2初級
奇異值分解 (SVD)
Singular Value Decomposition (SVD)
將矩陣分解為 U Σ V^T，用於降維、推薦、壓縮與 大型語言模型 (大語言模型 / 大模型) 的 LoRA 等低秩近似，為線性代數與 機器學習 (ML) 的基礎工具。
詳細解釋
SVD 將矩陣 A 寫成 A = U Σ V^T，其中 U、V 正交、Σ 為奇異值對角矩陣。可用於低秩近似（取前 k 個奇異值）、PCA、推薦系統的矩陣分解、以及 大型語言模型 (大語言模型 / 大模型) 中 LoRA 等低秩適配的數學基礎。與 機器學習 (ML)、降維、正則化 相關。