1, 前提假设
假设存在一个未知的方阵 M ∈ R n × n M\in R^{n\times n} M∈Rn×n,其中存在有 m m m个采样得到的实例: { M i j : ( i , j ) ∈ Ω } \{M_{ij}:(i,j)\in \Omega\} { Mij:(i,j)∈Ω},其中 Ω \Omega Ω是基数为 m m m的随机子集。换句话说,就是在 M M M中,存在 m m m个已知的元素。
2, 前言
大部分秩为 r r r的矩阵 M M M可以通过求解下面的优化问题来解决:
minimize ∥ X ∥ ∗ subject to X i j = M i j , ( i , j ) ∈ Ω ( 1.1 ) \begin{array}{ll} \operatorname{minimize} & \|\boldsymbol{X}\|_{*} \\ \text { subject to } & X_{i j}=M_{i j}, \quad(i, j) \in \Omega \end{array}(1.1) minimize subject to ∥X∥∗Xij=Mij,(i,j)∈Ω(1.1)
只要样本数服从:
m ≥ C n 5 6 r l o g ( n ) ( 1.2 ) m\ge Cn^{\frac{5}{6}}rlog (n) \;\;\;\;\;\;\;\;(1.2) m≥Cn65rlog(n)(1.2)
其中 C C C为某个常数项(Note that an n × n matrix of rank r depends upon r ( 2 n − r ) r(2n - r) r(2n−r) degrees of freedom.)。在式(1.1)中, ∥ X ∥ ∗ \|X\|_* ∥X∥∗表示矩阵