[论文解读] All Real Eigenvalues of Symmetric Tensors

Chunfeng Cui, Yu‐Hong Dai+1 more|arXiv (Cornell University)|Mar 14, 2014

Tensor decomposition and applications参考文献 22被引用 4

一句话总结

本文提出了一种新颖的序列算法，利用雅可比半定松弛法在多项式优化中计算对称张量的所有实特征值，按从大到小的顺序。该文证明了每个实特征值均可通过有限层级的半定松弛法计算得出，数值实验验证了其有效性，尤其在传统方法（如NSolve）因内存或时间限制而失效的情况下表现更优。

ABSTRACT

This paper studies how to compute all real eigenvalues of a symmetric tensor. As is well known, the largest or smallest eigenvalue can be found by solving a polynomial optimization problem, while the other middle eigenvalues can not. We propose a new approach for computing all real eigenvalues sequentially, from the largest to the smallest. It uses Jacobian SDP relaxations in polynomial optimization. We show that each eigenvalue can be computed by solving a finite hierarchy of semidefinite relaxations. Numerical experiments are presented to show how to do this.

研究动机与目标

• 开发一种可靠的方法，用于计算对称张量的所有实特征值，而不仅限于极值特征值。
• 解决现有方法无法高效计算中间特征值的局限性。
• 提供一个有限且收敛的半定松弛层级，用于按顺序计算所有实特征值。
• 在不同张量规模和阶数下，展示该方法的可扩展性与鲁棒性。

提出的方法

• 该方法结合拉塞尔的半定松弛层级与基于雅可比的提升技术，将特征值问题转化为多项式优化任务。
• 将每个实特征值的计算表述为带有等式与不等式约束的约束多项式优化问题。
• 采用序列化方法，从最大特征值开始，通过引入一个小的正参数δ进行扰动，逐步计算更小的特征值。
• 算法使用有限层级的半定规划（SDP）来逐步逼近实特征值，精度不断提高。
• 通过引入对称性与排序约束（如 $x_1 \geq x_2 \geq \cdots \geq x_n$）来提升数值稳定性与收敛性。
• 利用对称张量的结构特性以及形式 $\mathcal{A}x^m$ 的齐次性，降低计算复杂度。

实验结果

研究问题

• RQ1 是否可以系统性地计算对称张量的所有实特征值，而不仅限于最大或最小特征值？
• RQ2 如何构建一个有限层级的半定松弛法，以按顺序计算所有实特征值？
• RQ3 该方法在高阶或大维张量上的计算可扩展性如何？
• RQ4 与直接求解器（如NSolve）相比，该方法在时间和内存效率方面表现如何？
• RQ5 参数δ在确保紧密间隔实特征值分离方面起什么作用？

主要发现

• 当 $n=4$ 时，算法3.6在3.6秒内计算出全部四个实Z-特征值，优于NSolve的19.3秒。
• 当 $n=5$ 时，算法3.6在274.5秒内计算出全部五个实Z-特征值，而NSolve在5小时内未能返回结果。
• 当 $n=8,9,10$ 时，该算法可计算前三个最大Z-特征值，但因在松弛阶数 $N=4$ 时达到内存限制，无法计算更小的特征值。
• 如表4.14所示，该算法成功计算出所有满足 $n \leq 7$ 且 $m \leq 6$ 的对称张量的所有实Z-特征值。
• 在一项具有挑战性的案例中，$n=2$，$m=3$，特征值相差 $10^{-6}$，该算法在约2秒内正确计算出 $\lambda_1 = 1.000001$，$\lambda_2 = 1.000000$，$\lambda_3 = 0.707107$。
• 该方法在 $n \leq 10$ 且 $m \leq 6$ 的情况下表现出良好的可扩展性，但因在更高松弛阶数下内存不足，对更大的 $n$ 或 $m$ 失败。