Двумерное сингулярное разложение
В линейной алгебре двумерное разложение по сингулярным значениям ( 2DSVD ) вычисляет низкоранговую аппроксимацию набора матриц, таких как 2D- изображения или карты погоды, почти идентично SVD ( разложение по сингулярным значениям ), которое вычисляет низкие значения. ранговая аппроксимация одной матрицы (или набора одномерных векторов).
СВД
[ редактировать ]Пусть матрица содержит набор одномерных векторов, которые были центрированы. В PCA/SVD мы строим ковариационную матрицу и матрица Грама
- ,
и вычислить их собственные векторы и . С и у нас есть
Если мы сохраним только главные собственные векторы в , это дает низкоранговую аппроксимацию .
2ДСВД
[ редактировать ]Здесь мы имеем дело с набором 2D-матриц. . Предположим, они центрированы . Построим ковариационные матрицы строка-строка и столбец-столбец.
- и
точно так же, как в SVD, и вычислить их собственные векторы и . Мы приближаем как
точно так же, как и в СВД. Это дает почти оптимальную аппроксимацию низкого ранга с целевой функцией
Также существуют границы ошибок, аналогичные теореме Эккарда – Янга .
2DSVD в основном используется для изображений сжатия и представления .
Ссылки
[ редактировать ]- Крис Дин и Цзепин Е. «Двумерное разложение по сингулярным значениям (2DSVD) для 2D-карт и изображений». Учеб. Международная конференция SIAM. Data Mining (SDM'05), стр. 32–43, апрель 2005 г. http://ranger.uta.edu/~chqding/papers/2dsvdSDM05.pdf.
- Цзепин Е. «Обобщенные аппроксимации матриц низкого ранга». Журнал машинного обучения. Том. 61, стр. 167–191, 2005.