AI 词汇表
人工智能完整词典
SVD（奇异值分解）
将任意矩阵M分解为UΣVᵀ乘积的基本方法，其中U和V是正交矩阵，Σ是对角矩阵，包含奇异值。在最小二乘意义上提供最佳的k秩近似，并揭示数据的内在结构。
截断奇异值分解
SVD的变体，仅保留k个最大的奇异值和相关向量以显式降低维度。通过消除噪声同时保留信息的主要成分来优化偏差-方差权衡。
LU分解
将方阵分解为下三角矩阵L和上三角矩阵U的乘积。对于高效求解线性方程组和计算行列式至关重要。
QR分解
将矩阵分解为正交矩阵Q和上三角矩阵R的乘积。对于解决最小二乘问题和实现数值稳定算法至关重要。
PARAFAC因子分解
将矩阵分解扩展到高阶张量，使用并行因子分解。在多传感器信号分析等应用中捕捉张量数据中的多维交互。
Tucker分解
SVD在张量上的推广，将张量分解为核心张量和每个模态的因子矩阵。通过允许每个维度具有不同秩，提供比PARAFAC更高的灵活性。
ALS（交替最小二乘）因子分解
迭代算法，在固定其他因子的同时交替优化每个矩阵因子。有效收敛到局部解，是大规模推荐系统的基准方法。
低秩优化
在最小秩约束下寻找最佳矩阵近似的优化问题。对于数据压缩、去噪和高维数据结构提取至关重要。
矩阵补全
在假设存在低秩底层结构的前提下，对矩阵中的缺失值进行填补的任务。在推荐系统和部分观测数据重建中具有关键应用。
k秩近似重建
Eckart-Young定理保证SVD截断在Frobenius范数意义下提供最佳k秩近似。为基于SVD的降维方法奠定了理论基础。
概率矩阵分解
将潜在因子视为具有先验分布的随机变量的贝叶斯方法。自然地允许正则化的融入，并量化预测中的不确定性。
随机SVD分解
使用随机投影计算SVD近似的随机化算法，以降低计算复杂度。对于精确SVD计算成本过高的大规模矩阵特别有效。
对角分块分解
利用分块结构并行化计算并降低内存复杂度的专门分解方法。对于大规模结构化矩阵的分布式处理至关重要。
独立成分分解
将多元信号分解为统计独立成分并最大化非高斯性的因子分解方法。在信号处理和盲源分离中具有基础性作用。
异常值鲁棒分解
使用鲁棒范数抵抗被破坏观测值或异常的矩阵分解变体。对于经常被噪声或测量误差污染的真实数据至关重要。