矩阵补全

信号在一组基下是稀疏的且满足一定条件时，压缩感知理论证实了可以通过求解L1最小化问题来精确地恢复所有元素。
当信号用矩阵形式表示时，当矩阵的奇异值具有稀疏性（即矩阵是低秩的）且采样数目满足一定条件时，大多数矩阵可以通过求解核范数最小化问题来精确地恢复所有元素，称为矩阵补全。

近年来涌现出了许多求解秩最小化问题的启发式方法，这些方法主要分为两类：
一类是将秩函数凸松弛到矩阵核范数，建立核范数优化模型；
另一类是事先给定矩阵的秩，建立低秩分解模型。

*矩阵的核范数（nuclear norm）等于矩阵奇异值的和，而矩阵的秩（rank）是非零奇异值的个数，所以核范数能近似矩阵的秩

矩阵的核范数是一个连续的、不可微的凸函数。梯度或次梯度下降法是求解核范数优化模 型的主要方法。
矩阵核范数最小化模型 等价于 半定规划问题。

基本知识

奇异值分解（ SVD）：

范数与对偶范数

核范数优化模型的矩阵补全算法

对于低秩矩阵 M 由仿射秩最小化问题凸松弛到核范数最小化问题:
当矩阵 Ｘ 给定时，由定义 ３ 知 Ｘ 的核范数等于下列优化问题的最优值：

求解半定规划常用的方法是内点算法。

低秩矩阵分解模型的矩阵补全算法

对于核范数最小化模型，用矩阵核范数来度量秩的大小。在实际问题中，若事先知道秩的取值，则可以用低秩矩阵分解
模型来恢复丢失元素。这种方法还可以避免矩阵的奇异值分解。