[論文レビュー] The geometric mean of two matrices from a computational viewpoint

Bruno Iannazzo|arXiv (Cornell University)|Dec 30, 2011

Matrix Theory and Algorithms参考文献 14被引用数 6

ひとこと要約

本稿は、行列幾何平均 $ A\#B $ の計算的分析を提示し、逆平方根関数の有理近似に基づく数値アルゴリズムに焦点を当てる。Padé近似および有理最小最大近似が、既存および新規のアルゴリズムの根幹を成しており、特に極座標分解やシュール分解を用いた2次収束スキームが、$ A\#B $ の計算において高い安定性と効率性を示す。

ABSTRACT

The geometric mean of two matrices is considered and analyzed from a computational viewpoint. Some useful theoretical properties are derived and an analysis of the conditioning is performed. Several numerical algorithms based on different properties and representation of the geometric mean are discussed and analyzed and it is shown that most of them can be classified in terms of the rational approximations of the inverse square root functions. A review of the relevant applications is given.

研究の動機と目的

• 行列幾何平均関数の摂動に対する条件数と感度を分析すること。
• 特に $ z^{-1/2} $ の有理近似に基づく、既存および新規の数値アルゴリズムを分類・比較すること。
• 循環削減、Padé近似、ガウス数値積分の間の関係を明らかにし、それらが共通の近似枠組みの下で等価であることを示すこと。
• 実用的計算、特に大規模またはスパースな行列に対して、最も数値的に安定で効率的なアルゴリズムを同定すること。

提案手法

• 対称性および合同変換不変性を保証するため、$ A^{1/2}(A^{-1/2}BA^{-1/2})^{1/2}A^{1/2} $ の公式を用いて $ A\#B $ を導出する。
• ユークリッドノルムにおける条件数の上界および下界を導出することで、$ A\#B $ の条件の分析を行う。
• $ z^{-1/2} $ の有理近似、特にPadé近似および有理相対最小最大近似を根幹とするアルゴリズムの分類を行う。
• シュール分解とコレスキー分解を用いた新しいコレスキー-シュールアルゴリズムを提案し、高い数値的安定性を実現する。
• 極座標分解に基づく手法を導入し、極座標因子の計算コストが低いことに着目する。
• 積分表現 $ A\#B = \frac{1}{\pi}\int_0^1 \frac{(tB^{-1} + (1-t)A^{-1})^{-1}}{\sqrt{t(1-t)}} dt $ にガウス数値積分を適用することで、高精度な近似を実現する。

実験結果

リサーチクエスチョン

• RQ1 行列幾何平均の条件数は、$ A $ および $ B $ の固有値特性にどのように依存するか？
• RQ2 $ A\#B $ を計算するための異なる数値アルゴリズムの間にはどのような関係があり、それらを共通の近似フレームワークで統一できるか？
• RQ3 なぜ一部の反復的手法、例えば分離平均化反復法は、固有値比 $ \lambda_M / \lambda_m > 3 $ の場合に不安定化するのか？
• RQ4 スケーリングを用いることで、有理最小最大近似に基づくアルゴリズムの収束を加速できるか？また、近似理論におけるスケーリングの解釈は何か？
• RQ5 循環削減、Padé近似、およびガウス数値積分の間には、行列関数近似の文脈でより深い等価性が存在するか？

主な発見

• 平均化反復のヤコビ行列のスペクトル半径が $ \lambda_M / \lambda_m > 3 $ のとき1を超えるため、分離平均化バージョンにおける観察された数値的不安定性が説明できる。
• シュール分解に基づくコレスキー-シュールアルゴリズムは、高い数値的安定性を示し、一般用途に推奨される。
• 極座標分解に基づくアルゴリズムは、極座標因子の計算コストが低いため計算的に効率的であり、2次収束を達成する。
• Padé近似により、$[2^k, 2^k - 1]$ 近似式の再帰的関係を用いた2次収束アルゴリズムが可能となり、有理最小最大近似を上回る収束速度を達成する。
• 有理最小最大近似は、同じ精度を得るためにはPadé近似より次数を高くする必要があるが、スケーリングにより性能を著しく向上できる。
• ニュートン法、Padé近似、循環削減、ガウス数値積分の間には深い等価性が観察され、行列関数近似のための統一的フレームワークの可能性が示唆される。