已验证75% 置信事实精确时间
SVD（奇异值分解）可以将任意矩阵分解为三个矩阵的乘积，是推荐系统矩阵分解、图像压缩和潜在语义分析（LSA）的数学基础
5
来源数
75%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
相关事实
已验证SVD是PCA降维、推荐系统矩阵分解以及LoRA低秩适配微调方法的数学核心81% 相似待验证SVD可以将任意矩阵分解为三个矩阵的乘积UΣV^T，是Netflix Prize竞赛中最具影响力的方法之一77% 相似待验证SVD将任意m×n矩阵A分解为A=UΣVᵀ的形式，其中U和V是正交矩阵，Σ是对角矩阵，齐次方程Ah=0的解是V的最后一列77% 相似待验证低秩近似的数学基础来自线性代数中的奇异值分解（SVD），可用两个低维矩阵乘积U·V^T近似有效秩较小的矩阵75% 相似待验证Muon 对权重矩阵的 SGD 动量梯度应用矩阵符号函数，即对矩阵做 SVD 后将所有奇异值置为1，等价于找到与梯度矩阵最接近的正交矩阵74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/502907API
curl https://kongchang.com/api/v1/knowledge/claims/502907MCP
get_claim(id=502907)