乔列斯基分解：一种矩阵分解方法，适用于对称正定矩阵 \(A\)，将其分解为
\[
A = LL^{\mathsf T}
\]
其中 \(L\) 是下三角矩阵（或也常写为 \(A = R^{\mathsf T}R\)，\(R\) 为上三角矩阵）。它在数值计算中常用于更高效、稳定地求解线性方程组、进行高斯过程/协方差计算等。
/ˈtʃoʊləski ˌdiːkɑːmpəˈzɪʃən/
Cholesky decomposition is fast for solving systems with symmetric positive-definite matrices.
乔列斯基分解在求解对称正定矩阵的线性方程组时速度很快。
In Gaussian process regression, we often use Cholesky decomposition of the covariance matrix to compute the log-likelihood efficiently and stably.
在高斯过程回归中，我们常对协方差矩阵做乔列斯基分解，以高效且稳定地计算对数似然。
“Cholesky”来自法国数学家与工程师 André-Louis Cholesky（安德烈-路易·乔列斯基） 的姓氏；“decomposition”意为“分解”。该方法最早与数值线性代数中的实际计算需求相关，后来成为处理对称正定矩阵的经典工具。（在很多教材中也称 Cholesky factorization“乔列斯基分解/因子分解”。）
Select Language