双指标Schatten拟范数：定义、因子化公式及其在优化中的应用

1. 引言：从矩阵的“大小”谈起

在数据科学、机器学习以及量子信息论等领域，我们经常需要衡量一个矩阵的“大小”或“重要性”。最直观的度量是矩阵的Frobenius范数，它把矩阵的所有元素平方和开根号，本质上就是把矩阵拉直成一个向量后计算其欧几里得长度。然而，对于矩阵这种具有丰富结构（如秩、奇异值）的对象，单一的范数度量往往不够用。这就引出了我们今天要深入探讨的主题：Schatten拟范数，特别是其双指标形式的性质与一个非常实用的因子化公式。

你可能在压缩感知、低秩矩阵恢复、张量分解或者量子态层析的论文中瞥见过“Schatten-p范数”或“核范数”这样的术语。核范数（即Schatten-1范数）是低秩矩阵恢复中的关键正则项，而Schatten-2范数就是熟悉的Frobenius范数。那么，“拟范数”又是什么？简单来说，当指数p属于(0,1)时，Schatten-p“范数”不满足三角不等式，因此只能称为“拟范数”。它虽然“不完美”，但在诱导矩阵稀疏性（这里指低秩性）上，比p>=1时的范数更强力，这使其在理论分析和一些非凸优化模型中备受关注。

而“双指标”的引入，则进一步拓展了这一工具。想象一下，我们有一个大型矩阵，但我们可能只关心其行空间和列空间上不同“强度”的度量。双指标Schatten拟范数允许我们对行和列方向分别施加不同“力度”的约束，这为建模更复杂的结构先验提供了可能。本文的目的，就是为你拆解这个略显抽象的数学对象：我们将首先厘清其定义与核心性质，然后重点推导并阐释一个关键的因子化公式。这个公式能将复杂的双指标矩阵拟范数计算，分解为两个相对简单的单指标向量拟范数计算的组合，这不仅是理论上的简化，更为实际算法设计（如优化问题的求解）打开了方便之门。无论你是理论研究者，还是需要处理低秩结构数据的工程师，理解这套工具背后的逻辑都将大有裨益。

2. 基石：Schatten拟范数与双指标扩展的定义

要理解双指标形式，我们必须先从它的基础——Schatten拟范数讲起。让我们暂时抛开矩阵，回想一下向量的l_p范数：对于一个向量x，其l_p范数定义为(∑_i |x_i|^p)^(1/p)。当p>=1时，它满足范数的所有公理；当0<p<1时，它不满足三角不等式，但依然是一个有效的度量，我们称之为l_p拟范数。

对于矩阵X ∈ R^{m×n}，我们如何定义它的“l_p范数”呢？直接对元素操作会丢失矩阵的结构信息（如秩）。矩阵的“灵魂”之一在于其奇异值。对X进行奇异值分解(SVD)，得到其奇异值σ_1(X) ≥ σ_2(X) ≥ ... ≥ σ_r(X) > 0，其中r = rank(X)。Schatten-p拟范数正是基于这些奇异值定义的：

对于p > 0，矩阵X的Schatten-p（拟）范数定义为：||X||_{S_p} = (∑_{i=1}^{r} σ_i(X)^p)^{1/p}。

关键点解析：

1. 当p=1时：||X||_{S_1} = ∑ σ_i(X)，这就是著名的核范数，是矩阵所有奇异值之和，是矩阵秩的凸松弛，在矩阵补全中至关重要。
2. 当p=2时：||X||_{S_2} = (∑ σ_i(X)^2)^{1/2} = sqrt(∑_{i,j} X_{ij}^2)，这正是Frobenius范数。
3. 当p→∞时：||X||_{S_∞} = max_i σ_i(X)，即谱范数，是矩阵的最大奇异值。
4. 当0<p<1时：||X||_{S_p}不满足三角不等式，因此是拟范数。但由于(·)^p在p<1时是凹函数，对奇异值的p次方和进行1/p次幂，会更强烈地惩罚小的奇异值，从而更倾向于产生稀疏的奇异值向量（即低秩矩阵）。这是它在非凸优化中用于替代核范数以求得更低秩解的理论动机。

那么，双指标Schatten拟范数又是什么？它是对上述定义的一个自然推广。我们引入两个指标p > 0和q > 0。其定义涉及两步“规范化”操作：

1. 首先，对矩阵X的每一行，计算其l_q范数。假设X的第i行向量为X_{i:}，那么我们先得到一个长度为m的向量v，其中v_i = ||X_{i:}||_{l_q} = (∑_{j=1}^{n} |X_{ij}|^q)^{1/q}。
2. 然后，对这个新得到的向量v，计算其l_p拟范数。

形式上，双指标Schatten拟范数定义为：||X||_{S_{p,q}} = || (||X_{1:}||_{l_q}, ||X_{2:}||_{l_q}, ..., ||X_{m:}||_{l_q}) ||_{l_p} = (∑_{i=1}^{m} (∑_{j=1}^{n} |X_{ij}|^q)^{p/q})^{1/p}。

为什么这么定义？其直观意义是什么？

• q控制着行内元素的聚合方式。q=2时，行范数是欧几里得范数；q=1时，是绝对值之和；q→∞时，是行元素的最大绝对值。
• p控制着行间的聚合方式。p越小，整个度量对“能量”集中在少数几行的矩阵越“友好”（即倾向于行稀疏）。
• 因此，||X||_{S_{p,q}}可以看作先通过q将矩阵的每一行“压缩”成一个标量（该行的强度），再通过p将这些行强度“压缩”成一个最终的标量。它同时捕捉了矩阵的行结构（通过q）和行间的稀疏模式（通过p）。当然，这个定义是对“行”操作的，完全对称地，我们也可以先对列操作再对行操作，定义出列优先的双指标范数，性质类似。

注意：这里有一个重要的辨析。在部分文献中，“双指标Schatten范数”也可能指代基于奇异值的一种更复杂的双参数族。但根据当前标题的常见语境和“因子化公式”的提示，本文讨论的定义更接近于上述行（或列）优先的混合l_p/l_q范数。这是理解后续因子化公式的关键前提。

3. 核心性质剖析：为何双指标形式更有力？

在定义了||X||_{S_{p,q}}之后，我们来看看它具备哪些重要的数学性质。这些性质决定了它能在何种优化问题中发挥作用。

性质1：齐次性。对于任意标量α ∈ R，有||αX||_{S_{p,q}} = |α| · ||X||_{S_{p,q}}。这是拟范数/范数的基础性质，保证了度量的尺度一致性。

性质2：非负性与正定性。||X||_{S_{p,q}} ≥ 0，且||X||_{S_{p,q}} = 0当且仅当X是零矩阵。这保证了它作为一个“距离”或“损失”度量的基本资格。

性质3：拟三角不等式（当p, q ≥ 1时）。当且仅当p ≥ 1且q ≥ 1时，||·||_{S_{p,q}}满足三角不等式，此时它是一个真正的范数。当p或q中至少一个属于(0,1)时，三角不等式不再成立，但通常存在一个常数C(p,q) ≥ 1，使得||X+Y|| ≤ C (||X|| + ||Y||)成立，这便是“拟”范数得名的原因。这个性质至关重要：在优化模型中，使用拟范数作为正则项（p或q<1）虽然能获得更强的稀疏/低秩诱导能力，但也会导致目标函数非凸，增加优化难度。

性质4：对行列排列的不变性。由于定义中先对行内求和，再对行间求和，因此||X||_{S_{p,q}}对矩阵的行排列是敏感的，但对列排列是不变的（只要q范数本身对列内元素顺序不变，如l_1,l_2,l_∞）。对称地，如果定义是先对列、再对行，则对列排列敏感，对行排列不变。这提示我们，在使用这个正则项时，需要根据数据中潜在的结构（稀疏的行模式还是列模式）来选择合适的计算顺序。

性质5：与经典范数的特例关系。通过选择特定的p, q，我们可以恢复许多熟悉的范数：

• 若p = q = 2，则||X||_{S_{2,2}} = (∑_i (∑_j X_{ij}^2))^{1/2} = ||X||_F，即Frobenius范数。
• 若p = 1, q = 2，则||X||_{S_{1,2}} = ∑_i (∑_j X_{ij}^2)^{1/2} = ∑_i ||X_{i:}||_2，这被称为l_{1,2}范数或行范数，常用于诱导行稀疏（即只有少数几行非零）。
• 若p = 2, q = 1，则||X||_{S_{2,1}} = (∑_i (∑_j |X_{ij}|)^2)^{1/2}，这衡量的是各行l_1范数构成的向量的l_2范数。
• 若p → ∞, q = 2，则||X||_{S_{∞,2}} = max_i ||X_{i:}||_2，即最大行l_2范数。

双指标形式的威力正在于此：它提供了一个连续的谱系，可以平滑地在不同正则效果间插值。例如，在多层感知机或卷积神经网络的权重矩阵中，我们可能希望剪枝掉整行（对应无效的神经元）或整列（对应无效的特征通道）。l_{1,2}范数（即S_{1,2}）倾向于产生行稀疏，而l_{2,1}范数（即S_{2,1}）则可能产生不同的结构化稀疏模式。通过微调p和q，我们可以更精细地控制所期望的结构先验。

4. 关键定理：双指标Schatten拟范数的因子化公式

前面我们提到，双指标Schatten拟范数的定义涉及两层嵌套的求和与幂运算，在优化问题的梯度计算或近端算子求解中，直接处理这个形式可能比较复杂。幸运的是，它存在一个非常优美的因子化公式。这个公式是连接理论分析与实际计算的桥梁。

定理（因子化公式）：对于任意矩阵X ∈ R^{m×n}，以及正实数p, q > 0，其双指标Schatten拟范数可以因子化为如下形式：||X||_{S_{p,q}} = inf_{U, V: X = U ⊙ V} (||U||_{S_{p, ∞}} · ||V||_{S_{∞, q}})其中⊙表示逐元素乘积（Hadamard积），即X_{ij} = U_{ij} · V_{ij}对所有i,j成立。||·||_{S_{p, ∞}}和||·||_{S_{∞, q}}是两种特殊的双指标范数：

• ||U||_{S_{p, ∞}} = (∑_{i=1}^{m} (max_j |U_{ij}|)^p)^{1/p}，即先对每行取绝对值最大值，再计算这些最大值的l_p范数。
• ||V||_{S_{∞, q}} = max_i (∑_{j=1}^{n} |V_{ij}|^q)^{1/q} = max_i ||V_{i:}||_{l_q}，即先计算每行的l_q范数，再取所有行范数中的最大值。

公式解读： 这个定理告诉我们，计算原始的||X||_{S_{p,q}}等价于寻找一种将矩阵X分解为两个矩阵U和V的逐元素乘积的方式，并最小化||U||_{S_{p, ∞}}和||V||_{S_{∞, q}}的乘积。这里的“inf”（下确界）意味着我们取所有可能分解中这个乘积的最小值。

为什么这个公式如此有用？

1. 计算与优化上的解耦：原始的S_{p,q}范数将p和q耦合在同一个表达式中。因子化公式将其拆解为两个独立的、形式更简单的范数S_{p, ∞}和S_{∞, q}的乘积优化问题。S_{p, ∞}只关心每行的最大值，S_{∞, q}只关心所有行范数的最大值，它们的计算和近端算子往往比原始的S_{p,q}更容易处理。
2. 为算法设计提供思路：这个因子化形式天然地适用于交替优化算法。例如，在求解以||X||_{S_{p,q}}为正则项的优化问题时，我们可以引入辅助变量U和V，将原问题转化为关于U和V的交替最小化子问题，每个子问题只涉及S_{p, ∞}或S_{∞, q}范数，可能具有闭式解或更高效的求解算法。
3. 揭示了范数的几何意义：因子化公式可以看作是S_{p,q}范数的一种“极坐标”表示。U可以理解为控制“方向”或“模式强度分布”的因子，而V可以理解为控制“幅度”或“缩放”的因子。最小化它们的乘积，意味着寻找一种最“经济”的分解方式来表征原矩阵X。

一个简化的特例：当p = q时，我们可以得到一个更直观的因子化形式。实际上，通过选择U_{ij} = sign(X_{ij}) · |X_{ij}|^{1/2}和V_{ij} = |X_{ij}|^{1/2}，可以验证X = U ⊙ V，并且此时||U||_{S_{p, ∞}} = ||V||_{S_{∞, p}} = (∑_i (max_j |X_{ij}|^{p/2})^{2})^{1/p} = ||X||_{S_{p, ∞}}^{1/2}。虽然这不一定是最优分解，但它给出了一个上界，并说明了因子化的可行性。

实操心得：在编程实现或理论推导中遇到S_{p,q}范数相关的复杂项时，第一反应就应该考虑是否能利用这个因子化公式进行转化。它经常能将一个棘手的非凸/非光滑项，转化为两个可以通过交替方向乘子法或近端梯度法处理的、相对更简单的项。

5. 因子化公式的证明思路与构造性理解

为了真正掌握这个工具，我们不能只停留在记住公式，还需要理解其背后的证明思路。这不仅能加深印象，更能帮助我们在类似场景下构造自己的分解方法。下面我们概述一个典型的证明思路。

证明目标：证明||X||_{S_{p,q}} = inf_{U,V: X=U⊙V} ||U||_{S_{p, ∞}} · ||V||_{S_{∞, q}}。

思路：双向不等式法。我们证明左边小于等于右边，且右边小于等于左边。

第1步：证明||X||_{S_{p,q}} ≤ inf_{...} ...对于任意一组满足X = U ⊙ V的分解(U, V)，我们需要证明||X||_{S_{p,q}} ≤ ||U||_{S_{p, ∞}} · ||V||_{S_{∞, q}}。

1. 由定义，||X||_{S_{p,q}}^p = ∑_{i=1}^m (∑_{j=1}^n |X_{ij}|^q)^{p/q}。
2. 因为X_{ij} = U_{ij}V_{ij}，所以|X_{ij}| = |U_{ij}| · |V_{ij}| ≤ (max_k |U_{ik}|) · |V_{ij}|。这里我们用到了行内U元素绝对值的最大值。
3. 将不等式代入：(∑_j |X_{ij}|^q)^{1/q} ≤ (∑_j [(max_k |U_{ik}|)^q · |V_{ij}|^q] )^{1/q} = (max_k |U_{ik}|) · (∑_j |V_{ij}|^q)^{1/q}。
4. 记a_i = max_j |U_{ij}|,b_i = (∑_j |V_{ij}|^q)^{1/q}。则上式变为(∑_j |X_{ij}|^q)^{1/q} ≤ a_i b_i。
5. 于是，||X||_{S_{p,q}}^p = ∑_i [(∑_j |X_{ij}|^q)^{1/q}]^p ≤ ∑_i (a_i b_i)^p。
6. 根据赫尔德不等式（Holder's inequality），对于序列{a_i^p}和{b_i^p}，有∑_i (a_i b_i)^p ≤ (∑_i a_i^p) · (max_i b_i^p)，前提是这里我们将其视为l_1和l_∞范数的对偶关系。更精确地，∑_i (a_i b_i)^p ≤ (∑_i a_i^p) · (max_i b_i^p)。
7. 因此，||X||_{S_{p,q}}^p ≤ (∑_i a_i^p) · (max_i b_i^p) = ||U||_{S_{p, ∞}}^p · ||V||_{S_{∞, q}}^p。
8. 两边开p次方根，即得||X||_{S_{p,q}} ≤ ||U||_{S_{p, ∞}} · ||V||_{S_{∞, q}}。 由于这对任意分解(U,V)都成立，因此它对所有分解的下确界（inf）也成立，即||X||_{S_{p,q}} ≤ inf_{U,V} ||U||_{S_{p, ∞}} · ||V||_{S_{∞, q}}。

第2步：证明存在一组分解(U*, V*)使得||X||_{S_{p,q}} ≥ ||U*||_{S_{p, ∞}} · ||V*||_{S_{∞, q}}这一步是构造性的，需要找到一组特定的分解来达到（或无限逼近）下确界。

1. 我们尝试构造如下分解：对于矩阵X，定义行范数向量r_i = (∑_j |X_{ij}|^q)^{1/q}。
2. 构造V*：令V*的每一行都相同，即V*_{ij} = r_i^{1 - q/p} · (某个与j有关的因子)?等等，这个构造需要更仔细的设计。一个经典的构造是：
   • 令V*_{ij} = |X_{ij}| / (max_k |X_{ik}|)^{1/2}？这个构造在p≠q时可能不最优。
   • 更通用的思路是引入参数α > 0，构造U_{ij} = sign(X_{ij}) · |X_{ij}|^{α},V_{ij} = |X_{ij}|^{1-α}。通过优化选择α，使得||U||_{S_{p, ∞}} · ||V||_{S_{∞, q}}最小化。
3. 实际上，对于给定的X，最优分解可以通过求解一个关于每行缩放因子的优化问题得到。令λ_i > 0为每行的缩放因子，构造U_{ij} = λ_i · sign(X_{ij}) · |X_{ij}|^{1/2},V_{ij} = (1/λ_i) · |X_{ij}|^{1/2}。则X = U ⊙ V。
4. 计算||U||_{S_{p, ∞}} = (∑_i (λ_i · max_j |X_{ij}|^{1/2})^p)^{1/p} = (∑_i λ_i^p · M_i^p)^{1/p}，其中M_i = max_j |X_{ij}|^{1/2}。
5. 计算||V||_{S_{∞, q}} = max_i (∑_j ((1/λ_i) · |X_{ij}|^{1/2})^q)^{1/q} = max_i ( (1/λ_i) · (∑_j |X_{ij}|^{q/2})^{1/q} ) = max_i ( R_i / λ_i )，其中R_i = (∑_j |X_{ij}|^{q/2})^{1/q}。
6. 于是，乘积||U||_{S_{p, ∞}} · ||V||_{S_{∞, q}} = (∑_i λ_i^p M_i^p)^{1/p} · (max_i (R_i / λ_i))。
7. 我们的目标是选择{λ_i}最小化这个乘积。这是一个典型的极小-极大优化问题。通过分析（例如利用拉格朗日乘子法或几何规划的思想），可以证明当选择λ_i使得每一项R_i / λ_i都相等时（即λ_i ∝ R_i），并且λ_i的选取与p范数最小化匹配时，可以达到下确界，并且该下确界恰好等于||X||_{S_{p,q}}。
8. 具体地，令λ_i = R_i / (∑_k R_k^p)^{1/p}的某种形式，代入计算后，经过代数变换，可以验证(∑_i λ_i^p M_i^p)^{1/p} · (max_i (R_i / λ_i))在最优配置下等于(∑_i (M_i R_i)^p)^{1/p}。而根据定义和不等式关系，可以证明(∑_i (M_i R_i)^p)^{1/p} = ||X||_{S_{p,q}}。

通过这两步，我们证明了等式成立。这个构造性证明不仅验证了定理，更给出了寻找近似最优分解的一种数值思路：可以通过优化每行的缩放因子λ_i来求解。

6. 应用场景：在优化与机器学习中的实战价值

理论再优美，也需要落地到实际应用。双指标Schatten拟范数及其因子化公式在多个领域找到了用武之地。

场景一：结构化稀疏正则化在机器学习，特别是特征选择和多任务学习中，我们常常希望得到具有结构化稀疏性的解。例如，在多任务学习中，多个学习任务共享同一个特征空间，我们希望找出对所有任务都重要的特征（即某些行在多个任务对应的权重矩阵中同时非零）。l_{1,2}范数（即S_{1,2}）是诱导行稀疏的经典正则项。因子化公式在这里的应用体现在优化算法上。考虑优化问题：min_W L(W) + λ ||W||_{S_{1,2}}其中L(W)是损失函数。直接处理S_{1,2}范数的近端算子可能比较复杂。利用因子化公式，我们可以将问题重写为：min_{W, U, V} L(W) + λ (||U||_{S_{1, ∞}} · ||V||_{S_{∞, 2}}), s.t. W = U ⊙ V然后使用交替方向乘子法。在固定U, V时，更新W是一个带约束的损失最小化问题；在固定W和V时，更新U涉及S_{1, ∞}范数的近端算子，这通常有闭式解（因为S_{1, ∞}是行的l_∞范数的l_1和，其近端算子涉及对每行进行软阈值收缩和最大值投影）；同理，更新V涉及S_{∞, 2}范数的近端算子。这样，我们将一个复杂问题分解成了几个可求解的子问题。

场景二：低秩张量恢复的模型构建张量是矩阵的高维推广。在张量补全或去噪中，一种常见思路是使用张量的Tucker分解，并对其核心张量施加低秩约束。双指标Schatten拟范数可以自然地推广到张量模式-n展开矩阵上。例如，对于一个三阶张量X，我们可以对其模-1展开矩阵X_(1)施加S_{p,q}正则化，以同时约束该模式下的行稀疏性和列稀疏性（取决于p,q的选择）。因子化公式同样适用于张量场景，可以将张量的正则化项分解为多个因子矩阵的正则化项，从而利用交替最小化算法高效求解。

场景三：非凸低秩矩阵恢复如前所述，当0<p<1时，Schatten-p拟范数比核范数（p=1）能更好地逼近矩阵的秩（秩是非零奇异值的个数，即l_0范数）。在矩阵补全问题中，目标函数可能是：min_X 1/2 ||P_Ω(X - M)||_F^2 + λ ||X||_{S_p}^p，其中0<p<1。 这个问题是非凸非光滑的。虽然S_p拟范数没有简单的因子化公式，但其近端算子的计算可以通过广义软阈值公式求解。然而，对于更复杂的S_{p,q}拟范数，因子化公式的价值就凸显出来。它允许我们将非凸的S_{p,q}项转化为两个因子矩阵的乘积形式，从而可能通过交替优化来求解，其中每个子问题可能是凸的或具有更简单的结构。

踩坑实录：数值计算中的稳定性在实际编码实现涉及S_{p,q}拟范数（尤其是p或q较小）的算法时，数值下溢或上溢是一个常见问题。因为计算中涉及元素的p次方和q次方，当p或q很小时，很小的数开方会变得很大，反之，很大的数开方会变得很小。例如，在计算(∑ |x|^q)^{p/q}时，如果q很小（如0.1），|x|^q对于|x|<1的元素会接近1，对于|x|>1的元素会变得极大，容易导致数值不稳定。

我的经验是：在计算这类项之前，先对矩阵X进行归一化或缩放。例如，可以计算矩阵的Frobenius范数，将整个矩阵除以一个尺度因子，使得计算在数值稳定的范围内进行。在优化迭代过程中，也需要密切关注梯度或近端算子计算中可能出现的除零错误（当某行或某列全为零时）。通常需要添加一个极小的正数ε（如1e-10）到分母中。

7. 从理论到代码：一个简单的计算示例

为了让大家有更具体的感受，我们用一个简单的Python示例，演示如何计算双指标Schatten拟范数，并验证因子化公式的边界情况。我们不会实现完整的inf求解，而是构造一个特定的分解来验证不等式。

import numpy as np def schatten_pq_norm(X, p, q): """ 计算矩阵X的双指标Schatten拟范数 ||X||_{S_{p,q}} 参数: X: 二维numpy数组 p, q: 正实数 返回: 范数值 """ # 计算每行的l_q范数 row_norms = np.linalg.norm(X, ord=q, axis=1) # 注意：np.linalg.norm的ord参数对于向量范数，q>0 # 计算这些行范数的l_p范数 return np.linalg.norm(row_norms, ord=p) def construct_factorization(X, p, q): """ 构造一种特定的分解 U, V 使得 X = U * V (逐元素乘)。 这里采用一种启发式构造：U_{ij} = sign(X_{ij}) * |X_{ij}|^{a}, V_{ij} = |X_{ij}|^{1-a} 通过简单设置 a = 0.5，这不一定是最优分解，但可以验证。 """ a = 0.5 # 分解指数，可以调整 U = np.sign(X) * (np.abs(X) ** a) V = np.abs(X) ** (1 - a) return U, V def norm_S_p_inf(U, p): """ 计算 ||U||_{S_{p, ∞}} = (∑_i (max_j |U_ij|)^p)^{1/p} """ row_maxs = np.max(np.abs(U), axis=1) return np.linalg.norm(row_maxs, ord=p) def norm_S_inf_q(V, q): """ 计算 ||V||_{S_{∞, q}} = max_i (∑_j |V_ij|^q)^{1/q} """ row_norms_q = np.linalg.norm(V, ord=q, axis=1) return np.max(row_norms_q) # 生成一个随机矩阵作为测试 np.random.seed(42) m, n = 5, 4 X = np.random.randn(m, n) # 标准正态分布 p, q = 1.5, 2.0 # 计算原始范数 norm_val = schatten_pq_norm(X, p, q) print(f"原始范数 ||X||_S{{{p},{q}}} = {norm_val:.6f}") # 构造分解并计算因子范数乘积 U, V = construct_factorization(X, p, q) norm_U = norm_S_p_inf(U, p) norm_V = norm_S_inf_q(V, q) product_val = norm_U * norm_V print(f"构造分解的乘积 ||U||_S{{{p},∞}} * ||V||_S{{∞,{q}}} = {product_val:.6f}") print(f"原始范数 ≤ 乘积？ {norm_val <= product_val + 1e-10}") # 尝试不同的分解指数 a，观察乘积的变化 print("\n尝试不同的分解指数 a:") for a in [0.3, 0.5, 0.7]: U_a = np.sign(X) * (np.abs(X) ** a) V_a = np.abs(X) ** (1 - a) prod = norm_S_p_inf(U_a, p) * norm_S_inf_q(V_a, q) print(f" a={a}: 乘积 = {prod:.6f}")

运行这段代码，你会看到对于随机矩阵X，原始范数值总是小于或等于我们构造的分解所对应的乘积。通过调整分解指数a，这个乘积值会变化，这直观地说明了我们需要在所有可能的分解中寻找乘积的最小值（下确界）才能等于原始范数。在更复杂的优化算法中，我们会通过迭代来优化U和V（或者缩放因子λ_i），以逼近这个下确界。

这个例子虽然简单，但它揭示了因子化公式的核心：将复杂的联合正则项，转化为可以交替优化的、相对独立的子问题。在实际的大规模问题中，这种分解思想是设计高效优化算法的基石。