Optimized Sampling for Multiscale Dynamics
University of Washington(华盛顿大学)
本文提出了一种基于动态模态分解的多尺度动力学分析方法,通过稀疏采样实现对复杂动力学的分层多分辨率分解,并用于动态区域分类和全状态重建。
2017-12-14 cs.NA math.DS math.NA
Generalized and Multiscale Modal Analysis
本章在矩阵分解的框架下描述模态分解。我们突出了经典的时空分解和二维离散变换之间的差异,并讨论了支持\emph{any}分解的一般架构。然后使用此设置来导出简单算法,该算法从空间或时间结构(基)完成\emph{any}线性分解。离散傅里叶变换,适当的正交分解(POD),动态模式分解(DMD),本征函数展开(EF)制定在这个框架中,并在一个简单的练习进行比较。最后,这种推广被用来分析谱约束对经典POD的影响,并推导出多尺度本征正交分解(mPOD)。该分解结合了多分辨率分析(MRA)和POD。本章包含四个练习和两个教程测试用例。本书的网站上提供了与之相关的\textsc{Python}脚本。
2022-08-26 cs.NA math.NA
Universal Scalable Robust Solvers from Computational Information Games and fast eigenspace adapted Multiresolution Analysis
California Institute of Technology(加州理工学院)
本文通过将求解任意有界线性算子的稳健可扩展数值求解器问题转化为博弈论问题,提出了一种基于高斯场的求解方法,并引入快速赌局变换实现多分辨率分析。
2017-05-29 cs.NA math.AP math.NA
An adaptive fast solver for a general class of positive definite matrices via energy decomposition
本文提出了一种自适应快速求解器,用于求解一般对称正定矩阵类,包括著名的图拉普拉斯矩阵。通过开发自适应算子压缩方案和多分辨率矩阵分解算法,实现复杂度和适定性接近最优的性能。
2018-03-03 cs.NA math.NA math.SP
Hierarchical Super-Localized Orthogonal Decomposition Method
本文提出一种分层超局部化正交分解方法,构造稀疏压缩算子逼近具有粗糙系数的椭圆型PDEs解算子,实现正交多分辨率分解以解耦尺度,使求解简化为并行求解网格无关的独立线性系统,并在高对比度通道下保持最优误差率。
2024-07-26 cs.NA math.NA
Fast Adaptive Algorithms in the Non-Standard Form for Multidimensional Problems
University of Colorado, Boulder(科罗拉多大学博尔德分校)
提出一种快速自适应多分辨率算法,用于一至三维中具有径向对称核的积分算子,通过分离表示实现高效计算,并以泊松和薛定谔方程为例展示算法性能。
2007-08-13 cs.NA math.NA
Fast Eigen Decomposition for Low-Rank Matrix Approximation
Faculty of Engineering, Shinshu University(信州大学工学部)
本文提出一种高效算法,用于计算由向量自外积加权和构成的矩阵(如数据协方差矩阵)的特征分解。该算法不同于仅适用于非负权重的奇异值分解,支持正负权重。
2017-06-07 cs.NA math.NA
Faster Tensor Train Decomposition for Sparse Data
近年来,张量的应用在涉及数据分析和数值计算的领域中变得更加广泛。由于数据的爆炸式增长,低秩张量分解已经成为一个强大的工具,以利用臭名昭著的灾难的维数。张量分解的主要形式有CP分解、Tucker分解、张量训练(TT)分解等。现有的TT分解算法,包括TT-SVD和随机TT-SVD,在该领域都是成功的,但都不能准确有效地分解大规模稀疏张量。在前人研究的基础上,提出了一种新的大规模稀疏张量准最佳快速TT分解算法,并证明了该算法的正确性,推导了其复杂度的上界。在数值实验中,我们验证了该算法比TT-SVD更快地分解稀疏张量,比随机TT-SVD具有更高的速度、精度和通用性,并且可以在非零元素数量有限的情况下分解任意高维张量而不损失效率。新算法实现了以前无法实现的大规模稀疏矩阵TT分解,使基于张量分解的算法能够应用于更大规模的场景。
2020-11-02 cs.NA math.NA
Multivariate Fast Iterative Filtering for the decomposition of nonstationary signals
在这项工作中,我们提出了一种新的技术,我们称之为多元快速迭代滤波(MvFIF)算法的多变量数据的分解。我们研究了它的性质,严格证明了它适用于任何类型的多元信号的分解时,在有限时间内收敛。我们测试MvFIF性能使用各种各样的人工和真正的多元信号,显示其能力:分离多元调制振荡;对齐频率沿不同的通道;产生一个准-二进滤波器组时,分解白高斯噪声;分解信号中的一个准-正交组的组件;是强大的噪声扰动,即使当通道的数量大大增加。最后,我们将其性能与文献中迄今为止开发的主要方法之一进行比较,证明MvFIF在没有任何先验假设的情况下,以快速可靠的方式对所研究的信号进行唯一定义的任何多变量信号的分解。
2021-11-03 cs.NA math.NA
A Fast Implementation for the Canonical Polyadic Decomposition
提出了一种新的典型多元分解(CPD)的实现方法。它的特点是比现有的最先进的实现方式更低的计算复杂性和内存使用。张量的CPD是一个具有挑战性的问题,已经以多种方式处理。交替最小二乘算法被使用了很长一段时间,但它们的收敛性能是有限的。非线性最小二乘(NLS)算法-更准确地说,阻尼高斯-牛顿(dGN)算法-在这个意义上要好得多,但它们需要反演大海森,因此只有少数实现使用这种方法。在本文中,我们提出了一个快速的dGN实现计算CPD。在本文中,我们总是压缩张量的情况下,并提出了一个快速阻尼高斯-牛顿实现计算规范的polyadic分解。
2019-12-05 cs.NA math.NA
Fast matrix decomposition in F2
在这项工作中,一个有效的算法来执行块分解(从而计算秩)的大型密集矩形矩阵的条目在$\mathbb{F}_2$。根据矩阵的存储方式,应该优先考虑对行或连续列块(存储为一个整数)的操作。本文给出了一个完全避免列置换的算法。特别是,提出了块分解,并将其运行时间与SAGE中采用的运行时间进行了比较。
2012-12-09 cs.NA math.NA
Domain Decomposition Parabolic Monge-Ampère Approach for Fast Generation of Adaptive Moving Meshes
提出了一种利用区域分解抛物型Monge-Ampère方法快速生成多维自适应移动网格的方法。这里采用的区域分解过程是非迭代的,并且涉及将计算域分裂成重叠的子域。每个子域上的自适应网格,然后计算的图像的解决方案的$L^2$最佳的质量传递问题,使用抛物Monge-Ampère方法。区域分解方法允许直接实现自适应网格的并行计算,这有助于显着减少计算时间。结果表明,区域分解解的数值收敛性。数值实验证明了该方法的有效性。数值结果表明,在整个区域上,区域分解抛物型Monge-Ampère方法比标准的抛物型Monge-Ampère方法更有效,特别是在计算三维自适应网格时.
2020-06-25 cs.NA math.NA
Fast wavefield evaluation method based on modified proxy-surface-accelerated interpolative decomposition for two-dimensional scattering problems
本文提出一种基于改进的代理面加速插值分解的二维波散射快速波场评估方法,无需核函数解析展开即可有效解决边界附近评估问题。
2024-06-20 cs.NA math.NA
A Fast Implementation of Singular Value Thresholding Algorithm using Recycling Rank Revealing Randomized Singular Value Decomposition
Tsinghua University(清华大学);Old Dominion University(老道明大学)
本文提出一种快速实现奇异值阈值算法的方法,通过回收秩揭示随机奇异值分解算法降低计算成本,用于矩阵补全问题,包括图像恢复和电影推荐系统。
2017-04-14 cs.NA math.NA
Stability Improvements for Fast Matrix Multiplication
本研究通过实现增广拉格朗日方法最小化约束最小二乘代价函数,得到矩阵乘法张量的新离散分解与参数族分解,可用于发现更快更稳定的矩阵乘法算法。
2023-10-04 cs.NA math.NA
Fast Randomized Matrix and Tensor Interpolative Decomposition Using CountSketch
本文提出一种利用 CountSketch 的快速随机矩阵与张量插值分解算法,理论证明其性能保证,实验表明在保持精度的同时于大型数据上实现至少一个数量级加速。
2021-11-22 cs.NA math.NA
Fast and Accurate Proper Orthogonal Decomposition using Efficient Sampling and Iterative Techniques for Singular Value Decomposition
在本文中,我们提出了一个计算效率高的迭代算法的本征正交分解(POD)使用随机采样为基础的技术。在该算法中,额外的行和列被采样,并在每次迭代中使用合并技术来更新占主导地位的POD模式。我们推导出一系列合并操作引入的错误的谱范数的界限。我们利用一个已有的定理得到了迭代收敛时所得到的子空间的质量的一个近似度量。在各种数据集上的结果表明,POD模式和/或子空间近似具有良好的精度与显着的运行时间改善计算截断SVD。我们还提出了一种方法来计算POD模式的大型矩阵,不适合在RAM使用这种迭代采样和合并算法。
2020-11-20 cs.NA math.NA
Fast and Accurate Proper Orthogonal Decomposition using Efficient Sampling and Iterative Techniques for Singular Value Decomposition
Indian Institute of Technology, Madras(印度马德拉斯理工学院)
本文提出了一种基于随机采样的高效迭代算法,用于正交分解,通过采样额外行和列并使用合并技术来更新每个迭代中的主导正交模式,并推导了合并操作引入误差谱范数的界限,展示了在不同数据集上的优异精度和显著的运行时间提升。
2021-07-06 cs.NA math.NA
Fast and Accurate Interpolative Decompositions for General, Sparse, and Structured Tensors
本研究针对两类张量插值分解,提出带与张量规模无关误差界的自适应方法,结合随机草图实现高效精确计算,还为稀疏及CP格式张量设计专用算法,经理论与实验验证有效。
2025-03-24 cs.NA math.NA
Fast Maxwell Solvers Based on Exact Discrete Eigen-Decompositions I. Two-Dimensional Case
本文基于最低阶矩形 Nédélec 元的精确离散特征分解,提出二维矩形区域麦克斯韦方程的快速求解器,利用快速正弦/余弦变换实现 $\mathcal{O}(n^2\log n)$ 复杂度,并可用于变系数问题的预条件处理。
2025-03-13 cs.NA math.NA
Better Late Than Never: Filling a Void in the History of Fast Matrix Multiplication and Tensor Decompositions
Lehman College of the City University of New York(纽约市立大学莱曼学院);The Graduate Center of the City University of New York(纽约市立大学研究生院)
本文填补了1972年俄文发表的张量分解在快速矩阵乘法历史中的空白,并介绍了其对两个领域的影响。
2014-11-06 cs.NA math.NA
Dynamic mode decomposition for multiscale nonlinear physics
University of Washington(华盛顿大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种数据驱动的方法,利用动态模式分解的递归实现,将复杂的多尺度系统分解为其时间尺度组件,通过窗口数据子集构建局部线性模型,并利用谱聚类发现主导时间尺度,从而生成时间序列数据以重建输入信号,同时考虑空间和时间相干性,提供局部动态的闭式表达式用于短期预测。
2019-06-20 cs.NA cs.SY eess.SY
Simple, Fast and Practicable Algorithms for Cholesky, LU and QR Decomposition Using Fast Rectangular Matrix Multiplication
Universidad de Cantabria(坎塔布里亚大学)
本文提出了一种基于快速矩形矩阵乘法的Cholesky/LU/QR分解算法,时间复杂度为O(n^{2.529}),并展示了其在实际应用中的优势。
2018-12-05 cs.DS cs.NA math.NA
Fast Differentiable SVD on GPU via Polar Decomposition
HSE University(高等经济大学)
本文提出基于极分解的GPU SVD流水线,利用Newton-Schulz迭代实现2倍加速,并推导数值稳定的反向传播以获得完全可微的SVD,开源于PyTorch和JAX。
2026-09-29 cs.LG cs.NA math.NA
Fast Wavelet Decomposition of Linear Operators through Product-Convolution Expansions
积分算子的小波分解已经证明了它们在减少许多问题的计算时间方面的效率,从波或流体的模拟到成像中的逆问题的分辨率。不幸的是,计算分解本身就是一个很难的问题,对于大规模的问题来说,这往往是遥不可及的。这项工作的目的是设计快速分解算法的基础上,另一种表示称为产品卷积扩展。这种分解可以有效地评估,假设一些脉冲响应的运营商是可用的,但它通常是效率低于小波分解时,纳入迭代方法。建议的分解算法,运行在准线性时间,我们提供了一些数值实验,以评估其性能的成像问题,涉及空间变化的模糊。
2020-07-31 cs.NA eess.IV eess.SP
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
Fast non-convex low-rank matrix decomposition for separation of potential field data using minimal memory
提出了一种用于位场数据分离的快速非凸低秩矩阵分解方法。大尺寸的轨迹矩阵,这也是一个块汉克尔矩阵的奇异值分解,得到使用快速随机奇异值分解算法,其中快速块汉克尔矩阵向量乘法实现与最小的内存存储。将该快速块Hankel矩阵随机奇异值分解算法集成到求解鲁棒主成分分析优化问题的标准非凸方法\texttt{Altproj}算法中。改进算法避免了轨迹矩阵的构造。因此,可以计算大尺寸的重磁数据矩阵。此外,它是更有效的比传统的低秩矩阵分解方法,这是基于使用一个不精确的增广拉格朗日乘子算法。所提出的算法也是强大的,因此,算法相关的参数很容易确定。针对不同规模的重磁合成数据矩阵的分离问题,对改进算法和传统算法进行了对比。结果表明,改进后的算法不仅计算效率更高,而且精度更高。此外,解决更大的问题也是可能的。作为示例,对于所采用的计算环境,尺寸大于$205 \times 205$的矩阵使用传统方法生成“内存不足”异常,但是尺寸为$2001\times 2001$的矩阵可以使用新算法以$1062.29$ s计算。最后,将改进后的方法应用于安徽铜陵地区的重磁资料分离。根据分离的异常推断可能显示矿化的区域。
2020-04-06 cs.NA math.NA physics.geo-ph
Fast and Faster: A Comparison of Two Streamed Matrix Decomposition Algorithms
Masaryk University(马萨里克大学)
本文比较了单遍分布式算法和两遍流式随机算法在恒定内存下处理大规模矩阵分解的性能与精度,以英文维基百科为数据集进行潜在语义分析实验。
2011-02-28 cs.LG cs.NA math.NA
Fast Finite Field Hartley Transforms Based on Hadamard Decomposition
Universidade Federal de Pernambuco(伯南布哥联邦大学)
本文提出基于Hadamard分解的快速有限域Hartley变换算法,利用其对称性优化计算复杂度,达到理论下限,适用于多址接入系统设计。
2015-02-01 cs.NA math.NA math.NT