更改

<math>\tilde{\mathbf{M}} = \mathbf{U}_t \mathbf{\Sigma}_t \mathbf{V}_t^*,</math>

<math>\tilde{\mathbf{M}} = \mathbf{U}_t \mathbf{\Sigma}_t \mathbf{V}_t^*,</math>

这里矩阵<math>\mathbf{U}_t</math>为<math>m \times t</math>,<math>\mathbf{\Sigma}_t</math>为<math>t \times t</math>对角矩阵，<math>\mathbf{V}_t^*</math>为<math>t \times n</math>。我们只计算<math>\mathbf{U}</math>的t个列向量和<math>\mathbf{V}^*</math>的t个行向量，它们对应<math>\mathbf{\Sigma}_t</math>中最大的t个奇异值。当<math>t \ll r</math>时，这比紧凑SVD更快更省，但需要一套完全不同的数值求解器工具。

这里矩阵<math>\mathbf{U}_t</math>为<math>m \times t</math>，<math>\mathbf{\Sigma}_t</math>为<math>t \times t</math>对角矩阵，<math>\mathbf{V}_t^*</math>为<math>t \times n</math>。我们只计算<math>\mathbf{U}</math>的t个列向量和<math>\mathbf{V}^*</math>的t个行向量，它们对应<math>\mathbf{\Sigma}_t</math>中最大的t个奇异值。当<math>t \ll r</math>时，这比紧凑SVD更快更省，但需要一套完全不同的数值求解器工具。

在需要近似矩阵<math>\mathbf{M}</math>的Moore–Penrose逆的应用中，<math>\mathbf{M}</math>的最小奇异值是有意义的，但与最大奇异值相比，它们更难计算。

在需要近似矩阵<math>\mathbf{M}</math>的Moore–Penrose逆的应用中，<math>\mathbf{M}</math>的最小奇异值是有意义的，但与最大奇异值相比，它们更难计算。