Core Concepts
Jacobi-Davidson 유형 방법에서 대규모 대칭 부정정 보정 방정식을 효과적으로 해결하기 위한 전처리 기법을 제안하여 전체 계산 효율을 크게 향상시킨다.
Abstract
이 논문에서는 Jacobi-Davidson (JD) 유형 방법을 사용하여 대규모 행렬의 부분 특이값 분해를 계산하는 문제를 다룬다. JD 유형 방법에서는 각 외부 반복에서 대규모 대칭 부정정 보정 방정식을 반복적으로 근사 해결해야 하며, 이것이 전체 효율을 좌우한다.
저자들은 먼저 MINRES 방법을 사용하여 보정 방정식을 해결할 때의 수렴 특성을 분석한다. 이를 바탕으로 현재 탐색 부공간에서 유용한 정보를 추출하여 효과적인 전처리기를 구성하는 전처리 보정 방정식을 도출한다. 이 전처리 보정 방정식은 외부 반복의 수렴 특성을 유지하면서도 MINRES의 수렴 속도를 크게 향상시킬 수 있다.
이렇게 개발된 내부 전처리 JD 유형 SVD (IPJDSVD) 방법은 기존 JD 유형 방법에 비해 훨씬 효율적이다. 또한 새로운 두꺼운 재시작 IPJDSVD 알고리즘을 제안하여 외부 및 내부 수렴을 동시에 가속화하고 대규모 행렬의 여러 개의 특이 삼중항을 계산할 수 있다.
수치 실험 결과는 이론을 뒷받침하고 IPJDSVD의 우수한 성능을 입증한다.
Stats
대규모 행렬 A의 특이값 σ1, σ2, ..., σN은 |σ1 - τ| < ... < |σℓ - τ| < |σℓ+1 - τ| ≤ ... ≤ |σN - τ|의 순서로 정렬된다.
목표 τ는 σmin과 σmax 사이에 있다.
특이 삼중항 (σi, ui, vi), i = 1, ..., ℓ를 계산하고자 한다.
Quotes
"Jacobi–Davidson (JD) type method for singular value decomposition (SVD) problems, called JDSVD, a large symmetric and generally indefinite correction equation is approximately solved iteratively at each outer iteration, which constitutes the inner iterations and dominates the overall efficiency of JDSVD."
"Motivated by the results obtained, a preconditioned correction equation is derived that extracts useful information from current searching subspaces to construct effective preconditioners for the correction equation and is proved to retain the same convergence of outer iterations of JDSVD."