我需要使用矩阵的SVD形式来从一系列文档中提取概念。我的矩阵的形式为
我使用SVDLIBC在nodejs中进行处理（使用我编写的小模块来使用它）。它似乎一切正常，但我注意到运行时间行为有点奇怪，这取决于我的矩阵状态（其中N，M正在增长，但对于每个矩阵已经超过1000）。
首先，我没有考虑提取相同的文档向量，但现在经过一些测试，添加两次文档有时会使处理速度非常快。
1. 我必须确保A的每一列都是成对独立的吗？它们必须全部线性独立吗？（我认为不需要，因为SVD似乎只是很好地执行其工作，即使一些列完全相同，它将在结果分解中显示哪些列/行是无用的，因为在
2. 现在，计算大矩阵的SVD有时需要太长时间，我试图通过删除相同的列来减小其大小，但我发现实际上添加虚拟相同向量可以使它更快。这正常吗？发生了什么？
从逻辑上讲，我想要我的矩阵包含尽可能多的信息，因此：
[A] 删除所有相同列，在最好的情况下，也许
[B] 移除线性相关列。
做[A]似乎非常简单，而且计算代价不高，我可以在构造时哈希我的向量以检查可能相同的向量，然后花时间检查这些向量，但是是否有好的计算技术可用于[A]和[B]？
（对于[A]，我希望不必以暴力方式检查新向量与整个过去向量的相等性，至于[B]，我不知道有什么好方法来检查/执行它）。
关于我的第二个问题，为什么只添加一个类似的列就会导致SVD的运行时间行为如此巨大的变化？这是正常的可能行为，还是意味着我应该寻找SVDLIBC中的错误？
A = [d1, d2, d3 ... dN]，其中di是一个具有M个组件的二进制向量。然后，svd分解给出svd(A) = U x S x V'，其中S包含奇异值。我使用SVDLIBC在nodejs中进行处理（使用我编写的小模块来使用它）。它似乎一切正常，但我注意到运行时间行为有点奇怪，这取决于我的矩阵状态（其中N，M正在增长，但对于每个矩阵已经超过1000）。
首先，我没有考虑提取相同的文档向量，但现在经过一些测试，添加两次文档有时会使处理速度非常快。
1. 我必须确保A的每一列都是成对独立的吗？它们必须全部线性独立吗？（我认为不需要，因为SVD似乎只是很好地执行其工作，即使一些列完全相同，它将在结果分解中显示哪些列/行是无用的，因为在
U或V中具有0分量）2. 现在，计算大矩阵的SVD有时需要太长时间，我试图通过删除相同的列来减小其大小，但我发现实际上添加虚拟相同向量可以使它更快。这正常吗？发生了什么？
从逻辑上讲，我想要我的矩阵包含尽可能多的信息，因此：
[A] 删除所有相同列，在最好的情况下，也许
[B] 移除线性相关列。
做[A]似乎非常简单，而且计算代价不高，我可以在构造时哈希我的向量以检查可能相同的向量，然后花时间检查这些向量，但是是否有好的计算技术可用于[A]和[B]？
（对于[A]，我希望不必以暴力方式检查新向量与整个过去向量的相等性，至于[B]，我不知道有什么好方法来检查/执行它）。
关于我的第二个问题，为什么只添加一个类似的列就会导致SVD的运行时间行为如此巨大的变化？这是正常的可能行为，还是意味着我应该寻找SVDLIBC中的错误？