对齐研究中心矩阵完备问题的多项式精度依赖解决方案
内容提要
该文综述矩阵补全与半定规划方法，证明正半定矩阵补全的非凸优化无局部极小值，可任意初始化并在多项式时间求解；提出分离分支限界收敛松弛法，将最优性差距降低两个数量级；并涉及近似算法、核范数最小化条件、快速迭代算法及二部图匹配等应用。
延伸解读
非凸优化为何能全局求解
文章指出，正半定矩阵补全的非凸优化问题没有局部极小值，因此任意初始化的算法都能收敛到全局最优，并可在多项式时间内证明正确性。这打破了“非凸优化难以全局求解”的常见顾虑，为实际使用简单迭代算法提供了理论依据。
收敛松弛方法的精度提升
通过将低秩矩阵补全重新表述为投影矩阵非凸集上的凸问题，并采用分离分支限界方案，新方法将最优性差距降低了两个数量级。这意味着在需要高精度解的场景中，该方法比现有收敛松弛方法更可靠，但分支限界的计算开销仍需结合问题规模权衡。
核范数最小化的适用边界
文章提到，基于图极限理论的一个必要充分条件表明，对Candès-Recht核范数最小化算法做微小修改即可获得渐近解，且该理论完全确定性、无随机性假设。这为核范数方法提供了更清晰的适用边界，但文章也列出未解决问题，说明该条件并非万能。
快速算法与样本复杂度
文章介绍了一种快速迭代算法，观测O(nr^5log^3 n)个条目即可确定性地恢复低秩矩阵。样本复杂度明确是其实用优势，但指数项较高，实际中需关注常数因子和问题维度对运行时间的影响，不宜直接外推到所有矩阵补全场景。
Q&A
矩阵补全中常用的非凸优化方法为什么不会陷入局部极小值？
因为对于正半定矩阵补全问题，非凸优化问题没有局部极小值，因此可以从任意初始化开始，并能在多项式时间内证明其正确性。
如何降低矩阵补全中收敛松弛方法的最优性差距？
通过将低秩矩阵补全问题重新表述为投影矩阵非凸集上的凸问题，并实施可证明最优的分离分支限界方案，推导出一类新的收敛松弛方法，数值实验表明最优性差距降低了两个数量级。
正半定规划有哪些近似算法？
存在一种简单的NC并行算法，其迭代次数为O(1/ϵ³ log³ n)，总工作量近似为因子分解中非零条目数的线性级别。
核范数最小化算法在矩阵补全中需要满足什么条件才能保证渐近解？
使用图极限理论规定的必要且充分条件，对于一系列矩阵补全问题，只需对Candès-Recht核范数最小化算法进行微小修改即可提供所需的渐近解，该理论是完全确定性的，没有随机性假设。
对于高秩或完全秩的矩阵，如何快速恢复缺失条目？
在低维数据内部的情况下，通过对基于多项式的生成的矩阵的秩进行最小化，使用内核技巧结合松弛约束的目标函数的新公式，可以快速恢复高秩或完全秩矩阵中的缺失条目，并且在高维时性能良好。
半定规划如何用于二部图的匹配问题？
采用正半定矩阵进行松弛，并通过聚类来加强松弛，使得计算复杂度和运行时间得到缩减，可应用于核磁共振光谱等领域的匹配问题。
