Matris ayrışımı ile ilgili temel makaleler


18

Kısa bir süre önce Skillicorn'un matris ayrışmaları hakkındaki kitabını okudum ve bir lisans izleyicisini hedef aldığı için biraz hayal kırıklığına uğradım. Matris ayrışmaları hakkında (kendim ve başkaları için) temel makalelerden kısa bir kaynakça (anketler, ancak atılım kağıtları) derlemek istiyorum. Aklımda olan şey, SVD / PCA (ve sağlam / seyrek varyantlar) ve NNMF'de bir şey. Hiç öneriniz / öneriniz var mı? Ben cevapları yanlı tutmak için benimkini durduruyorum. Her cevabı 2-3 kağıtla sınırlamak isterim.

Not: Bu iki ayrışmayı veri analizinde en çok kullanılan olarak adlandırıyorum . Elbette sayısal analizde QR, Cholesky, LU ve polar çok önemlidir. Benim sorumun odak noktası bu değil.

Yanıtlar:


16

SVD ve NMF'nin LU, Cholesky ve QR yerine en çok kullanılan matris dekompozisyonları olduğunu nereden biliyorsunuz ? Benim en sevdiğim 'atılım', garantili rütbe gösteren QR algoritması olmalı,

  • Chan, Tony F. "QR faktörizasyonlarını gösteren sıralama". Lineer Cebir ve Uygulamaları Cilt 88-89, Nisan 1987, Sayfa 67-82. DOI: 10.1016 / 0024-3795 (87) 90103-0

... önceki QR fikrinin sütun döndürme ile geliştirilmesi:

  • Businger, Peter; Golub, Gene H. (1965). Hanehalkı dönüşümleri ile doğrusal en küçük kareler çözümleri. Numerische Mathematik Cilt 7, Sayı 3, 269-276, DOI: 10.1007 / BF01436084

A ( ?) Klasik ders kitabı geçerli:

  • Golub, Gene H .; Van Kredisi, Charles F. (1996). Matris Hesaplamaları (3. baskı), Johns Hopkins, ISBN 978-0-8018-5414-9 .

(ders kitapları istemediğini biliyorum ama dayanamıyorum)

Düzenleme: Biraz daha googling özetini biraz çapraz porpoises olabileceğini düşündüren bir kağıt bulur. Yukarıdaki metnim 'sayısal doğrusal cebir' (NLA) perspektifinden geliyordu; muhtemelen daha çok 'uygulamalı istatistik / psikometri' (AS / P) bakış açısıyla ilgileniyorsunuz? Belki açıklığa kavuşturabilir misiniz?


2
Stewart'ın Matrix Algoritmaları ( her iki bölüm ) de yakın bir saniye ile ders kitabını kendim söyleyebilirim . Öncü makalelerin bir listesini kendim verirdim, ancak OP gerçekten sayısal bakış açısını mı yoksa istatistik bakış açısını mı istiyorsa açıklamalıdır (öncekine yardımcı olabilirim, ancak ikincisine değil).
JM bir istatistikçi değil

1
Golub ve Van Kredisi için +1. Ve evet, kesin makale uygundur.
shabbychef

2
İstatistik kısmına odaklandığımı netleştirmek için sorumu düzenledim. Herkesle Golub ve Van Kredisinin matris ayrışması için standart referans olduğu konusunda hemfikirim. Ancak rastgele projeksiyonlarla çok büyük ölçekli ayrışma konusunu atlıyor. Listeme koyacağım bir araştırma makalesi Halko ve ark.
gappy

4

NNMF için Lee ve Seung, uygulanması çok basit olan yinelemeli bir algoritmayı tanımlar. Aslında biri Frobenius artık normunu en aza indirmek için diğeri yaklaşık Kullback-Leibler Sapması ve orijinal matrisin sapmasını en aza indirmek için iki benzer algoritma verirler.


3

Belki ilginç bulabilirsiniz

  1. [Matris Faktorizasyonları ile Öğrenme] Nathan Srebro'nun doktora tezi,
  2. [Büyük Tavsiye Sistemleri İçin Çeşitli Matris Çarpanlara Ayırma Yöntemlerinin İncelenmesi] , Gábor Takács et.al. ve burada açıklanan neredeyse aynı teknik

Son iki bağlantı , İşbirlikçi Filtrelemede seyrek matris çarpanlarının nasıl kullanıldığını gösterir. Ancak, SGD benzeri çarpanlara ayırma algoritmalarının başka bir yerde yararlı olabileceğine inanıyorum (en azından kodlaması son derece kolaydır)


2

5
Teşekkürler. Her iki gazeteyi de biliyorum. Witten [Whitten değil] ve ark.'nın büyük bir hayranı değilim, çünkü seyrek ayrışmalarla ilgili daha önemli makaleler olduğunu düşünüyorum. Randomize SVD'de, özellikle "Rasgele bir yapı bulma: Yaklaşık matris dekompozisyonları oluşturmak için stokastik algoritmalar" ( arxiv.org/abs/0909.4061 ) adlı inceleme makalesini de beğendim .
gappy

Katılıyorum. Ben sadece orada kimsenin bahsetmediğini 2 kağıt koyuyordu.
pslice

2

Bu yılki NIPS'te , akışlı bir giriş matrisi üzerinde tek geçişte çalışan dağıtılmış, çok büyük ölçekli SVD hakkında kısa bir makale vardı .

Kağıt daha uygulamaya yöneliktir, ancak gerçek duvar saati zamanları ve her şeyle işleri perspektif haline getirir. Başlangıçtaki tablo da iyi bir anket.


NIPS ne anlama geliyor?
onestop

@onestop bağlantısı eklendi. NIPS = Sinirsel Bilgi İşleme Sistemleri. Bir topluluktur (bir sistem değil :)). Ama pisk konferans NIPS 2010 hakkında konuşuyor.
robin girard
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.