Atualizando a decomposição SVD após adicionar uma nova linha à matriz

Suponha que eu possua uma matriz densa de , com decomposição SVD Em que posso calcular o SVD da seguinte forma: . $\textbf{A}$ $m \times n$

UMA = {você S V}^{⊤} .

$\mathbf{A}=\mathbf{USV}^\top.$ Rsvd(A)

Se uma nova -ésima linha for adicionada a , será possível calcular a nova decomposição do SVD com base na antiga (por exemplo, usando , e ), sem recalcular o SVD do zero? $(m+1)$ $\mathbf A$ $\mathbf U$ $\mathbf S$ $\mathbf V$

algorithms svd linear-algebra matrix-decomposition numerics user1436187
fonte

Verifique a literatura de rank 1 updates. As rápidas revisões on-line de SVD para sistemas leves de recomendação da Brand são um primeiro documento acessível. Infelizmente, eu não vi algo para SVD já implementado em R. As atualizações do Cholesky existem ( updownde Matrix) graças ao CHOLMOD. A esparsidade da sua matriz

realmente fará uma diferença na sua solução final; você assume uma matriz densa ou esparsa?

A

$A$

usεr11852 diz Reinstate Monic 15/10/2015

+1 a @ usεr11852. Observe também que é muito mais fácil e mais padrão atualizar o QR e, em alguns aplicativos, o QR é suficiente e realmente não é necessário SVD. Então pense também no seu aplicativo.

Ameba diz Reinstate Monica

Sim, a matriz é densa.

user1436187

'Abandone' a literatura recomendada e concentre-se no processamento de imagens. Perguntas semelhantes com passeios foram postadas em termos de "novas imagens" em um banco de dados. Por exemplo, meu palpite é que alguém precisa ter um algoritmo para atualizar as entradas de seus eigenfaces on-line. Esses caras trabalham com representações matriciais densas.

usεr11852 diz Reinstate Monic

Alguns tópicos relacionados em outros sites do SE: scicomp.stackexchange.com/questions/2678 , scicomp.stackexchange.com/questions/19253 , mathoverflow.net/questions/143375 .

Ameba diz Reinstate Monica

Sim, é possível atualizar uma decomposição SVD após adicionar uma nova linha à matriz existente.

Em geral, essa formulação de problema " adicione um a " é conhecida como atualizações de classificação um . O link MathOverflow fornecido pelo @amoeba em " atualizações eficientes de segundo grau de uma decomposição de autovalor " é um ótimo primeiro passo se você deseja começar a aprofundar o assunto; o primeiro artigo fornece uma solução explícita para sua pergunta específica. Apenas para esclarecer o que significam a classificação um e a classificação dois para que você não fique confuso, se o seu novo for tal que: $A^*$

\begin{aligned} {UMA}^{*} = UMA - você v^{T} \end{aligned}

$\begin{align} A^* = A - uv^T \end{align}$

$u$ $v$

\begin{aligned} {UMA}^{*} = UMA - você V^{T} \end{aligned}

$\begin{align} A^* = A - UV^T \end{align}$

a fórmula de Woodbury entra em jogo. Se você vir essas fórmulas, notará que há muitas inversas envolvidas. Você não os resolve diretamente. Como você já resolveu grande parte de seus subsistemas (por exemplo, você já tem alguma decomposição computada), você os utiliza para obter estimativas mais rápidas e / ou mais estáveis. (É por isso que as pessoas ainda pesquisam esse campo.) Eu usei o livro " Estatísticas Computacionais " de JE Gentle como referência; Eu acho que Chapt. 5 A Álgebra Linear Numérica o configurará corretamente. (O uber-clássico: " Álgebra matricial da perspectiva de um estatístico ", de Harville, infelizmente, não toca em atualizações de classificação.)

Olhando para o lado das estatísticas / aplicativos, as atualizações de classificação 1 são comuns nos sistemas de recomendação, pois é possível ter milhares de entradas de clientes e recalcular o SVD (ou qualquer decomposição fornecida), sempre que um novo usuário se registrar ou um novo produto. adicionado ou removido é um grande desperdício (se não for inatingível). Normalmente, as matrizes do sistema de recomendação são esparsas e isso torna os algoritmos ainda mais eficientes. Um primeiro artigo acessível é o manuscrito " Revisões on-line rápidas de SVD para sistemas de recomendação leve " de M. Brand. Indo para matrizes densas, acho que olhar para os papéis do reconhecimento de padrões e processamento de imagens pode levar você muito longe na obtenção de um algoritmo real para uso. Por exemplo, os papéis:

Aprendizado incremental dos principais componentes bidirecionais para reconhecimento facial (2009) de Ren e Dai,
Sobre aprendizagem incremental e robusta no subespaço (2003) por Li et al.
Extração sequencial da base de Karhunen-Loeve e sua aplicação às imagens (2000) por Levey e Lindenbaum.
Aprendizagem Incremental para Rastreamento Visual Robusto (2007) por Ross et al.

todos parecem estar enfrentando o mesmo problema em sua essência; novos recursos estão chegando e precisamos atualizar nossa representação rapidamente . Observe que essas matrizes não são simétricas nem quadradas. Outro trabalho de M. Brand também pode abordar esse problema (consulte o artigo " Modificações rápidas de baixa classificação da decomposição de valor singular fino (2006) " - isso também foi mencionado no link MO fornecido no início do post.) muitos trabalhos excelentes sobre o assunto, mas a maioria costuma ser bastante matemática (por exemplo, o artigo de Benaych-Georgesa e Nadakuditi sobre " Os valores e vetores singulares de perturbações de baixa ordem de grandes matrizes aleatórias retangulares (2012)") e não acho que eles ajudarão a obter uma solução em breve. Sugiro que você mantenha seu foco na literatura sobre processamento de imagens.

Infelizmente, não encontrei nenhuma implementação de R para rotinas de atualizações de nível um. A resposta sobre " Implementação de SVD atualizável em Python, C ou Fortran? " Do Computational Science SE fornece várias implementações de MATLAB e C ++ que você pode considerar. Geralmente, a implementação em R, Python etc. é envolvida em implementações em C, C ++ ou FORTRAN.

usεr11852 diz Reinstate Monic
fonte

Este é um bom comentário, mas fiquei desapontado por não encontrar uma resposta para a pergunta. Acontece que outro artigo de Matthew Brand , vinculado à resposta do MO, contém uma solução explícita.

whuber

Marcar com +1 com você e com o @whuber (e não acho que seja necessário evitar a duplicação de qualquer informação fornecida em outro site da SE! Eu argumentaria que deveríamos tentar tornar as informações fornecidas neste site como auto-sustentadas De fato, quase todas as informações aqui contidas estão, de certa forma, duplicando livros, recursos on-line ou documentos de pesquisa existentes). Uma pergunta: você mencionou as fórmulas de Sherman-Morrison e Woodbury que descrevem como o inverso da matriz muda após uma atualização de classificação um ou superior; o que eles têm a ver com SVD?

Ameba diz Reinstate Monica

Entendo por que você pode direcionar as pessoas para as páginas do MO desse link, mas considere afirmar diretamente que isso resolve o problema! ("Um bom primeiro passo" é um grande eufemismo.) Muitos dos seus comentários podem ser mal interpretados como indicando que você ainda não encontrou uma boa solução.

whuber

@ whuber: "Bom" se tornou "ótimo" e agora mencionei o jornal também, melhor? :) (Obrigado pelo feedback, a propósito.)

usεr11852 diz Reinstate Monic

Apenas pela história: Bunch e Nielsen foram os primeiros a demonstrar uma maneira de atualizar e downdate o SVD. O método de Brand, na verdade, generaliza os métodos deste artigo mais antigo.

JM não é estatístico

Atualizando a decomposição SVD após adicionar uma nova linha à matriz

Respostas: