计算低秩矩阵的奇异值分解示意图
使用svdsketch
当你不知道提前指定的等级圣言会
,但你知道宽容的近似计算应该满足。
圣言会
计算最好的k位近似值的计算(使用默认值“最大”
方法)。svdsketch
并不能保证其k位近似是最好的一个,占其速度优势圣言会
。
svdsketch
一个公差适用于形成一个低秩矩阵近似
输入矩阵的一个
。这个低秩近似被称为矩阵草图。矩阵素描只保留了重要的功能一个
、过滤不必要的信息。相对近似误差apxErr
矩阵的素描旨在满足指定的公差托尔
:
这个过程svdsketch
遵循形成矩阵草图:
svdsketch
迭代矩阵形式示意图,每个迭代添加新列问和新行B。行和列是由提取的新特性一个
使用一个随机样本矩阵。你可以控制行和列的数量在每一次迭代BlockSize
名称-值对。
在每一次迭代,svdsketch
使用电力的迭代来提高新列的正交性问。你可以调整电源的迭代的数量NumPowerIterations
名称-值对。
迭代矩阵形成草图停止时:列的数量问和行B达到指定的值MaxSubspaceDimension
的迭代次数达到MaxIterations
或相对近似误差收敛(apxErr < =托尔
)。
为了提高收敛速度,svdsketch
可能增加指定初始值BlockSize
从迭代到迭代如果衰变apxErr
是不够的。
在矩阵草图
形成,svdsketch
计算奇异值分解)通过矩阵的草图[U1, S, V] =圣言(B,“经济学”)
,这样
如果svdsketch
可以过滤掉一些功能的一个
根据指定的公差,那么由此产生的计算因素包含更少的奇异值和奇异向量比执行一个完整的圣言一个
。
[1],文剑,于古,和李Yaohang。“有效的随机算法Fixed-Precision低秩矩阵近似。”暹罗《矩阵分析和应用程序39岁的没有。3(2018年8月):1339 - 1359。https://doi.org/10.1137/17M1141977。