[论文解读] 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 6

一句话总结

本文对矩阵几何平均 $ A\#B $ 进行了计算分析，重点研究基于反平方根函数有理逼近的数值算法。研究证明，Padé逼近与有理极小极大逼近是大多数现有及新算法的基础，其中采用极分解或Schur分解的二次收敛算法在计算 $ A\#B $ 时表现出高稳定性和高效性。

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.

研究动机与目标

• 分析矩阵几何平均函数在扰动下的条件数与敏感性。
• 对现有及新型计算 $ A\#B $ 的数值算法进行分类与比较，特别是基于 $ z^{-1/2} $ 有理逼近的算法。
• 建立不同数值方法（如循环约化、Padé逼近与高斯求积）之间的联系，表明其在本质上的等价性。
• 识别在实际计算中最为数值稳定且高效的算法，尤其适用于大规模或稀疏矩阵。

提出的方法

• 利用公式 $ A^{1/2}(A^{-1/2}BA^{-1/2})^{1/2}A^{1/2} $ 推导 $ A\#B $，以保证对称性与合同不变性。
• 通过推导欧几里得范数下条件数的上下界，分析 $ A\#B $ 的条件性。
• 根据其对 $ z^{-1/2} $ 的有理逼近基础对算法进行分类，特别是Padé逼近与有理相对极小极大逼近。
• 提出一种基于Schur分解与Cholesky分解的新Cholesky-Schur算法，以实现高数值稳定性。
• 引入一种基于极分解的方法，利用极因子计算成本低的优势。
• 将高斯求积应用于积分表示 $ A\#B = \frac{1}{\pi}\int_0^1 \frac{(tB^{-1} + (1-t)A^{-1})^{-1}}{\sqrt{t(1-t)}} dt $，以实现高精度逼近。

实验结果

研究问题

• RQ1 矩阵几何平均的条件数如何依赖于 $ A $ 与 $ B $ 的谱性质？
• RQ2 计算 $ A\#B $ 的不同数值算法之间存在何种关系？能否在统一的逼近框架下加以统一？
• RQ3 为何某些迭代方法（如非耦合平均迭代）在特征值比 $ \lambda_M / \lambda_m > 3 $ 时会变得不稳定？
• RQ4 能否通过缩放加速基于有理极小极大逼近的算法的收敛速度？在逼近理论中，缩放的解释是什么？
• RQ5 在矩阵函数逼近的背景下，循环约化、Padé逼近与高斯求积之间是否存在更深层次的等价性？

主要发现

• 当 $ \lambda_M / \lambda_m > 3 $ 时，平均迭代在 $ A\#B $ 处的雅可比矩阵谱半径超过1，解释了非耦合版本中观察到的数值不稳定性。
• 基于Schur分解的Cholesky-Schur算法表现出高数值稳定性，推荐用于一般计算。
• 基于极分解的算法因极因子计算成本低而具有计算效率，并提供二次收敛。
• 对 $ z^{-1/2} $ 的Padé逼近可通过 $[2^k, 2^k - 1]$ 逼近序列的递推关系实现二次收敛算法，其收敛速度优于有理极小极大逼近。
• 有理极小极大逼近需比Padé逼近更高阶次才能达到相同精度，但缩放可显著提升其性能。
• 在牛顿法、Padé逼近、循环约化与高斯求积之间观察到深层次等价性，表明存在统一的矩阵函数逼近框架。