A hierarchically blocked Jacobi SVD algorithm for single and multiple graphics processing units
University of Zagreb, Faculty of Mechanical Engineering and Naval Architecture(萨格勒布大学,机械与造船工程学院)
本文提出一种分层阻塞的单侧Jacobi算法用于奇异值分解,适用于单个和多个GPU,通过GPU内存层次结构优化,相比MAGMA的dgesvd算法在性能上更优,同时保持高相对精度,利用GPU共享地址空间的并行翻转策略,适用于单GPU和多GPU环境。
2014-09-27 cs.DC cs.MS cs.NA
Error Analysis and Precision Selection for Mixed-Precision DEIM-CUR Decompositions
Faculty of Mathematics and Physics, Charles University(查理大学数学与物理学院)
本研究放宽了CUR分解中SVD精确计算的假设,分析有限精度算术对DEIM-CUR方法的影响,提出精度选择指导,表明低精度计算不影响近似质量,并通过数值实验验证。
2026-09-23 cs.NA math.NA
Vectorization of a thread-parallel Jacobi singular value decomposition method
本文针对 Jacobi 型 SVD 中的批量 Hermitian 矩阵特征值分解,利用 AVX-512 向量化和 OpenMP 并行化实现高效计算,保证数值可重现性且无溢出,精度优于 xLAEV2,并行加速在线程充足时具有实际收益。
2023-10-27 cs.MS cs.NA math.NA
Minimizing the Arithmetic and Communication Complexity of Jacobi's Method for Eigenvalues and Singular Values: Part Two -- Parallel Algorithms
University of California Berkeley(加州大学伯克利分校);Rice University(莱斯大学);University of Chicago(芝加哥大学)
本文提出算术代价最优的并行雅可比算法,针对对称特征值问题和SVD,在二维、2.5维处理器网格下分析其算术与通信复杂度,扩展结果至单边雅可比SVD。
2026-09-01 cs.NA math.NA
Mixed finite element approximation of periodic Hamilton--Jacobi--Bellman problems with application to numerical homogenization
本文的第一部分提出并严格分析了一种混合有限元法,用于逼近系数满足Cordes条件的完全非线性二阶Hamilton-Jacobi-Bellman方程的周期强解。这些问题作为Hamilton-Jacobi-Bellman方程均匀化中的校正问题而出现。本文的第二部分着重于数值均匀化的方程,更准确地说,数值逼近的有效哈密顿量。数值实验验证了有效哈密顿量的近似格式和均匀化问题的数值解。
2020-10-04 cs.NA math.NA
A mixed precision preconditioned Jacobi method for the symmetric eigenvalue problem
针对对称特征值问题,提出混合精度预条件雅可比方法,结合低精度特征分解与高精度正交化生成初始猜测,完成误差分析并拓展至奇异值问题,实验验证其效率优于原始雅可比方法。
2025-02-24 cs.NA math.NA
Comparative Evaluation of Symmetric SVD Algorithms for Real-time Face and Eye Tracking
奇异值分解(SVD)的计算一直是数值线性代数研究者关注的课题。快速奇异值分解在人脸识别、眼动跟踪等方面已经成为计算机视觉中一种非常有效的工具。在目前的技术水平下,需要开发用于实时嵌入式计算的快速定点能量有效的奇异值分解算法。本文中的工作是试图建立一个车载实时人脸和眼睛跟踪系统的起源,以检测由于困倦或疲劳引起的注意力丧失。该车载系统的一个主要功能是快速定制。当一个新的司机进来时,这是进行的。当指示驾驶员做出特定姿势时,记录面部和眼睛图像。特征脸和特征眼以几个分辨率级别生成并存储在车载计算机中。确定人脸和眼睛的鉴别特征空间并存储在板上闪存中,用于人脸和眼睛的检测和跟踪以及眼睛(睁开或闭合)的分类。因此,需要对不同分辨率下的图像协方差阵进行快速奇异值分解,以生成特征数据库。作为一个初步的步骤,我们回顾现有的对称SVD算法,并评估其可行性,这样的应用程序。本文比较了(1)Jacobi算法、(2)Hestenes算法、(3)Golub-Kahan算法、(4)三对角化算法和对称QR迭代算法、(5)三对角化算法和分治算法的性能。一个案例研究已被证明是一个例子。
2015-05-21 cs.NA math.NA
Computing accurate singular vectors and eigenvectors using mixed-precision Jacobi algorithms
University of Manchester(曼彻斯特大学)
本文证明混合精度Jacobi算法计算的特征向量和奇异向量的误差界,误差由向量与计算值之间夹角的正弦衡量,数值实验表明该算法对病态矩阵特别有效。
2026-06-29 cs.NA math.NA
Batched QR and SVD Algorithms on GPUs with Applications in Hierarchical Matrix Compression
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);American University of Beirut (AUB)(贝鲁特美国大学)
本文提出在GPU上高效实现批量小矩阵的QR和SVD,利用Jacobi算法进行低秩块的随机化SVD,实现分层矩阵压缩的高效计算。
2017-07-13 cs.DS cs.MS cs.NA
Convergence of a Jacobi-type method for the approximate orthogonal tensor diagonalization
本文提出一种 Jacobi 型算法,通过迭代优化子张量对角元素平方和,实现三阶张量的近似正交对角化,并证明其收敛性,可推广至高阶张量。
2022-07-29 cs.NA math.NA
Computing accurate eigenvalues using a mixed-precision Jacobi algorithm
University of Manchester(曼彻斯特大学)
本文提出了一种混合精度Jacobi算法,通过低精度预处理和高精度计算提高特征值计算的精度,并验证了其有效性。
2025-08-18 cs.NA math.NA
SVD-Preconditioned Gradient Descent Method for Solving Nonlinear Least Squares Problems
Department of Mathematics Penn State University(数学系宾夕法尼亚州立大学)
本文提出了一种结合SVD预条件和Adam优化器的梯度下降方法,用于高效解决非线性最小二乘问题,实验表明其在多种任务中均优于标准Adam。
2026-02-07 cs.LG cs.NA math.NA
Finite Element Approximation of Hamilton-Jacobi-Bellman equations with nonlinear mixed boundary conditions
我们证明了单调P1有限元法在非结构网格上对具有混合边界条件的各向同性抛物型Hamilton-Jacobi-Bellman方程的黏性解和可能退化的扩散的强一致收敛性。边界算子通常在面边界和类型变化上是不连续的。罗宾型边界条件通过一个较低的Dini导数离散。在时间上Bellman方程近似通过IMEX计划。通过霍华德算法可以得到数值解的存在性和唯一性。关键词:有限元法,Hamilton-Jacobi-Bellman方程,混合边界条件,完全非线性方程,黏性解
2021-05-20 cs.NA math.NA math.OC
Computing accurate singular values using a mixed-precision one-sided Jacobi algorithm
University of Manchester(曼彻斯特大学)
本文提出了一种混合精度单侧雅可比算法,通过预处理和高精度计算提高奇异值计算的准确性,尤其在ill-conditioned矩阵中表现更优。
2026-09-07 cs.NA math.NA
Mixed Precision Block-Jacobi Preconditioner: Algorithms, Performance Evaluation and Feature Analysis
本文针对Block-Jacobi预处理器提出固定和自适应两种混合精度策略,结合预处理共轭梯度算法进行测试,在保持精度的同时实现1.3至1.8倍加速,并分析了收敛延迟现象及其矩阵特征。
2024-10-15 cs.MS cs.NA math.NA
A Mixed Precision Eigensolver Based on the Jacobi Algorithm
本文提出一种结合单精度近似特征分解、Newton–Schulz 正交化和逐行循环 Jacobi 迭代的混合精度谱分解算法,可在双精度下以约30%的耗时更快收敛。
2025-08-30 cs.NA math.NA
Convergence and mixed-precision preconditioning for the naive Jacobi eigenvalue algorithm
University of Zagreb Faculty of Chemical Engineering and Technology(萨格勒布大学化学工程与技术学院);University of Osijek School of Applied Mathematics and Informatics(奥西耶克大学应用数学与信息学院)
研究一般复矩阵特征值问题的雅可比型方法,给出渐近二次收敛新证明及收敛区域界,引入基于理论结果的两种预处理器,通过混合精度计算降低成本,数值实验表明算法稳健且特征值准确。
2026-07-24 cs.NA math.NA
A generalization of the randomized singular value decomposition
University of Oxford(牛津大学);Cornell University(康奈尔大学)
随机奇异值分解(SVD)是一种利用矩阵向量与标准高斯向量的乘积来计算矩阵$A$的近最佳秩$k$近似的流行而有效的算法。在这里,我们将随机SVD推广到多变量高斯向量,允许将$A$的先验知识纳入算法。这使我们能够探索连续模拟的随机SVD希尔伯特-施密特(HS)运营商使用运营商的功能产品从高斯过程(GP)的功能。然后,我们构造了一个新的协方差核的GP,加权雅可比多项式的基础上,这使我们能够快速采样的GP和控制随机生成的函数的平滑度。矩阵和HS算子的数值例子证明了算法的适用性。
2022-01-21 cs.LG cs.NA math.NA
Mixed Precision Orthogonalization-Free Projection Methods for Eigenvalue and Singular Value Problems
本文提出一种混合精度免正交化投影方法,通过在降低精度下计算无需内积的非正交基并保持其线性独立性,在特征值与奇异值问题中实现高精度与高计算效率。
2025-05-02 cs.NA math.NA
Minimizing the Arithmetic and Communication Complexity of Jacobi's Method for Eigenvalues and Singular Values: Part One -- Serial Algorithms
University of California Berkeley(加州大学伯克利分校);Rice University(莱斯大学);University of Chicago(芝加哥大学)
本文研究了雅可比方法在对称特征值问题中的多种版本,旨在通过减少算术运算和通信开销来优化算法复杂度,分析了串行算法的复杂性界限及递归阻塞雅可比方法的优化效果。
2026-04-18 cs.CC cs.NA math.NA
A Mixed-Precision Model for Matrix-Splitting Methods
NVIDIA(英伟达);NASA Langley Research Center(美国国家航空航天局兰利研究中心)
针对内存受限的平稳迭代方法,提出混合精度技术以减少数据移动,理论及实验证明收敛速率与精确精度相当,结合迭代细化可达双精度,混合半/双精度实现雅可比、高斯-赛德尔及SSOR迭代的显著加速。
2026-10-06 cs.CE cs.NA math.NA
Scheduled Relaxation Jacobi method: improvements and applications
Universidad de Valencia(瓦伦西亚大学)
本文改进了调度松弛雅可比方法,解决了多级算法中参数计算的效率问题,实现了更高分辨率下的加速效果,并扩展至非线性偏微分方程系统。
2015-11-11 astro-ph.HE cs.NA math.NA