辛克宏定理

辛克宏定理（Template:Lang-en）是线性代数中的一个定理，指所有元素为正的方块矩阵都可以写成一个正对角矩阵、一个Template:Le与另一个正对角矩阵之积的形式。

定理

如果$A$是所有元素都严格为正的$n\times n$矩阵，则存在元素严格为正的对角矩阵$D_1$和$D_2$，使得$D_{1}A{D}_2$是双随机矩阵，即每一行或列之和均为1。矩阵$D_1$和$D_2$在前者乘以一个正数、后者除以相同正数的情况下是唯一的。

辛克宏-诺普算法

一个逼近双随机矩阵的简单迭代方法是交替地缩放$A$中所有行与列的比例，使其元素之和为1。辛克宏和诺普（Knopp）提出了该算法并分析了其收敛性。这一算法与调查统计学中的Template:Le本质上相同。

扩展

在酉矩阵中存在类似的结论：对于任意酉矩阵$U$，都存在两个对角酉矩阵$L$和$R$，使得$LUR$的每一列和每一行的元素之和均为1。

对矩阵间映射也有类似的扩展结论：给定一个克劳斯（Kraus）算子$\mathrm{\Phi }$表示将一个密度矩阵映射到另一个密度矩阵的量子操作，即

$S\mapsto \mathrm{\Phi }(S)=\sum _i{B}_{i}S{B}_i^{*},$

其满足迹不变

$\sum _i{B}_i^{*}{B}_i=I,$

并且其范围在正定锥内部（严格正定）。在此条件下，存在正定的缩放因子$x_j$（$j\in \{0,1\}$），使得缩放后的克劳斯算子

$S\mapsto x_1\mathrm{\Phi }(x_0^{-1}S{x}_0^{-1})x_1=\sum _i(x_1{B}_i{x}_0^{-1})S(x_1{B}_i{x}_0^{-1}{)}^{*}$

是双随机的，即

$x_1\mathrm{\Phi }(x_0^{-1}I{x}_0^{-1})x_1=I,$

$x_0^{-1}{\mathrm{\Phi }}^{*}(x_{1}I{x}_1)x_0^{-1}=I,$

其中$I$表示恒等算子。

应用

2010年代，辛克宏定理开始被用于求解熵正则化的最优传输问题。这一方法在机器学习领域引起了关注，因为由此得到的辛克宏距离（Sinkhorn distance）可用于评估数据分布之间的差异。在一些最大似然训练效果不佳的情况下，这种方法可以改进机器学习算法的训练效果。