一图看懂四种矩阵分解:LU、QR、SVD、Cholesky 各管什么
burny_tech · x · 2026-11-11
数值线性代数里四种核心矩阵分解的直观图解:
- LU 分解(PA=LU):高斯消元的矩阵化表达,用于解方阵线性方程组 Ax=b,P 为置换矩阵,保证消元稳定。
- QR 分解:把 A 拆成正交矩阵 Q 与上三角矩阵 R,是最小二乘拟合的数值稳定路径。
- SVD(A=UΣVᵀ):对任意实矩阵都存在,能暴露矩阵的秩与主方向;截断最大奇异值即得最优低秩近似,是 PCA 和众多压缩方法的基础。
- Cholesky(A=LLᵀ):仅适用于对称正定矩阵,成本约为 LU 的一半。
核心思想:把一个难处理的矩阵改写成结构更简单的因子,分别适合求解、拟合或压缩。
「研究」频道最新
- Yuanbao-Reranker 发布 0.6B/4B/8B 三档重排器,基于 Qwen3 合成数据训练 — _reachsumit · 2026-11-11
- Shopify RoutingTrie:把元数据过滤前置到生成式检索解码,Hit@100 提升 28.6 个百分点 — _reachsumit · 2026-11-11
- 去掉目录拷贝:在 Apache Pinot 上直接跑混合搜索,2.77 亿商品向量+BM25 p50 仅 6.5-9ms — _reachsumit · 2026-11-11
- 新研究揭示检索模型「按答案检索」偏差：偏好已知答案而非正确关系 — _reachsumit · 2026-11-11
- Jev 相关性概率未校准：DL21 上打分超 0.9 的样本仅 66% 真相关 — _reachsumit · 2026-11-11
- AST:按轮廓系数自适应分支构建语义 ID,优于固定分支方法 — _reachsumit · 2026-11-11