10 janvier 2026
1 Introduction : Du Tableau au Volume
Ce projet s’inscrit dans une démarche d’ouverture vers l’analyse de données modernes.
Il explore la Décomposition en Valeurs Singulières (SVD), une technique mathématique
essentielle pour simplifier les données massives.
Objectifs : L’objectif principal est de comprendre comment cette méthode, tradition-
nellement appliquée aux matrices, peut être étendue aux structures multidimensionnelles.
L’idée est simple : c’est comme démonter un meuble complexe pour identifier les quelques
pièces maîtresses qui permettent de le reconstruire presque à l’identique.
Le contenu de cette étude s’articule autour de trois axes majeurs :
— Rappel de la SVD matricielle pour poser les bases du tri d’information.
— Exploration des tenseurs d’ordre 3, visualisés comme des "cubes" de nombres
(comme une vidéo ou une IRM).
— Introduction simplifiée aux décompositions avancées telles que CP (Canonical
Polyadic) et Tucker (HOSVD).
L’intérêt de cette approche réside dans son lien direct avec le "Big Data" et le Ma-
chine Learning, permettant de transformer le chaos des données brutes en une structure
organisée.
2 Théorie de la SVD et des Tenseurs
2.1 Rappel : La SVD Matricielle (L’art du tri)
Pour toute matrice A ∈ RI×J , la décomposition en valeurs singulières (SVD) permet
la factorisation suivante :
A = U ΣV T (1)
La SVD agit comme un filtre : elle classe les informations par ordre d’importance,
permettant de supprimer les détails inutiles (bruit) sans perdre le sens global des données.
— U (Les "Sujets" ou Concepts) : Matrice définissant les catégories ou thèmes
cachés.
— Σ (La "Force" ou Importance) : Matrice diagonale contenant les poids ou
valeurs singulières σ1 ≥ σ2 ≥ ... ≥ 0.
— V T (Les caractéristiques) : Lie les sujets aux caractéristiques originales.
Propriété d’approximation (Eckart-Young) : La SVD permet de trouver la meilleure
approximation de rang k d’une matrice :
k
X
Ak = σr ur vrT (2)
r=1
Exemple d’application numérique détaillé
3 0
Considérons la matrice A définie par : A =
4 5
T T 3 4 3 0 25 20
1. Calcul de A A : A A = =
0 5 4 5 20 25
1
2. Recherche des valeurs propres (λ) : On résout det(AT A − λI) = 0 ⇒ (25 −
λ)2 − 202 = 0 ⇒ λ1 = 45, λ2 = 5.
√ √ √
3. Valeurs singulières (σ) : σ1 = 45 = 3 5 et σ2 = 5.
√
1 1 3 3 5 0
√ √ 1 1 1
Résultat : A = √10
3 −1 0 5 2 1 −1
2
2.2 Généralisation aux Tenseurs (Ordre > 3)
La décomposition CP est considérée comme la vraie généralisation conceptuelle de la
SVD, tandis que Tucker est l’analogue direct des propriétés d’orthogonalité.
2.2.1 A. Décomposition CP (Canonical Polyadic)
R
X
X ≈ λr ar ◦ br ◦ cr (3)
r=1
Exemple détaillé : Décomposition CP de rang
1
1 2 2 4
Soit X de taille 2 × 2 × 2 avec X::1 = et X::2 = . Le tenseur est de rang 1
3 6 6 12
car tous les rapports entre
lignes,
colonnes
et tranches sont constants (respectivement 3,
1 1 1
2 et 2). Il s’écrit : X = ◦ ◦ .
3 2 2
2.2.2 B. Décomposition de Tucker (HOSVD)
La décomposition de Tucker décompose le tenseur X en un produit d’un tenseur cœur
G et de matrices de facteurs. Pour un tenseur d’ordre 3 :
X = G ×1 A ×2 B ×3 C (4)
Voici le détail mathématique pour le tenseur X défini précédemment.
Étape 1 : Calcul du facteur A (Mode 1 - Lignes) On construit lamatrice de dé-
1 2 2 4
pliage X(1) en juxtaposant les tranches frontales horizontalement : X(1) = .
3 6 6 12
T 25 75
— On calcule X(1) X(1) = .
75 225
— La valeur propre principale de cette matrice est λ1=250.
1 1 0, 316
— Le vecteur propre normalisé associé est : A = 10 √ ≈ .
3 0, 949
Étape 2 : Calcul du facteur B (Mode 2 - Colonnes) On déploie le tenseur selon
1 3 2 6
le mode 2 : X(2) = .
2 6 4 12
T 50 100
— On calcule X(2) X(2) = .
100 200
1 1 0, 447
— Le vecteur propre normalisé associé est : B = √5 ≈ .
2 0, 894
Étape 3 : Calcul du facteur
C (Mode
3 - Profondeur) On déploie le tenseur selon
1 3 2 6
la profondeur : X(3) = .
2 6 4 12
1 1 0, 447
— Après normalisation : C = 5
√ ≈ .
2 0, 894
3
Étape 4 : Calcul du tenseur cœur G Le tenseur cœur G se réduit ici à la norme de
Frobenius du tenseur :
√ √
g111 = ||X || = 12 + 32 + 22 + 62 + 22 + 62 + 42 + 122 = 250 ≈ 15, 81 (5)
0, 316 0, 447 0, 447
Résultat final de la HOSVD : X ≈ 15, 81 ×1 ×2 ×3 .
0, 949 0, 894 0, 894
4
Table 1 – Comparaison entre les décompositions
Critère Décomposition CP Décomposition Tucker (HOSVD)
λr ar ⊗ br ⊗ cr X ≈ G ×1 U (1) ×2 U (2) ×3 U (3)
P
Formulation X ≈
Lien avec la SVD Faible Fort (analogue à U ΣV T )
Unicité Souvent unique Non unique
Sensibilité au bruit Très élevée Faible
Stabilité numérique Moyenne à faible Très bonne
3 Applications Transversales
3.1 Génie Industriel et Télécoms
— Compression Multimédia : Utilisation de Tucker pour compresser des vidéos
3D.
— Traitement du Signal (MIMO) : Séparation des signaux dans la téléphonie
5G.
3.2 Santé et Intelligence Artificielle
— Imagerie Cérébrale : Identification de motifs communs dans les IRM (Espace ×
Temps × Patient).
— Systèmes de Recommandation : Netflix utilise la SVD pour prédire les préfé-
rences utilisateurs.
4 Conclusion
La transition du tableau vers le volume est une nécessité technologique. La SVD et ses
extensions tensorielles transforment le chaos des données brutes en une structure organisée
et exploitable pour l’avenir de la science des données.