Quaternion tensor singular value decomposition using a flexible transform-based approach
针对$L$阶($L\geq 3$)四元数张量,提出了一种基于柔性变换的张量积,称为$\star_{\rm{QT}}$ -积.基于$\star_{\rm{QT}}$ -积,我们定义了$L$阶($L\geq 3$)四元数张量的相应的奇异值分解TQt-SVD和秩TQt-rank.此外,通过正交四元数变换,TQt-SVD可以提供任何$L$第($L\geq 3$)四元数张量的最佳TQt-rank- $s$近似。在实验中,我们已经验证了所提出的TQt-SVD的最佳TQt-rank- $s$近似的三阶四元数张量表示的彩色视频中的应用的有效性。
2021-12-16 cs.NA math.NA
Randomized Quaternion Singular Value Decomposition for Low-Rank Approximation
针对彩色人脸识别、视频压缩和信号处理中的低秩矩阵逼近问题,提出了一种随机四元数奇异值分解(QSVD)算法。该算法利用四元数正态分布的随机抽样方法,将高维数据投影到低维子空间中,然后识别出四元数矩阵的近似值域子空间。提出了四元数Wishart分布的关键统计性质,并利用其对算法进行了近似误差分析。理论结果表明,随机QSVD算法可以跟踪四元数矩阵的优势奇异值分解三元组,并具有可接受的精度。数值实验也表明了所提出理论的合理性。将随机QSVD算法应用于彩色人脸识别问题,与基于Lanczos的部分QSVD算法和四元数快速频繁方向算法相比,该算法具有更高的识别精度和更好的效率。
2021-12-26 cs.NA math.NA
An Orthogonal Equivalence Theorem for Third Order Tensors
2011年,Kilmer和Martin提出了三阶张量的张量奇异值分解(T-SVD)。此后,T-SVD在低秩张量近似,张量恢复,多视图聚类,多视图特征提取,张量素描等方面都有应用。通过离散傅里叶变换(DFT),矩阵SVD和逆DFT,将三阶张量映射到f-对角三阶张量。我们称之为Kilmer-Martin映射。证明了三阶张量的Kilmer-Martin映射是不变的,如果该三阶张量与某些正交张量取T-积。基于Kilmer-Martin映射,定义了三阶张量的奇异值和T秩.因此,当一个三阶张量与某些正交张量作T-积时,它的张量管秩、T-秩、奇异值和T-奇异值是不变的。讨论了奇异值、T秩和最佳T秩一逼近的一些性质。
2021-08-10 cs.NA math.NA
A Hierarchical Singular Value Decomposition Algorithm for Low Rank Matrices
Indian Institute of Technology-Madras(印度马德拉斯理工学院)
本文提出了一种基于树结构的合并-截断算法,用于高效计算低秩矩阵的截断奇异值分解,该方法适用于任意大小的矩阵,且在单核运行时能显著提升速度,误差通常低于3%。
2019-05-10 cs.NA math.NA
Exact deflation for accurate SVD computation of nonnegative bidiagonal products of arbitrary rank
School of Mathematics and Statistics, Hunan Normal University(湖南师范大学数学与统计学院);School of Mathematical Science, Fudan University(复旦大学数学科学学院)
本文提出一种计算任意秩非负双对角乘积SVD的方法,能精确收缩零奇异值并以高相对精度计算非零奇异值,适用于任意子矩阵。
2025-10-12 cs.NA math.NA
Tensor Rank bounds for Point Singularities in $\mathbb{R}^3$
我们分析率的近似量化,张量结构表示的孤立点奇点的功能在${\mathbb R}^3$。我们考虑可数赋范索伯列夫空间中具有径向权和加权半范数的解析或Gevrey型控制的函数。讨论了科学和工程中的几类边值问题和本征值问题,它们的解属于可数赋范空间。结果表明,量化,张量结构的近似函数在这些类中表现出张量的行列有界多项式相对于精度$ε\in(0,1)$在Sobolev空间$H^1$。我们证明了三种特定类型的量化张量分解:量化张量训练(QTT),转置QTT和塔克QTT的指数收敛速度。此外,分片分解的边界是统一的关于点奇异性的位置。一个辅助结果的独立利益是证明指数收敛的$hp$有限元逼近Gevrey-正则函数与点奇异的单位立方体$Q=(0,1)^3$。函数逼近和薛定谔型本征值问题的数值例子说明了理论结果。
2019-12-17 cs.NA math.NA
The Krylov Subspaces, Low Rank Approximations and Ritz Values of LSQR for Linear Discrete Ill-Posed Problems: the Multiple Singular Value Case
对于大规模线性离散不适定问题$\min\|Ax-b\|$或$Ax=b$中的$b$被白噪声污染的问题,最常用的方法是基于Golub-Kahan双对角化的LSQR方法及其数学等价的共轭梯度(CG)方法,即应用于$A^TAx=A^Tb$的CG方法.它们具有内在的正则化效应,其中迭代次数$k$起正则化参数的作用。长期存在的基本问题是:{ \em LSQR和CGLS能否找到2-范数滤波的最佳正则化解}?对于$A$的奇异值为简单奇异值时的严重不适定问题和中度不适定问题,作者给出了明确的答案。本文将所得结果推广到多奇异值情形,并研究了Krylov子空间的逼近精度、Golub-Kahan双对角化生成的低秩逼近的性质以及Ritz值的收敛性质.对于这两类问题,我们证明了LSQR在半收敛时找到2-范数滤波最佳可能正则解。特别地,我们考虑了奇异值为$σ_k=\mathcal{O}(k^{-α})$和$α>0$的不适定问题的$A$的最佳、近最佳和一般秩$k$逼近,以及它们与非零奇异值之间的关系。数值实验证实了我们的理论。一般秩$k$近似及其非零奇异值性质的结果适用于几种Krylov求解器,包括LSQR,CGME,MINRES,MR-II,GMRES和RRGMRES.
2020-03-19 cs.NA math.NA
Updating Singular Value Decomposition for Rank One Matrix Perturbation
School of Engineering \& Applied Science, Ahmedabad University, Ahmedabad-380009, India
本文提出一种高效算法,用于在O(n² log(1/ε))时间内更新秩一扰动矩阵的奇异值分解,利用快速多极子方法在O(n log(1/ε))时间内更新奇异向量。
2017-07-26 cs.LG cs.NA math.NA
A Higher-Order Generalized Singular Value Decomposition for Rank Deficient Matrices
高阶广义奇异值分解(HO-GSVD)是一种将GSVD扩展到$N \ge 2$数据矩阵的矩阵分解技术,可用于识别具有不同行维数的多个大规模数据集中的共享子空间。标准HO-GSVD将$N$矩阵$A_i\in\mathbb{R}^{m_i\times n}$因子化为$A_i=U_iΣ_i V^\text{T}$,但要求每个矩阵$A_i$具有全列秩。我们提出了一个修改的HO-GSVD扩展其适用性秩亏数据矩阵$A_i$。如果堆叠$A_i$的矩阵有满秩,我们表明,原来的HO-GSVD的性质扩展到我们的方法。我们将公共子空间的概念扩展到孤立子空间,它识别一个$A_i$所特有的特征。我们还将我们的结果推广到高阶余弦-正弦分解(HO-CSD),这是密切相关的HO-GSVD。我们的标准HO-GSVD的扩展允许其应用程序的数据集与$m_i<n$或$\text{rank}(A_i)<n$,如遇到生物信息学,神经科学,控制理论或分类问题。
2022-06-20 cs.NA math.NA
Subspace Iteration Randomization and Singular Value Problems
本文提出了一种基于子空间迭代框架的随机算法,用于高效计算具有快速衰减奇异值的矩阵的低秩近似,并证明其能准确计算奇异值和低秩近似。
2014-08-10 cs.NA math.NA
Fast adaptive tubal rank-revealing algorithm for t-product based tensor approximation
本文提出一种自适应随机算法,用于揭示数据张量的管秩并高效计算低管秩近似,无需预知管秩或傅里叶域奇异值,在图像处理和背景建模任务中验证了有效性。
2025-08-12 cs.NA math.NA
Analytic finite-rank corrections for singularly weighted estimates in a computer-assisted proof of 3D Euler singularity
University of Chicago(芝加哥大学);Caltech(加州理工学院)
研究流体方程自相似奇点形成的计算机辅助证明中奇异加权估计问题,通过回顾解析低秩修正方法,在数值步骤确定相关量,利用泰勒展开导出低秩修正执行消失条件,还介绍其在二维布辛涅斯克/三维欧拉稳定性论证中的应用及更广泛适用性。
2026-07-17 cs.NA math.AP math.NA
An Efficient Randomized Fixed-Precision Algorithm for Tensor Singular Value Decomposition
针对随机张量奇异值分解需预先估计管秩的问题,提出基于随机投影与幂迭代的固定精度算法,可自动确定最优管秩并在合成及真实数据集上验证其效率与性能。
2024-04-08 cs.NA math.NA
Randomized algorithms for the low multilinear rank approximations of tensors
本文基于随机投影和奇异值分解,重点研究了张量低多线性秩近似的随机算法。根据次高斯矩阵的奇异值理论,对随机化算法的误差界进行了概率分析。我们通过几个数值例子证明了所提出的算法的有效性。
2020-03-19 cs.NA math.NA
T-Singular Values and T-Sketching for Third Order Tensors
基于Kilmer等人提出的三阶张量的T-SVD(tensorSVD),定义了三阶张量的T-奇异值。三阶张量的T-奇异值是非负标量。非零T-奇异值的个数是张量的张量管秩。然后利用T-奇异值定义了三阶张量的尾能量,并将其应用于低阶张量近似的张量草图算法的误差估计。对真实数据的数值实验表明,该算法是有效的.
2021-03-01 cs.NA math.NA
Singular algebraic equations with empirical data
具有秩亏雅可比矩阵的奇异方程在代数计算中经常出现。如本文中的案例研究所示,代数问题的直接和直观的建模往往会导致非孤立的奇异解。当需要从有限准确性的经验数据中解决问题时,挑战变得艰巨。一个新发现的低秩牛顿迭代出现作为一个有效的正则化机制,使求解奇异方程准确的误差界在同一顺序的数据错误。本文阐述了新方法在求解奇异代数方程中的应用,如奇异线性系统、多项式GCD和因子分解以及矩阵亏损本征值问题。
2021-02-18 cs.NA math.NA
Rank of Matrices Arising out of Singular Kernel Functions
Wadhwani School of Data Science and Artificial Intelligence(瓦德万尼数据科学与人工智能学院);Robert Bosch Centre for Data Science and Artificial Intelligence(罗伯特博世数据科学与人工智能中心);Department of Data Science and Artificial Intelligence, IIT Madras(印度理工学院马德拉斯分校数据科学与人工智能系);Department of Mathematics, IIT Madras(印度理工学院马德拉斯分校数学系)
本研究分析共享边界超立方体中任意分布粒子产生的核矩阵的秩,给出期望秩与方差的界,并通过数值实验验证,以助于理解分层矩阵算法的性能。
2025-10-16 cs.NA math.NA
Convergence Analysis of the Rank-Restricted Soft SVD Algorithm
软奇异值分解是一种鲁棒的矩阵分解算法,也是矩阵完备化方法的关键组成部分。然而,由于大的存储器需求,使用用于SVD的常规数值方法来计算大型稀疏矩阵的软SVD通常是不切实际的。由Hastie等人引入的秩限制软SVD(RRSS)算法通过顺序计算容易适合内存的低秩SVD来解决这个问题。我们分析了标准RRSS算法的收敛性,并给出了标准算法不收敛的例子。我们表明,收敛需要修改的标准算法,并与非唯一性的SVD。我们的修改指定了一个一致的选择符号的左奇异向量的低秩SVD的迭代。在这些条件下,我们证明了线性收敛的奇异向量使用交替子空间迭代激发的技术。然后,我们推导出一个不动点迭代的奇异值的演变和显示线性收敛的软阈值的奇异值的原始矩阵。这最后一步需要一个扰动结果的不动点迭代,这可能是独立的利益。
2021-04-03 cs.NA math.NA
Desingularization of bounded-rank matrix sets
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究所);Institute of Numerical Mathematics of the Russian Academy of Sciences(俄罗斯科学院计算数学研究所)
本文基于代数几何方法,提出一种利用有界函数处理奇异值的算法,解决低秩矩阵集优化问题中奇异点导致的数值问题。
2017-10-03 cs.NA math.NA
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
A singular M-matrix perturbed by a nonnegative rank one matrix has positive principal minors; is it D-stable?
Donders Institute for Brain, Cognition and Behaviour, Radboud University Nijmegen(拉德堡德大学尼梅根大脑、认知与行为多德斯研究所);Department of Mathematics, FEW, VU university Amsterdam(阿姆斯特丹自由大学FEW数学系);Unit for BMI, North-West University(西北大学BMI单元)
研究奇异M矩阵在被非负秩一扰动后的正稳定性与D稳定性,特别情况下可以证明正稳定性或D稳定性,但一般情况无法成立,通过反例说明。然而,此类矩阵被证明为P矩阵。
2014-05-09 cs.NA math.NA math.RA
Block tensors and symmetric embeddings
矩阵A的奇异值分解与其对称嵌入sym(A)= [ 0 A; A' 0]的Schur分解之间存在着众所周知的联系。特别地,如果s是A的奇异值,则+s和-s是对称嵌入的特征值。sym(A)的特征向量的上半部分和下半部分是A的奇异向量。应用于A的幂方法可以与应用于sym(A)的幂方法相关。sym(A)的秩是A的秩的两倍。本文给出了如何将一般d阶张量A嵌入到d阶对称张量sym(A)中。通过嵌入,我们将(a)A的奇异值的幂方法与sym(A)的特征值的幂方法联系起来,以及(b)A的秩与sym(A)的秩联系起来。
2011-01-11 cs.NA math.NA
On the algorithm of best approximation by low rank matrices in the Chebyshev norm
低秩矩阵逼近问题是计算数学中普遍存在的问题。传统上,这个问题是解决在谱或Frobenius范数,其中的近似的精度是有关的矩阵的奇异值的减少率。然而,最近的结果表明,这一要求是没有必要的其他规范。本文提出了一种在Chebyshev范数下求解低秩逼近问题的方法,该方法能够有效地构造矩阵的精确逼近,其奇异值不减小或减小缓慢.
2022-01-28 cs.NA math.NA
Relevance Singular Vector Machine for low-rank matrix sensing
ACCESS Linnaeus Center, School of Electrical Engineering KTH Royal Institute of Technology, Stockholm, Sweden(ACCESS林纳尤斯中心,电气工程学院 瑞典皇家理工学院 斯德哥尔摩)
本文提出了一种新的贝叶斯推断方法,用于低秩矩阵重建,即相关性奇异向量机(RSVM),通过在基础矩阵的奇异向量上定义合适先验来促进低秩性,并通过数值高效近似加速计算。
2014-06-30 cs.LG cs.NA math.NA
The number of singular vector tuples and uniqueness of best rank one approximation of tensors
Univ. of Illinois at Chicago(伊利诺伊大学芝加哥分校);Università di Firenze(佛罗伦萨大学)
本文研究复值张量的奇异向量元组,证明了一般张量有有限个奇异向量元组并给出计数公式,同时证明了几乎所有实张量在秩一逼近等情形下最佳逼近的唯一性。
2013-11-08 cs.NA math.AG math.CA
Fast Singular Value Shrinkage with Chebyshev Polynomial Approximation Based on Signal Sparsity
本文提出利用切比雪夫多项式逼近方法快速处理奇异值收缩,通过信号稀疏性减少计算成本,提升矩阵秩最小化在图像处理中的效率和精度。
2017-05-19 cs.LG cs.NA math.NA
On the Nuclear Norm and the Singular Value Decomposition of Tensors
求张量的秩是一个有许多应用的问题。不幸的是,通常很难确定给定张量的秩。受凸松弛理论的启发,我们考虑了核范数而不是张量的秩。我们确定各种感兴趣的张量的核范数。同时,我们还系统地研究了张量积空间中正交性的各种度量,并将奇异值分解推广到高阶张量。
2014-04-21 cs.NA math.NA math.OC
Perturbation expansions and error bounds for the truncated singular value decomposition
截断奇异值分解是奇异值分解的简化版本,其中仅保留少数最大的奇异值。提出了一种新的实矩阵截断奇异值分解的扰动分析方法。首先,我们描述的奇异值截断阶$r$的扰动展开。我们推广了奇异子空间分解的扰动结果,导出了截断算子关于秩大于或等于$r$的矩阵的一阶扰动展开式。当矩阵具有精确秩$r$时,一阶展开可以大大简化,进一步证明了奇异值截断允许关于秩- $r$矩阵的简单二阶扰动展开.其次,我们引入了扰动秩- $r$矩阵的截断奇异值分解的线性逼近的第一已知误差界。我们的界只依赖于未扰动矩阵的最小奇异值和扰动矩阵的范数。有趣的是,虽然奇异子空间是非常敏感的加性噪声,新建立的误差界普遍适用于任意大小的扰动。最后,我们展示了应用我们的结果与TSVD为基础的矩阵去噪解决方案的均方误差的分析。
2021-05-30 cs.NA math.NA math.ST
Inverting the sum of two singular matrices
针对两个奇异矩阵之和 $\widetilde{\mathbf{A}}=\mathbf{A}+\mathbf{e}D\mathbf{f}^*$,论文在秩与可逆性条件下给出两种显式求逆公式,并导出奇异矩阵的行列式引理。
2024-04-05 cs.NA math.NA math.RA
A Schatten-$q$ Low-rank Matrix Perturbation Analysis via Perturbation Projection Error Bound
本文研究了扰动下低秩矩阵奇异值分解估计的Schatten- $q$误差。我们通过扰动投影误差界建立了低秩矩阵估计的扰动界。然后,我们建立了下界来证明低秩矩阵估计误差的上界的紧性。基于矩阵扰动投影误差界,我们进一步给出了奇异子空间扰动的正弦$Θ$界。最后,我们通过模拟证明了我们的结果比文献中的结果的优势。
2021-08-12 cs.NA math.NA math.ST
Fast algorithms for robust principal component analysis with an upper bound on the rank
鲁棒主成分分析(RPCA)将数据矩阵分解为低秩部分和稀疏部分。主要有两种类型的算法RPCA。第一种算法对矩阵的奇异值应用正则化项,以获得低秩矩阵。然而,对于大型矩阵,计算奇异值可能非常昂贵。第二类算法将低秩矩阵替换为两个小矩阵的乘法。它们比第一种更快,因为不需要奇异值分解(SVD)。然而,低秩矩阵的秩是需要的,并且需要精确的秩估计以获得合理的解。在本文中,我们提出的算法,结合这两种类型。我们提出的算法要求小矩阵的秩和SVD的上界。首先,它们比第一种更快,因为SVD在小矩阵上的成本可以忽略不计。第二,它们比第二类型更鲁棒,因为需要秩的上界而不是确切的秩。此外,我们应用高斯-牛顿法,以提高我们的算法的速度。数值实验表明,我们提出的算法的性能更好。
2020-09-03 cs.NA math.NA math.OC