Resumen

La descomposición en valores singulares (SVD, por sus siglas en inglés) es una descomposición de matrices fundamental en álgebra lineal. Se aplica ampliamente en muchas técnicas modernas, por ejemplo, visualización de datos de alta dimensión, reducción de dimensiones, minería de datos, análisis semántico latente, entre otros. Aunque el SVD juega un papel esencial en estos campos, su aparente debilidad es el costo computacional de orden tres. Este costo computacional de orden tres hace que muchas aplicaciones modernas sean inviables, especialmente cuando la escala de los datos es enorme y crece. Por lo tanto, es imperativo desarrollar un método rápido de SVD en la era moderna. Si el rango de la matriz es mucho menor que el tamaño de la matriz, ya existen algunos enfoques rápidos de SVD. En este documento, nos enfocamos en este caso pero con la condición adicional de que los datos son considerablemente grandes para ser almacenados en forma de matriz. Demostraremos que este resultado rápido de SVD es suficientemente preciso y, lo más

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Descomposición de valores singulares; álgebra lineal; Visualización de datos de alta dimensión; Reducción de dimensiones; Minería de datos; Método rápido de SVD
• Keywords:Singular value decomposition; Linear algebra; High-dimensional data visualization; Dimension reduction; Data mining; Fast SVD method