論文の概要: Improved analysis of randomized SVD for top-eigenvector approximation
- arxiv url: http://arxiv.org/abs/2202.07992v1
- Date: Wed, 16 Feb 2022 11:12:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 22:52:03.749171
- Title: Improved analysis of randomized SVD for top-eigenvector approximation
- Title(参考訳): トップ固有ベクトル近似のためのランダム化svdの解析改善
- Authors: Ruo-Chun Tzeng, Po-An Wang, Florian Adriaens, Aristides Gionis,
Chi-Jen Lu
- Abstract要約: そこで本研究では,無作為なSVDアルゴリズムであるcitethalko2011finding を新たに解析し,興味のある場合の厳密な境界を導出する。
特に、これは任意の反復数を持つランダム化SVDに対して$R(hatmathbfu)$の非自明な境界を与える最初の作品である。
- 参考スコア(独自算出の注目度): 16.905540623795467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computing the top eigenvectors of a matrix is a problem of fundamental
interest to various fields. While the majority of the literature has focused on
analyzing the reconstruction error of low-rank matrices associated with the
retrieved eigenvectors, in many applications one is interested in finding one
vector with high Rayleigh quotient. In this paper we study the problem of
approximating the top-eigenvector. Given a symmetric matrix $\mathbf{A}$ with
largest eigenvalue $\lambda_1$, our goal is to find a vector \hu that
approximates the leading eigenvector $\mathbf{u}_1$ with high accuracy, as
measured by the ratio
$R(\hat{\mathbf{u}})=\lambda_1^{-1}{\hat{\mathbf{u}}^T\mathbf{A}\hat{\mathbf{u}}}/{\hat{\mathbf{u}}^T\hat{\mathbf{u}}}$.
We present a novel analysis of the randomized SVD algorithm of
\citet{halko2011finding} and derive tight bounds in many cases of interest.
Notably, this is the first work that provides non-trivial bounds of
$R(\hat{\mathbf{u}})$ for randomized SVD with any number of iterations. Our
theoretical analysis is complemented with a thorough experimental study that
confirms the efficiency and accuracy of the method.
- Abstract(参考訳): 行列の最上位固有ベクトルの計算は、様々な分野に対する基本的な関心の問題である。
文献の大半は、抽出された固有ベクトルに関連する低ランク行列の再構成誤差の分析に焦点が当てられているが、多くの応用において高いレイリー商を持つベクトルを見つけることに興味がある。
本稿では,トップ固有ベクトルの近似問題について検討する。
最大固有値 $\lambda_1$ を持つ対称行列 $\mathbf{A}$ が与えられたとき、我々のゴールは、R(\hat{\mathbf{u}})=\lambda_1^{-1}{\hat{\mathbf{u}}^T\mathbf{A}\hat{\mathbf{u}}}/{\hat{\mathbf{u}}^T\hat{\mathbf{u}}}$ で測定されるように、高い精度で先頭固有ベクトル $\mathbf{u}_1$ を近似するベクトル \hu を見つけることである。
本稿では,無作為なSVDアルゴリズムである \citet{halko 2011finding} の新たな解析法を提案する。
特に、これは任意の反復数を持つランダム化SVDに対して$R(\hat{\mathbf{u}})$の非自明な境界を与える最初の作品である。
本理論解析は,本手法の効率と精度を検証した徹底的な実験研究を補完するものである。
関連論文リスト
- Oja's Algorithm for Sparse PCA [7.059472280274011]
Oja's algorithm for streaming principal Component Analysis (PCA) for $n$ datapoints achieve the same sin-squared error $O(r_mathsfeff/n)$ as the offline algorithm in $O(d)$ space and $O(nd)$ time。
単純なシングルパスプロシージャは、$O(d)$ space と $O(nd)$ time の規則性条件下でのミニマックス誤差を達成可能であることを示す。
論文 参考訳(メタデータ) (2024-02-11T16:36:48Z) - Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。
本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。
最悪の場合、$m$に対する指数的依存は避けられないことを示す。
論文 参考訳(メタデータ) (2024-02-06T15:39:09Z) - A General Algorithm for Solving Rank-one Matrix Sensing [15.543065204102714]
マトリックスセンシングの目標は、一連の測定に基づいて、mathbbRn×n$の行列$A_starを復元することである。
本稿では、このランク-$kの仮定を緩和し、より一般的な行列センシング問題を解く。
論文 参考訳(メタデータ) (2023-03-22T04:07:26Z) - Perturbation Analysis of Randomized SVD and its Applications to
High-dimensional Statistics [8.90202564665576]
一般の「信号+雑音」の枠組みによるRSVDの統計特性について検討する。
3つの統計的推論問題に適用した場合、RSVDのほぼ最適性能保証を導出する。
論文 参考訳(メタデータ) (2022-03-19T07:26:45Z) - Random matrices in service of ML footprint: ternary random features with
no performance loss [55.30329197651178]
我々は、$bf K$ の固有スペクトルが$bf w$ の i.d. 成分の分布とは独立であることを示す。
3次ランダム特徴(TRF)と呼ばれる新しいランダム手法を提案する。
提案したランダムな特徴の計算には乗算が不要であり、古典的なランダムな特徴に比べてストレージに$b$のコストがかかる。
論文 参考訳(メタデータ) (2021-10-05T09:33:49Z) - Spectral properties of sample covariance matrices arising from random
matrices with independent non identically distributed columns [50.053491972003656]
関数 $texttr(AR(z))$, for $R(z) = (frac1nXXT- zI_p)-1$ and $Ain mathcal M_p$ deterministic, have a standard deviation of order $O(|A|_* / sqrt n)$.
ここでは、$|mathbb E[R(z)] - tilde R(z)|_F を示す。
論文 参考訳(メタデータ) (2021-09-06T14:21:43Z) - Optimal Spectral Recovery of a Planted Vector in a Subspace [80.02218763267992]
我々は、$ell_4$ノルムが同じ$ell$ノルムを持つガウスベクトルと異なるプラントベクトル$v$の効率的な推定と検出について研究する。
規則$n rho gg sqrtN$ では、大クラスのスペクトル法(そしてより一般的には、入力の低次法)は、植込みベクトルの検出に失敗する。
論文 参考訳(メタデータ) (2021-05-31T16:10:49Z) - Learning Sparse Graph Laplacian with K Eigenvector Prior via Iterative
GLASSO and Projection [58.5350491065936]
グラフ Laplacian 行列 $L$ 上の構造的仮定を考える。
最初の$K$ eigenvectors of $L$は、例えばドメイン固有の基準に基づいて事前選択される。
本稿では,H_u+$$$$barC$で最も適切なグラフラプラシアン行列$L*を計算するために,効率的なハイブリッドグラフラッソ/投影アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-10-25T18:12:50Z) - Hutch++: Optimal Stochastic Trace Estimation [75.45968495410048]
我々は、任意の正半定値(PSD)$A$に対して、$(1 pm epsilon)$を$tr(A)$に近似する新しいランダム化アルゴリズムであるHutch++を導入する。
実験ではハッチンソン法を著しく上回る結果を得た。
論文 参考訳(メタデータ) (2020-10-19T16:45:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。