待验证50% 置信事实精确时间
奇异值分解（SVD）将任意矩阵分解为两个正交矩阵与一个对角奇异值矩阵的乘积，奇异值按从大到小排列。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
涉及实体
相关事实
待验证低秩分解通常借助奇异值分解（SVD）实现，参数量从m×n降至r×(m+n)75% 相似待验证潜因子分解的思路是假设权重矩阵存在冗余和低秩结构，用一组更小的潜因子加上索引或组合方式重建原始权重71% 相似待验证LoRA 利用 SVD 的低秩近似原理，将大型权重矩阵的增量更新分解为两个低秩矩阵的乘积，从而将可训练参数量从数十亿压缩至数百万量级70% 相似待验证SVD中Σ对角线上的奇异值按从大到小排列，最大的奇异值对应数据中最重要的变化方向，较小的奇异值往往对应噪声或次要信息68% 相似待验证完整雅可比矩阵的计算代价是O(m×n)次前向传播，实际应用中研究者通常采用随机化SVD或Lanczos迭代等算法近似计算其低秩分解67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1102248API
curl https://kongchang.com/api/v1/knowledge/claims/1102248MCP
get_claim(id=1102248)