待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
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78% 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76% 相似已验证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75% 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一64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/908227API
curl https://kongchang.com/api/v1/knowledge/claims/908227MCP
get_claim(id=908227)