論文の概要: Advanced Linear Algebra with Applications - Part I (Numerical linear algebra for PDEs, machine learning, and data assimilation)

• arxiv url: http://arxiv.org/abs/2608.21234v1
• Date: Fri, 21 Aug 2026 15:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.628706
• Title: Advanced Linear Algebra with Applications - Part I (Numerical linear algebra for PDEs, machine learning, and data assimilation)
• Title（参考訳）: 先進線形代数とその応用 -第1報 (PDE, 機械学習, データ同化のための数値線形代数)
• Abstract要約: 講義ノートは、高度な数値線型代数のマスターレベルコースの最初の部分を形成する。 エイムは、なぜこの主題が前世代よりもかなり中心になったのかを示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: These lecture notes form the first part of a master's-level course on advanced numerical linear algebra. Their aim is not only to present the classical algorithms, but to show why the subject has become considerably more central than it was a generation ago. Numerical linear algebra grew up alongside the numerical solution of partial differential equations, and for a long time that is where its large sparse systems came from. Ranking the nodes of a network, assimilating observations into a weather forecast, and fitting a model to a large noisy data set now lead to problems of the same kind: too large to factorise, structured, and accessible only through matrix-vector products. Strikingly few ideas are needed for all of them. Each chapter therefore develops a standard topic and then puts it to work outside its original setting. We treat norms, factorisations, conditioning and floating-point arithmetic; sparse matrices arising from finite differences, from graphs and from machine learning; stationary iterations and the smoothing property; the conjugate gradient and Lanczos methods, with spectral clustering and regularisation by early stopping; Arnoldi and GMRES, with PageRank and large least squares; and finally preconditioning, Schwarz domain decomposition and multigrid. We assume a first course in linear algebra. Every section closes with a summary of what should be retained and every chapter with exercises, several drawn from past examinations. Accompanying Python code reproduces the numerical illustrations.
• Abstract（参考訳）: これらの講義ノートは、高度な数値線型代数に関するマスターレベルコースの最初の部分を形成する。 彼らの目的は、古典的なアルゴリズムを提示するだけでなく、なぜこの主題が前世代よりもかなり中心になったのかを示すことである。 数値線形代数は偏微分方程式の数値解とともに成長し、長い間その大きなスパース系が生まれてきた。 ネットワークのノードをランク付けし、観測結果を天気予報に同調し、モデルを大きなノイズデータセットに合わせると、同じ種類の問題が発生する。 それらすべてには、驚くほど少ないアイデアが必要になります。 それぞれの章は標準的なトピックを開発し、元の設定外で動作するようにします。 我々は、ノルム、分解、条件付け、浮動小数点算術、グラフや機械学習から生じる有限差分から生じるスパース行列、定常反復と滑らかな性質、共役勾配とランツォス法、スペクトルクラスタリングと早期停止による正規化、ArnticiとGMRES、PageRankと大小二乗法、そして最後にプレコンディショニング、Schwarzドメイン分解と乗法を扱う。 線型代数の最初のコースを仮定する。 すべてのセクションは、保持すべきものの概要と、過去の試験から引き出された演習を含むすべての章で終了する。 Pythonコードに対応すると、数値図形が再現される。

関連論文リスト

• Score the Algebra, Not the Span: Dimension Reduction for Transfer Operator Models of Dynamical Systems [48.096969031315744]
  弱い相互作用を持つコンポーネントから組み立てられたシステムでは、コンポーネントはモデル化されるよりもモデルから欠落しており、その機能を正確に予測することはできないことを示す。 代わりに、座標が生成する$-algebraをスコアし、製品とパワーが自由になり、コンポーネントのコストがジェネレータによってのみ管理されるようにすることを提案する。
  論文  参考訳（メタデータ） (2026-08-19T13:49:51Z)
• Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning [49.0767291348921]
  RandNLA (Randomized Numerical Linear Algebra) は、ランダムネスを用いてユビキタス行列問題に対する改良アルゴリズムを開発する分野である。 この記事では、これらの開発状況を踏まえた自己完結したRandNLAの概要を紹介する。
  論文  参考訳（メタデータ） (2024-06-17T02:30:55Z)
• Graph Neural Preconditioners for Iterative Solutions of Sparse Linear Systems [5.083469153675402]
  汎用プリコンディショナーとしてグラフニューラルネットワークを提案する。 多くの問題に対して魅力的なパフォーマンスを示しており、メインストリームのプレコンディショナーがパフォーマンスが悪い場合にも使用できる。
  論文  参考訳（メタデータ） (2024-06-02T17:18:41Z)
• CoLA: Exploiting Compositional Structure for Automatic and Efficient Numerical Linear Algebra [62.37017125812101]
  機械学習における大規模線形代数問題に対して, CoLA という, 単純だが汎用的なフレームワークを提案する。 線形演算子抽象と合成ディスパッチルールを組み合わせることで、CoLAはメモリと実行時の効率的な数値アルゴリズムを自動的に構築する。 偏微分方程式,ガウス過程,同変モデル構築,教師なし学習など,幅広い応用で有効性を示す。
  論文  参考訳（メタデータ） (2023-09-06T14:59:38Z)
• Near-Optimal Algorithms for Linear Algebra in the Current Matrix Multiplication Time [46.31710224483631]
  既存の定数係数近似のスケッチ次元における対数的要素について、Nelson and Nguyen (FOCS, 2013) の主な開問題を回避する方法を示す。 私たちが使用している重要なテクニックは、不確実性原理と抽出子に基づくIndykの明示的なマッピングです。 ランク計算と列の線形独立部分集合の探索という基本的な問題に対して、我々のアルゴリズムはCheung, Kwok, Lau (JACM, 2013)を改良し、それぞれ定数係数と$log(n)$-factorの範囲内で最適である。
  論文  参考訳（メタデータ） (2021-07-16T19:34:10Z)
• A Practical Method for Constructing Equivariant Multilayer Perceptrons for Arbitrary Matrix Groups [115.58550697886987]
  行列群の同変層を解くための完全一般的なアルゴリズムを提供する。 他作品からのソリューションを特殊ケースとして回収するだけでなく、これまで取り組んだことのない複数のグループと等価な多層パーセプトロンを構築します。 提案手法は, 粒子物理学および力学系への応用により, 非同変基底線より優れる。
  論文  参考訳（メタデータ） (2021-04-19T17:21:54Z)
• Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
  ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。 我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-30T19:10:32Z)
• Spectral Learning on Matrices and Tensors [74.88243719463053]
  テンソル分解は行列法で欠落する潜伏効果を拾うことができることを示す。 また,効率的なテンソル分解法を設計するための計算手法についても概説する。
  論文  参考訳（メタデータ） (2020-04-16T22:53:00Z)
• Spatial best linear unbiased prediction: A computational mathematics approach for high dimensional massive datasets [0.0]
  観測値や次元数とよく一致するマルチレベル計算法を開発した。 多レベル予測は、Best Linear Unbiased Predictor (BLUP) と Generalized Least Squares (GLS) モデルを正確に解く。 その結果,BLUP問題を解くために最大42,050倍の高速化が得られた。
  論文  参考訳（メタデータ） (2017-01-01T20:11:06Z)

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。