低秩分解

Parent: ai_keywords

低秩分解

核心定义

低秩分解是一种将高维矩阵或张量近似表示为若干个低秩结构乘积的数学与计算方法。它基于“原始数据可由少数潜在因子线性组合生成”的假设，通过约束秩（rank）实现维度压缩、噪声过滤与潜在模式提取。在机器学习和信号处理中，低秩分解是降维、补全、去噪和聚类的基础工具，典型形式包括奇异值分解（SVD）、非负矩阵分解（NMF）及张量分解（如CP分解、Tucker分解）。

关键技术点

• 奇异值分解（SVD）：将矩阵 ( A \in \mathbb{R}^{m \times n} ) 分解为 ( U\Sigma V^T )，其中 (\Sigma) 的奇异值大小反映各成分的重要程度。截断SVD通过保留前 (k) 个最大奇异值实现最优低秩近似（Eckart-Young定理）。
• 非负矩阵分解（NMF）：对非负数据强制分解出非负因子，具有可解释性，常用于发现局部化、加性结构（如脑区激活模式、基因表达谱）。
• 核范数最小化：利用凸松弛（核范数替代秩函数）求解低秩恢复问题，核心算法包括奇异值阈值（SVT）和交替方向乘子法（ADMM）。
• 随机化低秩分解：借助随机投影（如Halko算法）在亚线性时间内逼近矩阵的近似SVD，适合大规模神经影像数据的快速处理。
• 张量低秩分解：处理高维数组时，通过CP分解或Tucker分解揭示多模态数据中的跨维度关联，克服矩阵分解丢失结构信息的局限。

医学/神经科学应用场景

在首都医科大学附属宣武医院神经变性病团队的脑影像研究中，低秩分解被用于解析多模态磁共振数据。例如，对阿尔茨海默病高危人群的静息态fMRI时间序列，先构建全脑功能连接矩阵（高秩且含噪声），再应用NMF提取具有生物学意义的低秩脑网络模式（如默认模式网络、执行控制网络）。这些低秩成分能敏感区分患者与健康对照的拓扑差异，结合结构MRI的T1加权像进行张量低秩联合分析，可识别跨模态的神经退行性生物标志物。此外，针对帕金森病患者的高密度脑电图数据，随机化SVD快速去除眼电伪迹同时保留神经振荡的低秩结构，显著提升了临床辅助诊断的效率。