Decomposition Approach for Low-rank Matrix Completion
本文提出了一种基于矩阵分解的低秩矩阵完备化方法。将不完全矩阵分解为若干子矩阵,并利用建议的裁剪步骤填充这些子矩阵,然后重新组合形成低秩完全矩阵。分而治之的方法可以显着降低计算复杂度和存储需求。此外,所提出的分解方法可以自然地纳入任何现有的矩阵完成方法,以获得进一步的增益。与大多数现有的方法不同,该方法不是基于范数最小化,也不是SVD分解。这使得它可以应用于实域之外,并可以用于包括有限域在内的任意域。
2010-06-28 cs.NA math.NA
Symmetric Tensor Decomposition by an Iterative Eigendecomposition Algorithm
我们提出了一个迭代算法,称为对称张量特征秩一迭代分解(STERDO),分解成一个真正的线性组合的对称秩1单位范数外因子,仅使用特征分解和最小二乘拟合的对称张量。最初设计的一个对称张量的顺序是一个权力的2,STERESTRUCTURE是适用于任何顺序,通过创新的张量嵌入技术。数值算例表明,该格式即使对大规模问题也具有较高的效率和精度。此外,我们展示了STERESTRON如何很容易地解决了非线性块结构系统辨识和非线性状态空间辨识中的问题。
2016-02-17 cs.NA math.NA
Online Low-Rank Tensor Subspace Tracking from Incomplete Data by CP Decomposition using Recursive Least Squares
The University of Electro-Communications(电气通信大学)
本文提出基于CP分解和递归最小二乘法的在线张量子空间跟踪算法OLSTEC,实验证明其在每轮迭代中的收敛速度优于现有方法。
2016-08-19 cs.NA math.NA
Low-rank eigenvalue solvers for block-sparse matrix product states
RWTH Aachen University(亚琛工业大学);Georg-August Universität Göttingen(哥廷根大学)
本文提出一种迭代求解薛定谔方程的低秩特征值求解器,重点研究费米子在二次量子化形式下的薛定谔方程及矩阵乘积态对粒子数守恒的约束,结合预条件反迭代与秩截断方法,并扩展到子空间迭代以联合逼近多个特征子空间。
2026-04-17 cs.NA math.NA
Single-pass randomized QLP decomposition for low-rank approximation
QLP分解是数值线性代数中逼近奇异值分解的有效算法之一。在本文中,我们提出了一些单遍随机QLP分解算法计算低秩矩阵近似。与确定性QLP分解相比,所提出的算法的复杂度没有显着增加,并且仅需要访问系统矩阵一次。因此,我们的算法非常适合存储在内存之外或由流数据生成的大型矩阵。在误差分析中,我们给出了矩阵逼近误差和奇异值逼近误差的界。数值实验也证实了我们的结果。
2020-11-27 cs.NA math.NA
Accurate eigenvalue decomposition of arrowhead matrices and applications
Faculty of Electrical Engineering, Mechanical Engineering and Naval Architecture, University of Split(斯普利特大学电气、机械和造船工程学院);Department of Computer Science and Engineering, The Pennsylvania State University(宾夕法尼亚州立大学计算机科学与工程系)
提出一种新算法,以高相对精度在O(n²)操作内计算实对称箭头矩阵的所有特征值和特征向量分量,基于移位求逆方法,支持并行计算,并推广到埃尔米特箭头矩阵、实对称对角加秩一矩阵和实三角箭头矩阵的奇异值分解。
2013-04-11 cs.NA math.NA
Bidiagonal Decompositions of Vandermonde-Type Matrices of Arbitrary Rank
我们提出了一种方法,以获得新的显式表达式的双对角分解的范德蒙和相关的矩阵,如(q-,h-)伯恩斯坦范德蒙的,等等。这些结果将已有的非奇异矩阵的表达式推广到任意秩的矩阵。对于上述类型的全非负矩阵,新的分解可以在浮点运算中有效地计算,并且具有较高的分量精度。反过来,矩阵计算(例如,特征值计算)也可以有效地执行并且达到高的相对精度。
2022-10-18 cs.NA math.NA
Iterations for the Unitary Sign Decomposition and the Unitary Eigendecomposition
我们构造快速,结构保持迭代计算的符号分解的酉矩阵$A$没有特征值等于$\pm i$。该分解将$A$分解为对合矩阵$S = \operatorname{sign}(A) = A(A^2)^{-1/2}$乘以具有包含在复平面的开右半部分中的频谱的矩阵$N = (A^2)^{1/2}$的乘积。我们的迭代依赖于最近发现的公式的最佳(在极大极小意义上)么模有理逼近的标量函数$\operatorname{sign}(z) = z/\sqrt{z^2}$的单位圆的子集。当$A$的特征值接近$\pm i$时,迭代收敛速度明显快于Padé迭代。数值结果表明,迭代是向后稳定的,向后的误差往往小于直接法。这与其他迭代(如缩放牛顿迭代)形成对比,如果$A$具有接近$\pm i$的特征值,则牛顿迭代会遭受数值不稳定性。作为一个应用,我们使用我们的迭代构造一个稳定的谱分治算法的酉特征分解。
2020-11-25 cs.NA math.NA
Multiple-rank Modification of Symmetric Eigenvalue Problem
University at Buffalo(布法罗大学)
本文提出了一种秩k修改算法以提高计算效率,通过秩2修改算法验证,并基于修改后的Sturm定理提出一般秩k更新算法,与直接特征值分解和扰动方法进行比较。
2017-06-02 cs.NA math.NA
Beyond Low Rank: Fast Low-Rank + Diagonal Decomposition with a Spectral Approach
Department of Statistics, University of Chicago(芝加哥大学统计系);Mathematics and Computer Science, Argonne National Laboratory(阿贡国家实验室数学与计算机科学)
本文提出了一种基于谱方法的快速低秩加对角分解算法,通过结合随机化技术实现高效且精确的协方差矩阵分解,适用于大规模数据和现实金融应用。
2025-12-18 cs.NA math.NA
Low-rank Tensor Train Decomposition Using TensorSketch
本文提出了一种基于TensorSketch和快速傅里叶变换的随机近端ALS算法,用于解决大型张量低秩张量列分解中的维度灾难问题,并给出了草图大小的理论下界及实验验证。
2023-09-15 cs.NA math.NA
Low-rank correction methods for algebraic domain decomposition preconditioners
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
本文提出一种并行预处理方法,通过近似逆矩阵和域分解方法结合低秩校正,高效求解对称稀疏线性系统,实验表明其与Krylov子空间加速器结合时具有鲁棒性和效率。
2015-05-29 cs.NA math.NA
MultiResolution Low-Rank Regularization of Dynamic Imaging Problems
本研究针对动态图像序列正则化问题,提出基于离散小波变换序列的多分辨率低秩分解正则化方法,经动态X射线层析成像测试,其效果与传统局部低秩分解相近且块伪影更少。
2025-02-28 cs.NA math.NA
A Rank Revealing Randomized Singular Value Decomposition (R3SVD) Algorithm for Low-rank Matrix Approximations
本文提出R3SVD算法,通过正交高斯采样逐步构建低秩近似,并自适应估计秩以捕捉矩阵主要特征。算法在图像压缩和矩阵补全中验证了有效性。
2016-05-26 cs.NA math.NA
Canonical Polyadic Decomposition via the generalized Schur decomposition
典型多进分解(CPD)是一种基本张量分解,它将张量表示为秩为1的张量之和。与矩阵情况形成鲜明对比的是,在轻假设下,低秩张量的CPD(本质上)是唯一的。CPD的本质独特性使得这种分解在许多应用中成为一种强大的工具,因为它允许从感兴趣的信号中提取分量信息。一种常用的CPD的代数计算算法是广义本征值分解(GEVD),其选择张量的矩阵子束,然后计算束的广义本征向量。在这篇文章中,我们提出了一个简化的GEVD,提高了算法的精度。令人惊讶的是,在GEVD中的广义特征向量计算实际上是不必要的,并且可以由QZ分解代替,QZ分解将一对矩阵分解为酉矩阵和上三角形矩阵的乘积。在计算广义特征向量时,计算QZ分解是标准的第一步,因此我们的算法可以被看作是GEVD的直接简化。
2022-02-23 cs.NA math.NA
Circulant decomposition of a matrix and the eigenvalues of Toeplitz type matrices
我们首先表明,任何$n \times n$矩阵可以分解成$n$循环矩阵与周期性松弛的单位圆的总和。这种分解相对于Frobenius内积是正交的,允许这些循环分量的递归迭代。它还表明,在矩阵中的几个循环分量的优势,允许稀疏的相似变换,使用快速傅立叶变换(FFT)操作。这使得稠密Toeplitz、块Toeplitz和其他周期或准周期矩阵的所有特征值的评估能够在$\mathcal{O}(n^2)$算术运算中合理地近似。近似相似变换在预处理线性求解器中的实用性也得到了证明。
2022-09-28 cs.NA math.NA
Low-rank approximation of parameter-dependent matrices via CUR decomposition
Mathematical Institute, University of Oxford(牛津大学数学研究所)
本文提出AdaCUR算法,通过CUR分解高效计算参数依赖矩阵的低秩近似,同时提供误差控制和竞争力复杂度。
2025-02-26 cs.NA math.NA
Low-Rank Solution Methods for Stochastic Eigenvalue Problems
University of Maryland, College Park(马里兰大学帕克分校)
本文提出了一种低秩变种的逆子空间迭代算法,用于求解参数依赖矩阵的最小本征值及对应的本征向量,通过低秩矩阵近似显著降低计算成本,并在基准问题中验证了其准确性与效率。
2018-03-09 cs.NA math.NA
The low-rank eigenvalue problem
Mathematical Institute, University of Oxford(牛津大学数学研究所);National Institute of Informatics(信息学国立研究所)
本文研究了低秩矩阵X=AB的特征值和特征向量计算问题,通过构造小矩阵BA来高效计算,并探讨了零特征值的Jordan块变化特性。
2019-05-27 cs.NA math.NA
A chiseling algorithm for low-rank Grassmann decomposition of skew-symmetric tensors
KU Leuven(荷语鲁汶大学)
本文提出了一种用于对称张量低秩分解的算法,通过线性关系和核对角化实现Grassmann分解,验证了其计算效率和准确性。
2026-01-26 cs.NA math.NA
Schur Complement based domain decomposition preconditioners with Low-rank corrections
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
本文提出一种基于域分解框架中Schur补低秩近似的一般稀疏对称矩阵鲁棒预条件子,通过低秩修正计算Schur补的近似逆,避免显式形成Schur补矩阵,并通过数值实验验证其鲁棒性和效率。
2015-05-16 cs.NA math.NA
Pencil-based algorithms for tensor rank decomposition are not stable
Universidad de Cantabria(坎塔布里亚大学);Max-Planck-Institute for Mathematics in the Sciences Leipzig(莱比锡马克斯·普朗克科学计量学研究所);KU Leuven(荷语鲁汶大学)
本文证明了基于将问题转化为线性矩阵 pencil 的流行且高效的张量秩分解算法在特定张量上存在任意的数值前向不稳定性,主要贡献是提出了随机张量秩分解的条件数下限。
2018-07-11 cs.NA math.NA
On the average condition number of tensor rank decompositions
Max Planck Institute for Mathematics in the Sciences(马克斯·普朗克科学促进研究所数学系);KU Leuven(荷语鲁汶大学)
本文研究了随机张量秩分解的几何条件数的期望值,发现n1×n2×2张量的条件数期望值为无穷大,表明此类分解对扰动敏感,而更大尺寸的张量具有有限的平均条件数,揭示了张量格式间条件数敏感性的差异。
2019-01-02 cs.NA math.NA
Randomized Rank-Revealing QLP for Low-Rank Matrix Decomposition
本文提出随机化无主元QLP分解(RU-QLP),通过随机列采样和无主元QR分解实现低秩矩阵的秩揭示分解,并给出谱范数和Frobenius范数下的理论界,实验表明其相比随机化SVD在CPU和GPU上分别获得最高7.1倍和2.3倍加速。
2023-07-05 cs.NA eess.SP math.NA
A Generating Polynomial Based Two-Stage Optimization Method for Tensor Rank Decomposition
Louisiana State University(路易斯安那州立大学);Xiangtan University(湘潭大学)
本文提出一种基于生成多项式的两阶段优化算法,用于求解秩不超过最大维数的三阶非对称张量分解,即使分解不唯一也能高效鲁棒地得到结果,并在理论上证明了与CP分解的等价性。
2025-11-07 cs.NA math.NA math.OC
A rank-adaptive higher-order orthogonal iteration algorithm for truncated Tucker decomposition
Peking University(北京大学)
提出了一种新的秩自适应高阶正交迭代(HOOI)算法,在给定的误差容限下计算高阶张量的截断Tucker分解,并证明了该算法是局部最优的和单调收敛的.一系列的数值实验进行了相关的合成和现实世界的张量,以表明所提出的秩自适应HOOI算法是在精度和效率方面的优势。对HOOI算法和经典的交替最小二乘法进行了进一步的分析,以进一步理解为什么可以将秩自适应引入HOOI算法以及它是如何工作的。
2021-10-25 cs.LG cs.NA math.NA
A Fast Hierarchically Preconditioned Eigensolver Based On Multiresolution Matrix Decomposition
本文提出一种基于多分辨率运算压缩框架的迭代方法,用于高效计算稀疏对称正矩阵的大量左本征对,通过整合隐式重启Lanczos方法与多分辨率框架,提出扩展-细化迭代方案以提高计算效率。
2018-06-27 cs.CV cs.NA math.NA
Study of Compressed Randomized UTV Decompositions for Low-Rank Matrix Approximations in Data Science
在这项工作中,提出了一种新的秩显示矩阵分解算法,称为压缩随机UTV(CoR-UTV)分解以及一个CoR-UTV变体的辅助下的功率方法技术。CoR-UTV通过使用随机采样方案来计算低秩输入矩阵的近似值。给定大小为$m\times n$且具有数值秩$k$的大且密集的矩阵,其中$k \ll \text{min} \{m,n\}$,CoR-UTV需要在数据上经过几次,并且在$O(mnk)$浮点运算中运行。此外,CoR-UTV可以利用现代计算平台,并可以优化以实现最大效率。CoR-UTV也适用于解决鲁棒主成分分析问题。仿真结果表明,CoR-UTV优于现有的方法。
2019-06-08 cs.DS cs.NA math.NA
A condition number for the tensor rank decomposition
KU Leuven(荷语鲁汶大学)
本文研究了张量秩分解问题,提出并分析了衡量该问题参数对张量微小变化敏感性的条件数,证明该条件数与Terracini矩阵的最小奇异值的倒数一致,并探讨了该条件数的基本性质。
2016-03-31 cs.NA math.AG math.NA
Low-Rank Dynamic Mode Decomposition: An Exact and Tractable Solution
INRIA Centre Rennes - Bretagne Atlantique(法国国家信息与自动化研究所雷恩-大西洋布列塔尼中心);IRMAR - UMR CNRS 6625(数学与随机应用研究实验室)
本文研究了使用低秩动态模式分解对高维动态系统进行线性近似,提出了一种精确且可处理的解决方案,并通过数值模拟验证了其有效性。
2021-08-20 cs.NA math.NA stat.ML
A parametric Keldysh decomposition
Virginia Tech(弗吉尼亚理工大学)
本文提出了一种参数化的Keldysh分解方法,用于求解参数化非线性特征值问题。
2026-01-04 cs.NA math.CV math.NA
A Normal Form Algorithm for Tensor Rank Decomposition
本文提出一种基于多项式方程组和多分级正则性的张量秩分解数值算法,证明了多种张量格式的有效复杂度界,并猜想一般公式,实验表明其在精度、时间和内存上均优于现有方法一个数量级。
2022-11-14 cs.NA math.AG math.NA
Joint Reconstruction and Low-Rank Decomposition for Dynamic Inverse Problems
动态逆问题的一个主要兴趣是从外部测量中识别系统的潜在时间行为。在这项工作中,我们考虑的情况下,目标可以表示的空间和时间的基函数的分解,因此可以有效地表示低秩分解。然后,我们提出了一个联合重建和低秩分解方法的基础上的非负矩阵分解,以获得未知的高度欠采样的动态测量数据。所提出的框架允许灵活地纳入单独的regulerators的空间和时间的功能。对于平稳算子的特殊情况,我们可以有效地使用分解来降低计算复杂性,并获得实质性的加速。所提出的方法进行了评估两个模拟幻影,我们得到的结果进行比较,一个单独的低秩重建和随后的分解方法的基础上广泛使用的主成分分析。
2020-06-06 cs.NA eess.IV math.NA
Domain decomposition dynamical low-rank for multi-dimensional radiative transfer equations
University of Innsbruck(因斯布鲁克大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文提出一种域分解动态低秩方法,用于高效求解高维辐射传输问题,通过局部低秩近似提升计算效率,适用于分布式并行计算。
2026-10-15 cs.NA math.NA physics.comp-ph
Identifiability of an X-rank decomposition of polynomial maps
Gipsa-Lab(吉普萨实验室)
研究多项式分解模型的可识别性,证明其为X-秩分解的特例,并探讨其通用秩和可识别性。
2017-04-05 cs.IT cs.NA math.IT
Derivative of the truncated singular value and eigen decomposition
Dahlem Center for Complex Quantum Systems and Institut für Theoretische Physik, Freie Universität Berlin(达勒姆复杂量子系统中心和理论物理研究所,柏林自由大学)
针对机器学习与计算物理中自动微分对线性代数梯度计算的需求,本技术说明梳理已有研究,给出了无需完整分解信息、基于截断部分推导截断奇异值与特征值分解导数的方法。
2025-11-18 cs.LG cs.NA math.NA
Fast and Accurate Randomized Algorithms for Low-rank Tensor Decompositions
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
低秩Tucker和CP张量分解是数据分析中的强大工具。广泛使用的交替最小二乘(ALS)方法,它解决了一系列超定最小二乘子问题,是昂贵的大型和稀疏张量。我们提出了一个快速,准确的草图ALS算法的塔克分解,解决了一系列的草图秩约束线性最小二乘法子问题。理论草图大小上界提供实现$O(ε)$相对误差的每个子问题与两个草图技术,TensorSketch和杠杆得分采样。实验结果表明,这种新的ALS算法,结合一个新的初始化方案的基础上随机测距仪,产量高达$22.0\%$相对分解残留的改善相比,国家的最先进的草图随机算法的各种合成和真实数据集的塔克分解。该Tucker-ALS算法进一步用于加速CP分解,通过使用随机化Tucker压缩,然后对Tucker核心张量进行CP分解。实验结果表明,该算法不仅收敛速度快,而且CP分解精度高。
2021-08-25 cs.DS cs.LG cs.NA
Beyond Low Rank + Sparse: Multi-scale Low Rank Matrix Decomposition
本文提出了一种多尺度低秩矩阵分解方法,通过凸优化解决数据矩阵的多尺度分解问题,并在多个应用中验证了其有效性。
2016-08-03 cs.IT cs.NA cs.SY
Counting tensor rank decompositions
张量秩分解是量子引力正则张量模型(CTM)中张量几何解释的一个有用工具。为了理解这种解释的稳定性,重要的是能够估计有多少张量秩分解可以近似给定的张量。更确切地说,找到具有误差容限$Δ$的对称张量$Q$的近似对称张量秩分解是找到满足$\|Q-\sum_{i=1}^R ϕ^i\otimes ϕ^i\cdots \otimes ϕ^i\|^2 \leq Δ$的向量$ϕ^i$。所有可能的这种$ϕ^i$的体积是一个有趣的量,它测量了张量$Q$在允许范围内可能分解的量。虽然很难为每个$Q$计算这个量,但我们通过对所有单位范数的$Q$进行积分,找到了一个类似量的显式公式。作为$Δ$的函数的表达式由超几何函数和幂函数的乘积给出。我们还将公式推广到非对称张量的一般分解。推导依赖于出现在CTM上下文中的矩阵模型的配分函数的存在性(收敛性)。
2021-07-20 cs.NA gr-qc hep-th
Penalty Decomposition Methods for Rank Minimization
本文提出罚分解方法求解目标或约束中含秩的秩最小化问题,通过块坐标下降法求解子问题,并证明序列聚点满足一阶最优性条件,在矩阵补全和最近低秩相关矩阵问题上表现优于或持平现有方法。
2012-05-29 cs.LG cs.NA cs.SY