Це продовження відповіді Суреша - я трохи погукав, прочитавши його відповідь, і придумав таке розуміння. Я спочатку збирався розмістити це як коментар до його відповіді, але це продовжувало зростати.
Будь ласка, вкажіть на помилки у відповіді, я не знавець у цій галузі.
У деякому сенсі JL і SVD - це як яблука та апельсини.
1) Проблеми, які вони вирішують, абсолютно різні. Один стосується попарних відстаней, другий - найкраще представлення. Один - найгірший, інший - середній випадок.
аргхвП{ супu , v( ∣∣∣1 - | | Пu - Рv | |2| | u-v | |2∣∣∣) }(1)
(Це не точно, я детальніше про це прокоментую пізніше)
Проблема, яку SVD вирішує, - це (заданий вимір )
arg min P P dim k { Avg ( | | u - P u | | 2 ) }к
аргхвП дим k{ Avg ( | | u - Pu | |2) }
2) Вхідні дані: Хоча обидва алгоритми виводять підпростори, потрібні входи різні. JL вимагає допуску (яка максимальна помилка, яку ви готові допустити між фактичними відстанями та відстанями в підпросторі), тоді як SVD вимагає кількості вимірів.ϵ
3) JL неконструктивна, SVD - конструктивна - ця точка трохи розпливчаста, оскільки термін конструктивний не визначений точно. Існують детерміновані алгоритми для обчислення SVD, але алгоритм пошуку простору JL є рандомізованим - робіть випадкові прогнози, якщо не вдалося, спробуйте ще раз.
4) SVD унікальний (підпростір може бути не унікальним, але об'єктивне значення буде однаковим для всіх підпросторів). Вище (1) рівняння не є точним у тому сенсі, що JL насправді не говорить про мінімізацію невідповідності в попарних відстанях - це дає гарантію на існування меншого підпростору, де відстані будуть щонайменше відмінними від їх фактичних значення. Таких підпростор може бути багато, деякі кращі за інші.ϵ
(Див. Коментарі для пояснення щодо викресленої частини відповіді).
Редагувати: @ john-myles-white написав публікацію про JL, щоб перевірити свої претензії та показати, як можна побудувати проекцію: http://www.johnmyleswhite.com/notebook/2014/03/24/a-note- on-the-johnson-lindenstrauss-lemma /