待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/9/2

首次发现

来源

单应性变换详解：图像坐标到地面坐标的映射原理与实现

涉及实体

相关事实

已验证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77% 相似已验证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71% 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一69% 相似待验证SVD求解最经典的迭代算法是Golub-Kahan双对角化算法，大规模稀疏矩阵常用Lanczos算法或随机化SVD等近似方法65% 相似待验证Tensor Core高效运行要求矩阵维度对齐至16或8的倍数59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/844331

API

curl https://kongchang.com/api/v1/knowledge/claims/844331

MCP

get_claim(id=844331)