本文介绍了随机 SVD 方法的推广版，使用多元高斯向量代替标准高斯向量进行矩阵 - 向量乘积，以允许将先前的知识加入算法中，进而探索基于高斯过程函数的 Hilbert-Schmidt（HS）算子的随机 SVD 的连续模拟。文中提出了一种新的基于加权 Jacobi 多项式的协方差核，从而使随机生成的函数具有良好的平滑性，再通过数值实验证明其适用性。

May, 2021

本文提出了一种基于协方差矩阵的图形表示方法，并定义了相似度测量方法，可用于社交网络的分类，同时该方法的计算效率高，可用于大规模实践，并对截断幂次迭代的研究提供了理论和实证支持。

Apr, 2014

本文提出了一种新方法，利用高维几何和随机噪声来更好地估计低秩矩阵的奇异向量，以应对矩阵扰动问题。

Apr, 2010

本文考虑一种流式数据模型，通过计算奇异值分解和草图矩阵，获得与原始数据矩阵非常接近的奇异值和奇异向量。同时，将其应用于流图算法来近似计算具有低秩的计算机网络图 Laplacian 的特征值和特征向量。

Nov, 2012

本研究提出了一种高效的算法，叫做球形归一化奇异值分解 (SVD)，用于稳健的奇异值分解近似，对异常值不敏感、可扩展的计算，提供准确的奇异向量估计。该算法通过仅使用标准降秩奇异值分解算法对适当缩放的数据进行两次计算，实现了显著的计算速度，并在计算时间上明显优于竞争算法。为评估估计奇异向量及其子空间的稳健性，我们引入了矩阵型输入的新的破坏点概念，包括按行、按列和按块的破坏点。理论和实证分析表明，与标准 SVD 及其修改相比，我们的算法具有更高的破坏点。我们在高维微阵列数据集的鲁棒低秩逼近和鲁棒主成分分析等应用中，经验地验证了我们方法的有效性。总体而言，本研究提供了一种高效且稳健的 SVD 近似解决方案，克服了现有算法在异常值存在时的局限性。

Feb, 2024

本文研究矩阵的奇异值分解与其对称嵌入的舒尔分解之间的联系，提出一种通过将一般的 d 阶张量 A 嵌入为对称张量 sym（A） 的方法，以将 A 的奇异值的幂方法与 sym（A）的特征值幂方法联系起来，并且研究了 sym（A）和 A 的秩之间的关系。

Oct, 2010

提出一种行列仿射测量方案以及相应的算法，可用于低秩矩阵恢复，具有较高的精度。

May, 2015

研究生在学习线性代数时通常会遇到的难点及解决方式，包括使用免费计算机代数系统 SageMath 处理需要算法思维技能的问题，如对角化和奇异值分解，并通过 ChatGPT 提高计算能力和批判性思维。

Mar, 2023

本文介绍了矩阵对角化中的一些重要概念，探讨了只有正交对角矩阵具有谱分解的证明，并证明了所有实方阵都可通过正交相似化为实数部分相同的正交矩阵。

May, 2016

矩阵乘积的非零特征值相等定理在矩阵计算的应用中有很大的优势，因为它可以用于计算低秩矩阵 AB 的特征值和特征向量，即求出矩阵 BA 的特征值和特征向量，从而得到原矩阵 AB 的特征值和特征向量。此外，本文还讨论了 Jordan 块在 AB 和 BA 之间的差异。

May, 2019