论文符号含义

这段符号定义解释了在数学和机器学习中常用的一些符号约定。以下是这些符号的详细中文解释及示例：

1. 标量值（scalar values）：使用普通的字母表示，例如参数 λ 表示一个标量值。

   • 示例：λ = 5，这里 λ 是一个标量，即一个单一的数值。

2. 向量（vectors）：使用加粗的小写字母表示，例如向量 x 表示一个向量。

   • 示例：x = [1, 2, 3]，这里 x 是一个三维向量。

3. 矩阵（matrices）：使用加粗的大写字母表示，例如矩阵 M 表示一个矩阵。

   • 示例：M =$\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]$，这里 M 是一个 2×2 矩阵。

4. 矩阵的转置（transpose）：记作 M⊤，表示矩阵 M 的转置，同样适用于向量。

   • 示例：如果 M =$\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]$，那么 M⊤ =$\left[\begin{array}{cc}1& 3\\ 2& 4\end{array}\right]$。

5. 矩阵的秩（rank）：记作 rank(M)，表示矩阵 M 的秩，即矩阵中线性无关的行或列的最大数目。

   • 示例：对于矩阵 M =$\left[\begin{array}{cc}1& 2\\ 3& 6\end{array}\right]$，rank(M) = 1，因为第二行是第一行的线性组合（3倍）。

6. Frobenius 范数（Frobenius norm）：记作 ∥M∥ₓₓF，表示矩阵 M 的 Frobenius 范数，即矩阵中所有元素的平方和的平方根。

   • 示例：对于矩阵 M =$\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]$，∥M∥ₓₓF =$\sqrt{1^2+2^2+3^2+4^2}$=$\sqrt{30}$。

7. n˜ = min{n, m}：表示取 n 和 m 中的较小值。

   • 示例：如果 n = 3，m = 5，那么 n˜ = min{3, 5} = 3。

8. 核范数（nuclear norm）：记作 ∥M∥∗，定义为矩阵 M 的所有奇异值 σ₁(M)、σ₂(M)、…、σₙ₌(M) 的和。

   • 示例：如果矩阵 M 的奇异值是 3 和 1，那么 ∥M∥∗ = 3 + 1 = 4。

9. 谱范数（spectral norm）：记作 ∥M∥₂，表示矩阵 M 的最大奇异值。

   • 示例：如果矩阵 M 的奇异值是 3 和 1，那么 ∥M∥₂ = 3。

10. 单位矩阵（identity matrix）：记作 Iₙ，表示大小为 n×n 的单位矩阵，其对角线元素为 1，其他元素为 0。

    • 示例：I₂ =$\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$，这是一个 2×2 的单位矩阵。

11. 正定矩阵（positive semi-definite matrix）：记作 M≽ 0，表示矩阵 M 是半正定的，即对于任意非零向量 x，有 x⊤Mx ≥ 0。

    • 示例：如果 M =$\left[\begin{array}{cc}2& -1\\ -1& 2\end{array}\right]$，则 M≽ 0，因为对于任何向量 x，都有 x⊤Mx ≥ 0。

通过这些符号约定和定义，我们能够更加精确地表示和处理数学和机器学习中的矩阵和向量操作。