TL;DR本文介绍了一种可行的方法,利用梯度下降并结合谱初始化逼近正半定秩为 r 的矩阵 X X^T,并证明了在高斯分布下均匀采样 m >= Cnrlog^2 (n) 个样本时,可以在有很高概率下找到初始点,从而使梯度下降能收敛到正确结果。
Abstract
This paper considers the recovery of a rank $r$ positive semidefinite matrix
$X X^T\in\mathbb{R}^{n\times n}$ from $m$ scalar measurements of the form $y_i
:= a_i^T X X^T a_i$ (i.e., quadratic measurements of $X$
提出了一种基于对称半正定矩阵变量 X 进行定义的非线性凸程序的求解算法,该算法基于因数分解 X=YY^T,其中 Y 的列数确定 X 的秩。该因式分解唤起了将原问题重新表述为特定商流形上的优化的几何,并得出了二阶优化方法。此外,文章提供了一些关于分解秩的条件以确保与原始问题的等价性。该算法的效率在图的最大切割和稀疏主成分分析问题上得到了说明。