8月30日，清华大学计算机系师生在美国工业与应用数学学会（SIAM）旗下的《SIAM矩阵分析与应用》杂志（SIAM Journal on Matrix Analysis and Applications）第39卷第3期上发表了题为《面向固定近似度矩阵低秩近似问题的有效随机化算法》（Efficient Randomized algorithms for the fixed-precision low-rank matrix approximation）的研究论文。该研究考虑QB形式的矩阵低秩分解，提出了一种低秩近似误差Frobenius范数的有效计算方法，从而得到可根据近似度要求自动确定秩的高效率QB分解算法。该工作还进一步提出一种数学上等价、且对原始矩阵访问更少的矩阵低秩分解算法，其在特定情况下可仅对数据遍历一次即算出若干主要的特征值。这些算法在处理大型矩阵、稀疏矩阵时显著优于现有方法，且保持相当的准确度。

该论文的第一作者、通讯作者为计算机系喻文健副教授，其他作者包括喻文健指导的本科生谷昱和美国欧道明大学的副教授Yaohang Li。在同一期《SIAM矩阵分析与应用》杂志上发表的还有一篇喻文健与香港大学Ngai Wong副教授团队合作的题为《使用张量网络随机化奇异值分解方法计算大规模矩阵的低秩近似》（Computing low-rank approximations of large-scale matrices with the tensor network randomized SVD）的论文，其中提出了一种能对张量网络形式的极大规模矩阵进行近似奇异值分解的快速算法，该算法采用随机化奇异值分解等技术在达到更高准确度的同时计算速度比同类型的ALS-SVD和MALS-SVD算法快13倍。

SIAM为国际上有关应用数学领域的权威学术组织，旗下出版了多种重要学术期刊，其中《SIAM矩阵分析与应用》为线性代数、数值计算领域的权威期刊，在JCR中排在应用数学类期刊的第一区。上述两篇论文也是我校计算机系在职教师首次在SIAM旗下的学术期刊上发表论文。