Calcul / estimation rapide d'un système linéaire de bas rang

Les systèmes d'équations linéaires sont omniprésents dans les statistiques de calcul. Un système spécial que j'ai rencontré (par exemple, dans l'analyse factorielle) est le système

A x = b

$Ax=b$

où

A = D + B Ω B^{T}

$A=D+ B \Omega B^T$ Ici

D

$D$ est une matrice diagonale

n \times n

$n\times n$ avec une diagonale strictement positive,

Ω

$\Omega$ est une matrice semi-définie positive symétrique

m \times m

$m\times m$ (avec

m ≪ n

$m\ll n$ ) positive, et

B

$B$ est une matrice arbitraire

n \times m

$n\times m$ . On nous demande de résoudre un système linéaire diagonal (facile) qui a été perturbé par une matrice de bas rang. La manière naïve de résoudre le problème ci-dessus consiste à inverser

A

$A$ utilisant la formule de Woodbury . Cependant, cela ne semble pas correct, car les factorisations Cholesky et QR peuvent généralement accélérer considérablement la solution des systèmes linéaires (et des équations normales). Je suis récemment venu sur lel'article suivant , qui semble adopter l'approche de Cholesky, et mentionne l'instabilité numérique de l'inversion de Woodbury. Cependant, le document semble à l'état d'ébauche et je n'ai pas pu trouver d'expériences numériques ou de recherches à l'appui. Quel est l'état de l'art pour résoudre le problème que j'ai décrit?

factor-analysis matrix computational-statistics matrix-decomposition matrix-inverse gappy
la source

@gappy, avez-vous envisagé d'utiliser la décomposition QR (ou Cholesky) pour la matrice (le terme moyen de la formule de Woodburry)? Les opérations restantes sont de simples multiplications matricielles. La principale source d'instabilité est alors le calcul de . Depuis Je soupçonne que cette application de QR ou Cholesky combinée à Woodbury sera plus rapide que QR sur toutes matrice . Bien sûr, ce n'est pas un état de l'art, juste des observations générales.

Ω^{- 1} + B D^{- 1} B^{T}

$\Omega^{-1}+BD^{-1}B^T$

Ω^{- 1}

$\Omega^{-1}$

m << n

$m<<n$

A

$A$

mpiktas

Je soupçonne que ce que Matthias Seeger préconise est à la hauteur de de l'état de l'art, il est un type très brillant et ce genre de problèmes se répète à plusieurs reprises dans le type de modèles qu'il étudie. J'utilise des méthodes basées sur Cholesky pour les mêmes raisons. Je soupçonne qu'il y a une discussion dans "Matrix Computations" de Golub et Van Loan, qui est la référence standard pour ce genre de chose (bien que je n'ai pas ma copie à portée de main).

ϵ

$\epsilon$

Dikran Marsupial

Notez qu'en prenant votre problème équivaut à résoudre le système où . Donc, cela simplifie un peu le problème. Maintenant, en laissant , nous savons que est semi-défini positif avec au plus valeurs propres positives. Depuis , la recherche des plus grandes valeurs propres et des vecteurs propres correspondants peut se faire de différentes manières. La solution est alors où donne la composition d'origine de

\bar{B} = D^{- 1 / 2} B

$\bar{B} = D^{-1/2} B$

(I + \bar{B} Ω {\bar{B}}^{T}) x = \bar{b}

$(I + \bar{B}\Omega \bar{B}^T)x = \bar{b}$

\bar{b} = D^{- 1 / 2} b

$\bar{b} = D^{-1/2} b$

Σ = \bar{B} Ω {\bar{B}}^{T}

$\Sigma = \bar{B} \Omega \bar{B}^T$

Σ

$\Sigma$

m

$m$

m ≪ n

$m \ll n$

m

$m$

x = Q (I + Λ)^{- 1} Q^{T} \bar{b}

$x = Q(I + \Lambda)^{-1} Q^T \bar{b}$

Σ = Q Λ Q^{T}

$\Sigma = Q \Lambda Q^T$

Σ

$\Sigma$ .

cardinal

Petites corrections: (1) Le système équivalent est et (2) La solution finale est . (J'avais laissé tomber un devant dans les deux cas.) Notez que tous les inverses sont de matrices diagonales et sont donc triviaux.

(I + \bar{B} Ω {\bar{B}}^{T}) D^{1 / 2} x = \bar{b}

$(I + \bar{B} \Omega \bar{B}^T) D^{1/2} x = \bar{b}$

x = D^{- 1 / 2} Q (I + Λ)^{- 1} Q^{T} D^{- 1 / 2} b

$x = D^{-1/2} Q (I + \Lambda)^{-1} Q^T D^{-1/2} b$

D^{1 / 2}

$D^{1/2}$

x

$x$

cardinal

@mpiktas: Je pense que vous vouliez dire car dans la version que vous avez écrite, le produit matriciel n'est pas bien défini en raison d'un décalage de dimension. :)

Ω^{- 1} + B^{T} D^{- 1} B

$\Omega^{-1} + B^T D^{-1} B$

cardinal

Calcul / estimation rapide d'un système linéaire de bas rang

Réponses: