∣ ⋅ ∣ , ∥ ⋅ ∥ , ∥ ⋅ ∥ ∗ |\cdot|,\|\cdot\|,\|\cdot\|_* ∣⋅∣,∥⋅∥,∥⋅∥∗, and ∥ ⋅ ∥ 2 \|\cdot\|_2 ∥⋅∥2 denote the absolute value of a complex scalar,the Euclidean norm of a vector, the nuclear norm of a matrix, and the spectral norm of a matrix.
-
欧几里得范数 ∥ ⋅ ∥ \|\cdot\| ∥⋅∥:
欧几里得范数,也称为 2-范数,是用于向量的度量。对于向量 v = [ v 1 , v 2 , … , v n ] ⊤ \mathbf{v} = [v_1, v_2, \dots, v_n]^\top v=[v1,v2,…,vn]⊤,它表示向量的长度或大小,定义为所有元素平方和的平方根:欧几里得范数 ∥ ⋅ ∥ \|\cdot\| ∥⋅∥ 是用于向量的 2-范数。对于向量 v = [ v 1 , v 2 , … , v n ] ⊤ \mathbf{v} = [v_1, v_2, \dots, v_n]^\top v=[v1,v2,…,vn]⊤,定义为:
∥ v ∥ = ∑ i = 1 n ∣ v i ∣ 2 \|\mathbf{v}\| = \sqrt{\sum_{i=1}^n |v_i|^2} ∥v∥=i=1∑n∣vi∣2
它表示向量在空间中的长度或大小。 -
核范数 ∥ ⋅ ∥ ∗ \|\cdot\|_* ∥⋅∥∗:
核范数是矩阵奇异值的和,也被称为“迹范数”。对于矩阵 A \mathbf{A} A,核范数通过将矩阵的奇异值相加得到,常用于低秩矩阵逼近问题:核范数 ∥ ⋅ ∥ ∗ \|\cdot\|_* ∥⋅∥∗ 是矩阵奇异值的和,常用于低秩矩阵问题。对于矩阵 A \mathbf{A} A,定义为:
∥ A ∥ ∗ = ∑ i σ i \|\mathbf{A}\|_* = \sum_{i} \sigma_i ∥A∥∗=i∑σi
其中 σ i \sigma_i σi 是矩阵 A \mathbf{A} A 的奇异值。 -
谱范数 ∥ ⋅ ∥ 2 \|\cdot\|_2 ∥⋅∥2:
谱范数,也称为矩阵的 2-范数,是矩阵的最大奇异值。它描述了矩阵作为线性变换时对向量的最大伸缩程度:谱范数 ∥ ⋅ ∥ 2 \|\cdot\|_2 ∥⋅∥2 是矩阵的最大奇异值。对于矩阵 A \mathbf{A} A,定义为:
∥ A ∥ 2 = max i σ i \|\mathbf{A}\|_2 = \max_i \sigma_i ∥A∥2=imaxσi
其中 σ i \sigma_i σi 是矩阵 A \mathbf{A} A 的奇异值。