Effiziente Approximation von Matrizen mit fester Sparsität durch Matrixvektor-Produkte
Wir präsentieren einen einfachen randomisierten Algorithmus, der eine Matrix mit einer vorgegebenen Sparsitätsstruktur approximiert, wobei die Approximationsfehler-Norm höchstens (1+ε) mal so groß ist wie der bestmögliche Fehler. Der Algorithmus benötigt dafür nur O(s/ε) nicht-adaptive Matrixvektor-Produkte, wobei s die maximale Anzahl der Nichtnull-Einträge pro Zeile der gewünschten Sparsitätsstruktur ist.