低秩矩阵

低秩矩阵（Low-rank Matrix）是指秩（rank）远小于其行数和列数的矩阵，即 $rank(M)=r\ll \min (m,n)$。其核心特点是信息冗余性，可通过少量独立基向量（奇异向量）近似表示整个矩阵，从而在数据压缩、去噪和补全等任务中发挥重要作用。

意义

矩阵乘法是大多数机器学习模型的核心计算瓶颈。为了降低计算复杂度，已经出现了许多方法对一组更高效的矩阵进行学习。这些矩阵被称为结构化矩阵，其参数数量和运行时间为次二次函数（对于 𝑛 维度，其参数数量和运行时间为 𝑜¹𝑛²º）。结构化矩阵最常见的例子是稀疏矩阵和低秩矩阵，以及信号处理中常见的快速变换（傅里叶变换、切比雪夫变换、正弦/余弦变换、正交多项式）。

核心概念

1. 秩的定义
   矩阵的秩表示其线性无关的行或列向量的最大数量。若矩阵 $M\in {\mathbb{R}}^{m\times n}$ 的秩为 $r$，则存在分解 $M=U{V}^T$，其中 $U\in {\mathbb{R}}^{m\times r}$，$V\in {\mathbb{R}}^{n\times r}$，参数总量从 $m\times n$ 降至 $(m+n)\times r$。

2. SVD与低秩逼近
   奇异值分解（SVD）将矩阵分解为 $M=U\Sigma V^T$，其中 $\Sigma$ 为奇异值矩阵。通过保留前 $k$ 个最大奇异值（$k\ll r$），可得到最优低秩近似 $M_k$（Eckart-Young-Mirsky定理）。

应用场景

1. 推荐系统
   用户-物品评分矩阵通常低秩，通过矩阵分解（如SVD）挖掘潜在特征，预测缺失值。
2. 图像处理
   图像矩阵的低秩性可用于去噪（将噪声视为高秩扰动）或修复缺失像素。
3. 深度学习微调
   LoRA（Low-Rank Adaptation）通过低秩矩阵调整大模型参数，减少计算量。

示例说明

若矩阵 $A=\left[\begin{array}{ccc}1& 2& 3\\ 2& 4& 6\\ 3& 6& 9\end{array}\right]$，其秩为1，因为所有行均为第一行的倍数。此时 $A$ 可表示为 $U{V}^T$（如 $U=[1,2,3{]}^T$，$V=[1,2,3]$）。

为什么重要？

• 计算效率：低秩分解降低存储和计算复杂度（如从 $O(n^2)$ 到 $O(n)$）。
• 鲁棒性：在噪声或缺失数据下仍能恢复主要结构。

奇异值矩阵

奇异值矩阵（Singular Value Matrix）是奇异值分解（SVD）中的核心组成部分，通常记为 $\Sigma$（或 $S$），它是一个对角矩阵，其对角线元素为矩阵的奇异值，按从大到小排列，其余元素为零。以下是详细解析：

---

1. 定义与数学形式

给定矩阵 $A\in {\mathbb{R}}^{m\times n}$，其奇异值分解为：
$$A=U\Sigma V^T$$
其中：

• $U$ 是 $m\times m$ 的正交矩阵（左奇异向量）。
• $V$ 是 $n\times n$ 的正交矩阵（右奇异向量）。
• $\Sigma$ 是 $m\times n$ 的对角矩阵，称为奇异值矩阵，其对角线元素 ${\sigma }_1\ge {\sigma }_2\ge \cdots \ge {\sigma }_r>0$（$r=\text{rank}(A)$）即为 $A$ 的奇异值。

---

2. 奇异值的性质

• 非负性：奇异值 ${\sigma }_i$ 是非负实数，且唯一确定（即使 $U$ 和 $V$ 不唯一）。
• 与特征值的关系：奇异值是 $A^{T}A$ 或 $A{A}^T$ 的特征值的平方根。
• 矩阵秩：非零奇异值的个数等于矩阵 $A$ 的秩。

---

3. 计算与示例

计算方法

• SVD分解：通过数值计算工具（如MATLAB的 svd 或 Python的 numpy.linalg.svd）直接求解。
• 特征值分解：先计算 $A^{T}A$ 的特征值，再取平方根得到奇异值。

示例

若矩阵 $A=\left[\begin{array}{ccc}1& 0& 1\\ 0& 1& 0\end{array}\right]$，其奇异值分解后 $\Sigma$ 可能为：
$$\Sigma =\left[\begin{array}{ccc}1.732& 0& 0\\ 0& 1& 0\end{array}\right]$$
其中奇异值为 $1.732$ 和 $1$。

---

4. 应用场景

• 数据压缩：保留前 $k$ 个奇异值（低秩近似）可减少存储和计算量（如PCA）。
• 图像去噪：较小的奇异值通常对应噪声，截断后可恢复清晰图像。
• 推荐系统：通过SVD分解用户-物品矩阵，提取潜在特征。

---

5. 几何意义

奇异值表示矩阵 $A$ 在不同方向上的“缩放因子”。例如，在图像处理中，奇异值越大，对应的特征方向对图像的贡献越大。

---

总结

奇异值矩阵 $\Sigma$ 是SVD的核心，其对角线元素（奇异值）揭示了矩阵的秩、稳定性及主要特征方向。通过控制奇异值的数量，可实现数据降维、去噪等高效操作。

正交矩阵

正交矩阵（Orthogonal Matrix）是线性代数中一类重要的实方阵，其核心特性是转置矩阵等于逆矩阵，即满足 $Q^{T}Q=Q{Q}^T=I$（$I$ 为单位矩阵）。以下是其关键内容：

---

1. 定义与性质

• 定义：若 $n\times n$ 实矩阵 $Q$ 满足 $Q^T=Q^{-1}$，则称 $Q$ 为正交矩阵。
• 等价条件：
  1. 行（或列）向量组是标准正交基（两两正交且长度为1）。
  2. 保持向量内积不变：$(Qx,Qy)=(x,y)$，即保持几何长度和夹角。
  3. 行列式 $|Q|=\pm 1$（$+1$ 表示旋转，$-1$ 表示反射）。

---

2. 分类与例子

• 第一类正交矩阵：$|Q|=1$，对应旋转变换（如二维旋转矩阵）：
  $$Q=\left[\begin{array}{cc}\cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{array}\right]$$
• 第二类正交矩阵：$|Q|=-1$，对应反射变换（如镜像矩阵）。

---

3. 应用领域

• 几何变换：用于旋转、反射等操作（如计算机图形学中的坐标变换）。
• 数据科学：主成分分析（PCA）中通过正交矩阵实现降维。
• 信号处理：离散傅里叶变换（DFT）的基函数构成正交矩阵。
• 量子计算：量子门操作对应酉矩阵（复数域的正交矩阵）。

---

4. 重要定理

• 谱分解定理：实对称矩阵可通过正交矩阵对角化，即 $A=Q\Lambda Q^T$（$\Lambda$ 为对角矩阵）。
• QR分解：任意矩阵可分解为正交矩阵与上三角矩阵的乘积。

---

Python示例验证

import numpy as np
Q = np.array([[1/np.sqrt(2), 1/np.sqrt(2)], [-1/np.sqrt(2), 1/np.sqrt(2)]])
print("Q^T Q = \n", np.dot(Q.T, Q))  # 应输出单位矩阵

正交矩阵因其计算高效（逆即转置）和几何保形性，成为数学与工程领域的基石工具。