A FEAST variant incorporated with a power iteration
我们提出了一个变体的FEAST矩阵特征值求解器解决限制性实和对称本征值问题。该方法是来自FEAST方法,它采用两个轮廓积分每次迭代,和一个电源子空间迭代过程的一个变体的组合。与原FEAST方法相比,新方法不要求搜索子空间维数必须大于或等于搜索区间内的特征值个数,能更有效地处理窄搜索区间.实验表明,FEAST迭代和幂子空间迭代是一种互利的协作,使新方法具有稳定性和鲁棒性。
2022-03-06 cs.NA math.NA
A CJ-FEAST GSVDsolver for computing a partial GSVD of a large matrix pair with the generalized singular values in a given interval
Tsinghua University(清华大学)
本文提出了一种基于CJ-FEAST方法的GSVD求解器,用于高效计算大型矩阵对在特定区间内广义奇异值的分解。
2023-10-16 cs.NA math.NA
Zolotarev Quadrature Rules and Load Balancing for the FEAST Eigensolver
求解大型稀疏特征值问题的FEAST方法等价于具有近似谱投影和隐式正交化的子空间迭代。这种关系允许表征该方法的收敛性方面的误差的某一合理逼近的指示函数。我们提出了改进的理性逼近导致FEAST变种更快的收敛速度,特别是当使用理性逼近Zolotarev的工作的基础上。数值实验表明,可能的计算节省,特别是铅笔的特征值没有很好地分离,当搜索空间的维数仅略大于所需的特征值的数量。当FEAST在多个搜索区间并行运行时,新方法提高了收敛鲁棒性和负载平衡。
2014-07-30 cs.MS cs.NA math.NA
Dissecting the FEAST algorithm for generalized eigenproblems
Bergische Universität Wuppertal(伍珀塔尔大学);Forschungszentrum Jülich, Institute for Advanced Simulation(于利希研究中心先进模拟研究所)
本文分析FEAST方法计算大型稀疏矩阵束选定特征值和特征向量的过程,揭示其与Rayleigh-Ritz方法的紧密联系,并识别影响收敛性和精度的关键问题。
2012-04-08 cs.NA math.NA
FEAST Eigensolver for non-Hermitian Problems
一个详细的新的升级的FEAST特征值求解器针对非厄米特本征值问题提出和深入讨论。它的目的是扩大类特征问题,可以解决的框架内的FEAST算法。该算法非常适合于计算选定的内部特征值及其相关的右/左双正交特征向量,位于一个子集的复平面。它结合了子空间迭代与有效的轮廓积分技术,近似的左,右光谱投影仪。我们讨论了各种算法的选择,已经作出了改进的稳定性和可用性的新的非厄米特特征解。后者保留了Hermitian FEAST的收敛性和多级并行性,使其成为科学界有价值的新软件工具。
2015-06-15 cs.MS cs.NA math.NA
Analysis of FEAST spectral approximations using the DPG discretization
本工作研究了将 FEAST 算法应用于无界偏微分算子谱计算的问题,证明了使用 DPG 方法近似预解式时无谱污染并给出误差界限,数值实验验证了理论并展示了其在光纤模式计算中的实用价值。
2019-02-09 cs.NA math.NA
Complex moment-based methods for differential eigenvalue problems
本文研究了求微分本征值问题的部分本征对,使得本征值在复平面上的某个区域内。最近,基于“求解然后离散化”的范例,FEAST方法的操作模拟已被提出用于DEPs而不离散化系数操作。与传统的"离散化然后求解"的方法,离散化的运营商和解决由此产生的矩阵问题,FEAST的运营商模拟表现出更高的精度,但是,它涉及到解决大量的常微分方程(ODE)。在本文中,为了减少计算成本,我们提出了类似的樱杉浦型复杂的矩为基础的特征值求解器的DEP使用高阶复数矩的操作,并分析了所提出的方法的误差界。我们发现,要解决的常微分方程的数量可以减少的复杂的时刻的程度的一个因素,而不降低精度,这是由数值结果验证。数值结果表明,所提出的方法是超过5倍的速度相比,运营商模拟FEAST的几个DEP,同时保持几乎相同的高精度。本研究将推动求解离散问题的"求解-离散化"范式,并有助于在实际应用中更快、更准确地求解离散问题。
2022-10-18 cs.NA math.NA
FEAST as a Subspace Iteration Eigensolver Accelerated by Approximate Spectral Projection
计算埃尔米特矩阵或矩阵束的一段特征值及其对应的特征向量有许多应用。最近提出了一种新的基于密度矩阵的算法,并开发了一个软件包FEAST。密度矩阵方法允许FEAST的实现利用现代计算机体系结构的关键优势,即多层次的并行性。因此,该软件包受到了好评,特别是在电子结构界。然而,对FEAST的理论分析却相对滞后。例如,FEAST算法尚未被证明收敛。本文对FEAST进行了详细的数值分析。特别是,我们表明,FEAST算法可以被理解为一个加速子空间迭代算法结合瑞利-里兹过程。FEAST的新颖之处在于它的加速器,这是一个合理的矩阵函数,近似的光谱投影到本征空间的问题。这种近似的光谱投影仪和FEAST算法中产生的子空间的数值性质的分析建立了算法的收敛性。本文表明,FEAST是弹性的舍入误差,并建立属性,可以利用,以提高算法的鲁棒性。最后,我们提出了一个扩展的FEAST处理非埃尔米特问题,并提出了一些未来的研究方向。
2014-01-20 cs.MS cs.NA math.NA
Constrained Optimisation of Rational Functions for Accelerating Subspace Iteration
Lehrstuhl für High-Performance and Automatic Computing(高性能与自动计算教席)
本文提出通过标准最小化算法获得高性能有理滤波器函数,高效获得有约束的有理滤波器函数,并改进现有有理滤波器函数算法,使FEAST算法平均迭代次数减少四分之一。
2017-10-21 cs.NA math.NA
A New Highly Parallel Non-Hermitian Eigensolver
计算矩阵或矩阵束的特征值和特征向量的部分有许多应用。2009年提出了一种基于密度矩阵的厄米特问题计算方法,并开发了一个名为FEAST的软件包。密度矩阵方法允许FEAST的实现利用现代计算机体系结构的关键优势,即多层次的并行性。因此,该软件包受到好评,并随后商业化。最近也建立了一个详细的理论分析埃尔米特盛宴。本文首次将FEAST算法和理论推广到非厄米特问题。新算法基本上是基本的子空间迭代或Bauer双迭代,只是使用了一种基于Cauchy积分的加速器。由此产生的算法保留了Hermitian FEAST的多级并行性,使其成为在前沿计算平台上解决大规模计算科学和工程问题的有价值的新工具。
2014-04-10 cs.MS cs.NA math.NA
Computing leaky modes of optical fibers using a FEAST algorithm for polynomial eigenproblems
提出了一种有效的轮廓积分方法来逼近多项式特征值问题的一组非线性特征值,避免了线性化过程中的某些大的逆。它适用于非线性特征值问题,所产生的频率依赖的完全匹配层。这种方法被证明是一种精确的方法计算光纤的泄漏模式。本文对具有复杂横向微结构的反谐振光纤进行了大量的计算。这种结构被发现提出了大量的计算困难:即使当采用超过一百万自由度,光纤模型似乎仍然在一个preasymptomatic政权计算的限制损失值很可能是由数量级。计算模式损耗的其他困难,以及克服这些困难的实用技术,都有详细说明。
2021-08-11 cs.NA math.NA physics.optics
Randomized Implicitly Restarted Arnoldi method for the non-symmetric eigenvalue problem
本文提出随机隐式重启Arnoldi方法,通过sketch-正交基和重启策略高效求解非对称特征值问题,并验证其数值效率。
2024-07-03 cs.NA math.NA
Randomized block Krylov methods for approximating extreme eigenvalues
随机块Krylov子空间方法是一类计算对称矩阵的极值特征值或一般矩阵的极值奇异值的强有力的算法。本文的目的是开发新的理论界的性能随机块Krylov子空间方法对这些问题。对于多项式谱衰减的矩阵,随机块Krylov方法可以仅使用常数步数(取决于衰减率和精度)获得精确的谱范数估计。此外,分析表明,该算法的行为取决于在一个微妙的方式上的块大小。数字证据证实了这些预测。
2021-10-01 cs.NA math.NA
Randomized methods for computing joint eigenvalues, with applications to multiparameter eigenvalue problems and root finding
针对近可交换矩阵族的联合特征值数值计算问题,提出基于矩阵随机线性组合特征向量的Rayleigh商随机计算方法,可准确求解半单联合特征值并提升多参数特征值等问题求解器性能。
2024-08-31 cs.NA math.NA
Fast & Accurate Randomized Algorithms for Linear Systems and Eigenvalue Problems
本文发展了一类新的求解一般线性系和本征值问题的算法。这些算法应用快速随机草图来加速子空间投影方法,如GMRES和Rayleigh-Ritz。这种方法在设计近似子空间的基础方面提供了很大的灵活性,这可以提高许多计算环境中的可扩展性。由此产生的算法优于经典的方法,以最小的精度损失。对于模型问题,数值实验表明,MATLAB的优化例程,包括一个$100 \times$加速gmres和一个$10 \times$加速eigs有很大的优势。
2022-02-16 cs.NA math.NA
An Iterative Method for Contour-Based Nonlinear Eigensolvers
轮廓积分技术已成为求解线性和非线性本征值问题的一种常用方法。主要包括Sakurai-Sugiura方法、Beyn算法、FEAST/NLFEAST算法和其他有理滤波技术。虽然这些方法可以导致有效的“黑箱”方法来解决线性特征值问题,但它们仍然存在一些缺点,用于解决非线性本征值问题,这在数学上和实际上都更具挑战性。在本文中,我们介绍了一种新的混合算法,有利地结合了迭代性质的NLFEAST的有效性的Beyn的方法来处理一般的非线性。在这样做时,这种NLFEAST-Beyn混合算法可以克服目前的局限性,这两种算法分别采取。在介绍了它的推导从Beyn的和NLFEAST的角度来看,几个数值例子进行了讨论,以证明新技术的效率。
2020-07-08 cs.NA math.NA
Restoring similarity in randomized Krylov methods with applications to eigenvalue problems and matrix functions
PSI Center for Scientific Computing, Theory and Data(瑞士保罗谢勒研究所科学计算、理论与数据中心);Institute of Mathematics, EPF Lausanne(洛桑联邦理工学院数学研究所)
本文提出一种改进的随机Arnoldi方法,通过恢复Hessenberg矩阵的相似性,提升大规模本征值问题和矩阵函数计算的稳定性与效率。
2026-01-15 cs.NA math.NA
Fast randomized non-Hermitian eigensolver based on rational filtering and matrix partitioning
本文给出了一组计算非埃尔米特矩阵束的特征值(及相关特征向量)的有理滤波算法。我们的兴趣在于计算位于一个给定的磁盘内的特征值,和所提出的算法近似这些特征值和相关的特征向量的谐波Rayleigh-Ritz投影的子空间通过计算范围空间的有理矩阵函数通过随机测距仪。这些有理矩阵函数被设计为使得与非寻求特征值相关联的方向被阻尼到(近似)零。引入基于矩阵划分的变体,以进一步降低所提出的框架的整体复杂性。与现有的基于有理矩阵函数的特征值求解器相比,所提出的技术不需要估计位于磁盘内的特征值的数量。一些理论和实际问题进行了讨论,并通过数值实验证明了所提出的框架的竞争力。
2021-03-08 cs.NA math.NA
Randomized Estimation of T-Eigenvalues of T-SPD Tensors: A Two-Sided Bracket
Indian Institute of Information Technology, Design and Manufacturing Kancheepuram(印度信息技术学院坎切普拉姆分校)
针对T-SPD张量,提出四种随机方法估计极值T-特征值,包括随机幂法、子空间迭代、结合确定性上界的双边括号法以及仅需矩阵向量乘积的Hutchinson型方法,克服了确定性界在大型张量中相对间隙过大的局限。
2026-06-24 cs.NA math.NA
Randomized algorithms for Generalized Hermitian Eigenvalue Problems with application to computing Karhunen-Loève expansion
Stanford University(斯坦福大学)
本文提出随机算法求解广义Hermitian特征值问题,避免计算B的平方根,提供收敛分析和误差界,并应用于计算Karhunen-Loève展开。
2015-05-12 cs.NA math.NA
Randomized block Gram-Schmidt process for solution of linear systems and eigenvalue problems
本研究提出用于QR分解的随机分块Gram-Schmidt过程(RBGS),兼具高效性与稳定性,基于其开发了线性系统和特征值问题求解方法的随机版本并通过数值算例验证。
2023-05-27 cs.NA math.NA
Analysis of eigenvalue condition numbers for a class of randomized numerical methods for singular matrix pencils
针对奇异矩阵束广义特征值求解难题,分析三类随机化转化方法的特征值条件数,证明其稳定性良好,还给出相关随机变量乘积的左尾界。
2024-01-11 cs.NA math.NA
Randomized sketching of nonlinear eigenvalue problems
针对大规模向量和矩阵值非线性函数直接应用集值AAA方法低效的问题,提出一种黑盒随机降维方法sketchAAA,在保持高效的同时以高概率获得更优近似,并在非线性特征值问题中实现超200倍加速且不损失精度。
2024-06-26 cs.NA math.NA
A Contour Integral-Based Algorithm for Computing Generalized Singular Values
Fudan University(复旦大学);MOE Key Laboratory for Computational Physical Sciences, Fudan University(复旦大学计算物理科学教育部重点实验室)
本文提出一种基于轮廓积分的算法,用于高效计算矩阵或矩阵对的广义奇异值,通过优化投影策略提升计算效率与精度。
2026-03-09 cs.NA math.NA
Randomized inexact block triangular preconditioners for double saddle-point systems in PDE-constrained optimization
Department of Applied Mathematics, College of Science, China Agricultural University(中国农业大学理学院应用数学系)
针对PDE约束优化的双鞍点系统,开发保留块结构的随机不精确块三角预条件子,经谱分析与数值实验验证其有效性、鲁棒性及可扩展性。
2026-09-02 cs.NA math.NA
Non-Linear Least-Squares Optimization of Rational Filters for the Solution of Interior Eigenvalue Problems
RWTH Aachen University(亚琛工业大学);Jülich Supercomputing Centre, Institute for Advanced Simulation, Forschungszentrum Jülich GmbH(于利希超级计算中心,先进模拟研究所,于利希研究中心有限公司)
本文提出基于非凸加权最小二乘方案的有理滤波器优化框架,结合FEAST库在多个基准问题中表现优异,通过利用对称性优化过程、梯度下降算法、起始位置选择及约束优化方案提升本征值求解性能。
2017-04-28 cs.CE cs.NA math.NA
A Parallel Direct Eigensolver for Sequences of Hermitian Eigenvalue Problems with No Tridiagonalization
本文提出了一种不带三对角化的Hermitian本征值问题序列的并行直接特征求解器,记作\texttt{PDESHEP},它将直接方法和迭代法结合起来。\texttt{PDESHEP}首先将埃尔米特矩阵约简为带状形式,然后对带状矩阵进行谱切片,最后通过反变换计算原矩阵的特征向量。因此,与传统的直接特征值求解器相比,\texttt{PDESHEP}避免了三对角化,这包括许多内存有界的操作。在这项工作中,迭代方法在\texttt{PDESHEP}是基于轮廓积分方法实现的FEAST。带状矩阵的直接法和迭代法的结合需要一些有效的数据重分布算法,从二维到一维和从一维到二维的数据结构。因此,提出了一些两步数据重新分配算法,其可以是$10\times$比ScaLAPACK例程\texttt{PXGEMR2D}更快。对于对称自洽场(SCF)本征值问题,当使用$4096$过程时,\texttt{PDESHEP}的平均速度比ELPA中最先进的直接求解器快$1.25\times$.从实际应用中获得的稠密埃尔米特矩阵和SuiteSparse集合中的大型实数稀疏矩阵的数值结果。
2022-03-18 cs.MS cs.NA math.NA
A structural bound for cluster robustness of randomized small-block Lanczos
EPF Lausanne(洛桑联邦理工学院)
针对Lanczos方法计算簇特征值时鲁棒性不足的问题,提出随机小块Lanczos方法,并利用矩阵多项式工具推导其簇鲁棒性的结构界。
2026-05-30 cs.NA math.NA
Randomized Jacobi-Davidson method
EPF Lausanne(洛桑联邦理工学院);PSI Center for Scientific Computing, Theory and Data, PSI(瑞士保罗谢勒研究所科学计算、理论与数据中心)
提出随机化Jacobi-Davidson方法,以廉价随机正交化替代经典正交化,在保持局部二次收敛的同时降低计算成本,实验验证其可靠性与经典方法相当。
2026-09-25 cs.NA math.NA
A Randomized Multivariate Matrix Pencil Method for Superresolution Microscopy
University of Vienna(维也纳大学);Osnabrück University(奥斯纳布吕克大学)
本文提出基于同时对角化的随机多变量矩阵 pencil 方法,用于稀疏指数和的参数识别,并应用于合成和实验荧光显微镜数据验证。
2018-05-16 cs.NA math.NA
Randomized Krylov-Schur eigensolver with deflation
本文提出随机化Krylov-Schur算法,结合收缩技术,高效求解大规模特征值问题,并验证了其可扩展性与准确性。
2025-08-07 cs.NA math.NA
Randomized orthogonalization and Krylov subspace methods: principles and algorithms
Sorbonne University(索邦大学);INRIA(法国国家数字科学研究所);EPFL(洛桑联邦理工学院);PSI Center for Scientific Computing, Theory and Data(瑞士保罗谢勒研究院科学计算、理论与数据中心)
本文提出了一种通过随机正交化技术减少计算成本的Krylov子空间方法,用于求解大规模线性代数问题。
2025-12-17 cs.NA math.NA
Randomized Dynamic Mode Decomposition
提出了一种计算近优低秩动态模式分解(DMD)的随机算法。随机算法是计算低秩矩阵近似值的新兴技术,其成本仅为确定性算法的一小部分,缓解了“大数据”领域出现的计算挑战。其思想是从高维数据中导出一个小矩阵,然后使用该矩阵来有效地计算动态模式和特征值。该算法采用模块化概率框架,通过过采样和幂次迭代控制逼近质量。所得到的随机DMD算法的有效性证明了几个基准的例子越来越复杂,提供了一个准确和有效的方法来提取时空相干结构从大数据的框架中,规模与固有的排名的数据,而不是周围的测量尺寸。在这项工作中,我们假设所考虑的问题的动力学是在一个低维子空间上发展的,该子空间的特征在于快速衰减的奇异值谱。
2019-11-27 cs.NA math.NA
A Generalized Randomized Rank-Revealing Factorization
我们引入了一个广义随机QR分解,可以应用于矩阵及其逆矩阵的任意乘积,而不需要显式计算的产品或逆。这种分解是一个通信最佳频谱分治算法的非对称本征值问题的关键部分。在本文中,我们建立了这种随机QR-因子分解满足强秩揭示性质。我们还正式证明了它的稳定性,使其适用于应用程序。最后,我们提出的数值实验表明,我们的理论界捕获的经验行为的因子分解。
2019-09-14 cs.DS cs.NA math.NA
On random coarsening and its applications
Department of computer science KU Leuven(荷语鲁汶大学计算机系);ULB, Brussels(布鲁塞尔自由大学)
本文利用Poincaré分离定理估计细网格的特征值,提出一种随机粗化算法,通过构建多个不同的粗网格获得更全面的特征值估计,适用于现代多核和分布式处理。
2012-05-24 cs.NA math.NA
Randomized Oversampling for Generalized Multiscale Finite Element Methods
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Texas A&M University(德克萨斯农工大学);Universidad Nacional de Colombia(哥伦比亚国立大学)
本文提出一种高效的多尺度方法,利用随机采样减少局部问题求解数量,提升广义多尺度有限元方法的效率和适应性。
2014-09-24 cs.NA math.NA
Stabilizing the Rayleigh--Ritz procedure by randomization
EPF Lausanne(洛桑联邦理工学院)
针对从给定子空间提取近似特征对时,标准Rayleigh--Ritz过程可能收敛变差甚至失败的问题,提出一种随机化Rayleigh--Ritz过程,其输出收敛速度与理想投影相当。
2026-10-27 cs.NA math.NA
Global Convergence of Hessenberg Shifted QR III: Approximate Ritz Values via Shifted Inverse Iteration
我们给出了一个自包含的随机算法的基础上移位逆迭代可证明计算的特征值的任意矩阵$M\in\mathbb{C}^{n\times n}$向后错误$δ\|M\|$在$O(n^4+n^3\log^2(n/δ)+\log(n/δ)^2\log\log(n/δ))$浮点运算使用$O(\log^2(n/δ))$位的精度。虽然$O(n^4)$的复杂性对于大矩阵是禁止的,但是该算法是简单的,并且可以用于使用受控精度可证明地计算小矩阵的特征值,特别是用于计算移位QR算法中的Ritz值,如(Banks,Garza-Vargas,Srivastava,2022)。
2022-05-13 cs.NA math.NA
New fast divide-and-conquer algorithms for the symmetric tridiagonal eigenvalue problem
College of Computer Science, National University of Defense Technology(国防科技大学计算机学院)
本文提出两种加速分治算法,用于对称三对角特征值问题,其最坏情况复杂度为O(N²r),利用分层半分离矩阵近似中间特征向量矩阵,两种算法在HSS构造方法上有所不同,实验表明其在大规模矩阵上效率更高。
2015-10-15 cs.NA math.NA
A randomized algorithm for simultaneously diagonalizing symmetric matrices by congruence
本文提出了一种新颖的随机合同同时对角化(RSDC)算法,通过将问题转化为广义特征值问题来实现对称矩阵族的对角化,并证明了其精确恢复与鲁棒恢复性质,在效率上优于现有优化方法且保持相当精度。
2025-04-28 cs.NA math.NA
Improved analysis of randomized SVD for top-eigenvector approximation
KTH Royal Institute of Technology(瑞典皇家理工学院);Academia Sinica(中央研究院)
计算矩阵的顶特征向量是各个领域的基本兴趣问题。虽然大多数文献都集中在分析与检索到的特征向量相关的低秩矩阵的重构误差,但在许多应用中,人们感兴趣的是找到一个具有高瑞利商的向量。本文研究了上特征向量的逼近问题。给定具有最大特征值$λ_1$的对称矩阵$\mathbf{A}$,我们的目标是找到一个向量\hu,该向量以高精度逼近前导特征向量$\mathbf{u}_1$,如通过比率$R(\hat{\mathbf{u}})=λ_1^{-1}{\hat{\mathbf{u}}^T\mathbf{A}\hat{\mathbf{u}}}/{\hat{\mathbf{u}}^T\hat{\mathbf{u}}}$所测量的。我们提出了一种新的分析的随机SVD算法的\citet{halko2011finding},并在许多情况下的利益得到严格的界限。值得注意的是,这是第一个工作,提供了非平凡的界限的$R(\hat{\mathbf{u}})$随机SVD与任何数量的迭代。我们的理论分析是补充了一个彻底的实验研究,证实了该方法的效率和准确性。
2022-02-16 cs.LG cs.NA math.NA
On a randomized small-block Lanczos method for large-scale null space computations
Institute of Mathematics, EPF Lausanne(洛桑联邦理工学院数学研究所)
本文提出一种随机小块Lanczos方法,通过随机对角扰动和随机初始向量,使块大小可小于零度(甚至为1),在保证收敛性的同时降低内存和计算开销,并支持增量计算零空间。
2025-10-28 cs.NA math.NA
Rows vs. Columns: Randomized Kaczmarz or Gauss-Seidel for Ridge Regression
Carnegie Mellon University(卡内基梅隆大学);Claremont McKenna College(克莱蒙特麦肯纳学院);University of California, Berkeley(加州大学伯克利分校)
本文探讨了随机Kaczmarz和Gauss-Seidel方法在岭回归中的应用,比较了不同算法的收敛性,并指出在不同矩阵维度下应选择不同的方法。
2017-05-11 cs.NA math.NA
Structured Divide-and-Conquer for the Definite Generalized Eigenvalue Problem
University of California Berkeley(加州大学伯克利分校);University of California San Diego(加州大学圣地亚哥分校)
针对定号广义特征值问题,提出一种结构感知的随机化分治算法,通过结构化扰动推广伪谱碎裂、保持分治过程定号性,实现了比通用分治方法更低的可证明复杂度,且无逆、高并行。
2026-08-19 cs.NA math.NA
Generalized Pseudospectral Shattering and Inverse-Free Matrix Pencil Diagonalization
该研究推广伪谱粉碎理论,提出一种随机无逆分治算法,可在接近矩阵乘法的时间复杂度内实现矩阵束的高精度近似对角化,为并行广义特征值求解提供新的理论保证。
2024-09-25 cs.NA math.NA
The full configuration interaction quantum Monte Carlo method in the lens of inexact power iteration
Duke University(杜克大学)
本文提出了一种通用分析框架,用于高效求解量子多体问题中高维本征值问题。该框架建立了几种随机算法的收敛定理,包括全配置交互量子蒙特卡罗方法和快速随机迭代方法,并通过数值实验验证了其一致性。
2018-06-28 cs.NA math.NA physics.comp-ph
The shift-and-invert Arnoldi method for singular matrix pencils
KU Leuven(荷语鲁汶大学);Dalian Polytechnic University(大连工业大学)
本文提出利用移位-反向 Arnoldi 方法解决大规模稀疏奇异矩阵 pencil 的问题,通过稀疏 LU 分解得到的消元序列生成稀疏正则化矩阵,并提出修正方法以提高计算精度。
2026-05-18 cs.NA math.NA
Last-Iterate Convergence of Randomized Kaczmarz and SGD with Greedy Step Size
University of Michigan(密歇根大学);National University of Singapore(新加坡国立大学)
研究SGD在贪心步长下对光滑二次插值问题的最后轮收敛,证明t次迭代达到O(1/t^{3/4})收敛速度,改进了Attia等人提出的O(1/t^{1/2})保证。
2026-04-10 cs.LG cs.NA math.NA
Linear Systems and Eigenvalue Problems: Open Questions from a Simons Workshop
本文提出了一系列矩阵计算中的开放问题,涵盖线性系统求解、特征值计算、低秩近似、随机化采样及其他领域,如张量、量子系统和矩阵函数。
2026-08-24 cs.DS cs.NA math.NA
Randomized Projection Learning Method forDynamic Mode Decomposition
Clarkson University(克拉克森大学)
一种被称为动态模式分解(DMD)的数据驱动分析方法在投影空间上近似线性Koopman算子。根据Johnson-Lindenstrauss引理,我们将使用随机投影来估计约维空间中的DMD模式。在实际应用中,快照是在高维可观测空间中,DMD算子矩阵是巨大的。因此,用全谱计算DMD是不可行的,所以我们的主要计算目标是估计DMD算子在投影域中的本征值和本征向量。我们将推广目前的算法来估计一个投影DMD算子。我们专注于一个强大的和简单的随机投影算法,将减少计算和存储成本。虽然很明显,随机投影简化了详细的最佳投影的算法复杂性,但正如我们将展示的那样,通常结果仍然很好,并且通过完善的随机投影理论可以理解质量。我们将证明,模式可以计算为低成本的投影数据具有足够的维度。关键词:Koopman算子,动态模式分解(DMD),Johnson-Lindenstrauss引理,随机投影,数据驱动方法。
2021-09-22 cs.LG cs.NA math.NA
The Complexity of Primal-Dual Fixed Point Methods for Ridge Regression
University of Edinburgh(爱丁堡大学);Federal University of Paraná(巴拉那联邦大学)
本文研究了岭回归问题及其对偶问题,通过分析最优条件,发现其可表示为结构化矩阵的线性系统,并比较了固定点方法的性能,揭示了不同变体的复杂性界限及谱性质的联系。
2018-01-19 cs.NA math.NA
Accelerating SAV-based optimization via randomized low-rank Hessian approximation
Department of Pure and Applied Mathematics, Graduate School of Information Science and Technology, The University of Osaka(纯粹与应用数学系,信息科学与技术研究生学校,大阪大学)
提出Nyström增强松弛标量辅助变量方法(N-RSAV),通过随机低秩Nyström近似引入曲率信息加速收敛,并保持无条件修正能量耗散律,在病态问题(如PINNs)中显著快于传统RSAV方法。
2026-06-09 cs.LG cs.NA math.NA
Column Subset Selection, Matrix Factorization, and Eigenvalue Optimization
本文提出一种随机多项式时间算法,通过特征值最小化构造Grothendieck分解,实现Bourgain-Tzafriri定理中良好条件列子集的提取,并给出矩阵(∞,1)范数的近似算法。
2008-06-26 cs.NA math.FA math.NA
Convergence Analysis of Block Coordinate Algorithms with Determinantal Sampling
ETH Zurich(苏黎世联邦理工学院);University of California, Berkeley(加州大学伯克利分校)
分析了Qu等人提出的随机化Newton类方法的收敛速度。(2016)用于平滑和凸目标,其使用Hessian-over-approximation矩阵$\bM$的随机坐标块而不是真正的Hessian。由于算法对$\bM$结构的复杂依赖性,算法的收敛性分析具有挑战性。然而,我们表明,当坐标块的采样概率成正比于其行列式,收敛速度仅取决于矩阵$\bM$的特征值分布,并具有一个解析易处理的形式。为此,我们推导出一个基本的新的期望公式的决定点过程。我们发现,行列式采样允许我们的原因块的频谱方面的最佳子集大小的$\bM$。此外,我们提供了一个数值评估我们的分析,证明情况下,行列式采样优于或等同于均匀采样。
2020-02-12 cs.LG cs.NA math.NA