Randomiseret singular værdidekomponering
Lavt rangerede matrixnedbrydninger er grundlæggende værktøjer og bruges i vid udstrækning til dataanalyse, dimensionsreduktion og datakomprimering. Klassisk, meget nøjagtige deterministiske matrixalgoritmer bruges til denne opgave. Fremkomsten af data i stor skala har dog alvorligt udfordret vores
beregningsevne til at analysere store datamængder. Begrebet tilfældighed er
blevet demonstreret som en effektiv strategi til hurtigt at producere omtrentlige svar på velkendte problemer såsom entalsværdiens nedbrydning (SVD). Rsvd-pakken indeholder flere randomiserede matrixalgoritmer såsom den randomiserede entalsværdidekomponering (rsvd), randomiseret principal komponentanalyse (rpca), randomiseret robust principal komponentanalyse (rrpca), randomiseret interpolativ dekomponering (fri), og den randomiserede CUR-nedbrydning (rcur). Derudover er flere plotfunktioner indeholdt. Metoderne diskuteres i detaljer af Erichson et al. (2016) <arXiv:1608.02148>.
