复方法,通过确定性测量构造和鲁棒快速恢复算法提升鲁棒性,理论误差保证和数值实验均优于现有方法。
2016-12-06 cs.NA math.NA
First-order Perturbation Theory for Eigenvalues and Eigenvectors
我们提出了一阶扰动分析的一个简单的特征值和相应的右,左特征向量的一般方阵,不假设是厄米特或正常的。本征值的结果是众所周知的广泛的科学界。本征向量的处理更为复杂,其中的扰动理论在专家群体之外并不为人所知。给出了主特征向量摄动定理的两种不同证明。第一种是块对角化技术,它的灵感来自于数值线性代数研究界,并基于隐函数定理,这种形式显然还没有出现在文献中。第二,基于复变函数理论和本征投影,是标准的解析扰动理论,是一个简化版本的知名结果在文献中。第二个推导使用了一个方便的标准化的权利和左特征向量定义在相关的eigenprojector,但虽然这可以追溯到20世纪50年代,它很少在文献中讨论。然后,我们展示了如何很容易地扩展到处理其他经常在实践中使用的规范化的特征向量扰动理论。我们还解释了如何验证微扰计算结果。最后,我们对重特征值引入的困难作了一些评论,并为重特征值或簇特征值对应的不变子空间的扰动工作提供了参考。在整个文件中,我们提供了广泛的书目评论和参考进一步阅读。
2019-06-03 cs.NA math.NA
Analysis of Truncated Orthogonal Iteration for Sparse Eigenvector Problems
University of Washington(华盛顿大学)
在计算科学和工程中的许多问题都需要对高维系统的稀疏特征向量进行估计。在这里,我们提出了两个变种的截断正交迭代计算多个领先的特征向量的稀疏约束同时。我们建立了数值收敛的结果,所提出的算法使用扰动框架,并扩展我们的分析,以其他现有的替代稀疏特征向量估计。然后,我们应用我们的算法来解决广泛的测试数据集的稀疏主成分分析问题,从简单的模拟到真实世界的数据集,包括MNIST,海面温度和20个新闻组。在所有这些情况下,我们表明,新的方法得到最先进的结果,快速和最小的参数调整。
2021-03-24 cs.LG cs.NA math.NA
Linearizing a nonlinear eigenvalue problem with quadratic rational eigenvector nonlinearities
KU Leuven(荷语鲁汶大学)
针对具有二次有理特征向量非线性项的NEPv,受离散Gross-Pitaevskii方程启发提出线性化方法,将其转化为等价于算子行列式形式广义特征值方程组的线性多参数特征值问题,并用结构Arnoldi算法滤除伪解、加速收敛。
2025-10-03 cs.NA math.NA
Numerical methods for eigenvalues of singular polynomial eigenvalue problems
本文将针对奇异矩阵束的秩完备扰动、秩投影和增广三种数值方法推广到奇异多项式特征值问题,并借助左右特征向量区分真假特征值。
2025-02-19 cs.NA math.NA
Linearizability of eigenvector nonlinearities
我们提出了一种方法来线性化,没有近似,一类特定的本征值问题的特征向量非线性(NEPv),其中的非线性表示的标量函数定义的商的线性函数的特征向量。精确线性化依赖于一个等价的多参数问题(MEP),其中包含的NEPv的精确解。由于表征的MEP的一个广义本征值问题,这提供了一个直接的方法来计算所有的NEPv解决方案的小问题,它开辟了可能性,开发局部收敛的迭代法较大的问题。此外,线性公式使我们能够很容易地确定NEPv的解决方案的数量。我们提出了两个数值方案,利用结构的线性化:逆迭代和剩余逆迭代。我们展示了如何对称的MEP可以用来提高可靠性和降低计算成本的两种方法。两个数值例子验证了理论结果和第三个例子显示了潜在的混合计划,这是基于所提出的两种方法的组合。
2021-05-21 cs.NA math.NA
An Example of Symmetry Exploitation for Energy-related Eigencomputations
RWTH Aachen, AICES(亚琛工业大学,AICES)
本文通过紧束缚近似模型,展示了如何利用系统的对称性计算哈密顿量的本征值和本征向量,从而获得色散关系并描述材料的能带结构。
2009-10-28 cs.NA math.NA
Guessing sequences of eigenvectors for LMPs defining spectrahedral relaxations of Eulerian rigidly convex sets
本文针对 Eulerian 刚性凸集的谱面松弛,利用数值实验构造特征向量序列并线性化,得到随 n 指数增长改进的一元 Eulerian 多项式极值根新界。
2025-07-24 cs.NA math.CO math.NA
Simple exponential acceleration of the power iteration algorithm
许多现实世界的问题依赖于寻找矩阵的特征值和特征向量。幂迭代算法是求一般矩阵最大特征值及其特征向量的一种简单方法。该算法依赖于这样的思想,即随机选择的向量x与矩阵A的重复相乘逐渐放大沿着A的最大特征值的特征向量的向量的分量,同时抑制所有其他分量。不幸的是,幂迭代算法可能表现出缓慢的收敛。在这份报告中,我们证明了指数加速收敛的幂迭代算法,只有一个多项式的计算增加利用矩阵乘法的交换性。
2021-09-22 cond-mat.dis-nn cs.NA math.NA
The Number of Eigenvalues of a Tensor
University of California(加利福尼亚大学)
本文通过将张量的特征向量视为射影空间自映射的不动点,确定了一般张量的特征向量和特征值个数,并证明了对称张量的归一化特征值总是有限的,同时研究了特征多项式及其系数与判别式和结式的关系。
2010-05-14 cs.NA math.AG math.NA
Exact Eigenvalues and Eigenvectors for Some n-Dimensional Matrices
本文为更广泛的$n$维非对称和非persymmetric矩阵推导了精确特征值与特征向量,扩展了解析方法,提升了物理与工程模拟的计算精度和效率。
2024-11-12 cs.NA math.NA math.SP
An iterative Jacobi-like algorithm to compute a few sparse approximate eigenvectors
本文提出一种扩展自Jacobi方法的迭代算法,用于计算对称矩阵的少数极值特征对及其稀疏近似,在稀疏性与精度间实现权衡,并证明了其线性收敛性及在图傅里叶变换和图像分类中的有效性。
2025-09-14 cs.NA eess.SP math.NA
Faster Eigenvector Computation via Shift-and-Invert Preconditioning
Toyota Technological Institute at Chicago(芝加哥丰田技术研究院);Princeton University(普林斯顿大学);UC Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学);MIT(麻省理工学院);Microsoft Research, New England(新英格兰微软研究院)
本文提出更快的算法和改进的样本复杂度,用于估计矩阵Σ的顶部特征向量,通过分离gap依赖性和非零元素数量,改进了经典幂方法和Lanczos方法,并在在线估计中利用方差降低样本复杂度。
2016-05-26 cs.DS cs.LG cs.NA
On condition numbers of polynomial eigenvalue problems with nonsingular leading coefficients
National Technical University of Athens(雅典国立技术大学)
研究具有非奇异首项系数的矩阵多项式特征值问题的条件数,推广经典矩阵扰动理论,建立特征值条件数与伪谱增长率的关系,并给出不涉及特征向量的条件数新表达式及Elsner型扰动界。
2009-07-22 cs.NA math.NA math.SP
Robust Shift-and-Invert Preconditioning: Faster and More Sample Efficient Algorithms for Eigenvector Computation
UC Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学);MIT(麻省理工学院);Microsoft Research(微软研究院)
本文提出更快且更样本高效的算法,用于近似矩阵的顶部特征向量,通过改进经典幂方法和Lanczos方法,结合快速子空间嵌入和随机优化,提升了稳定秩和ε依赖性。
2016-05-30 cs.DS cs.LG cs.NA
Entrywise convergence of iterative methods for eigenproblems
Cornell University(康奈尔大学)
机器学习、统计学和其他领域中的一些问题依赖于计算特征向量。对于大规模的问题,这些特征向量的计算通常是通过迭代方案,如子空间迭代或Krylov方法。虽然有经典和全面的分析子空间收敛保证方面的谱范数,在许多现代应用的子空间距离的其他概念是更合适的。最近的理论工作集中在扰动的子空间测量的$\ell_{2 \to \infty}$规范,但不考虑实际计算的特征向量。在这里,我们解决子空间迭代的收敛时,距离测量的$\ell_{2 \to \infty}$规范,并提供确定性的界限。我们补充我们的分析与一个实际的停止标准,并通过数值实验证明其适用性。我们的研究结果表明,人们可以得到下游任务的性能相当,而需要更少的迭代,从而节省大量的计算时间。
2020-10-31 cs.LG cs.NA cs.SI
Penalized Principal Component Analysis Using Smoothing
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院)
本文提出平滑PEP方法,通过对L1惩罚应用平滑实现解析梯度计算以加速优化,支持高阶特征向量计算,并在基因组数据等实验中证明其能提升数值稳定性、预测准确性和聚类可辨识性。
2025-03-03 cs.LG cs.NA math.NA