共子空间体积的幂均值有了精确阈值：多项式时间算法与NP困难在同一条幂次线上相遇
核心概要
对多个半正定矩阵同时压缩到同一个低维子空间、再用加权幂均值汇总体积得分的问题，研究者确定了与维数无关的最优近似因子：对每个固定子空间维数和固定有理幂次，存在随机多项式时间算法达到该因子，而任何更大的常数因子都是NP困难的。因子在临界幂次以上由显式Gamma函数乘积给出，在临界幂次及以下则任何正的常数因子近似都NP困难；方法是在迹为一的半正定矩阵上做保留行列式的凹松弛，再用高斯取整回到单个子空间。
深度剖析
一个低维子空间要同时保住多个观测的体积，现在有了与周围空间维数无关的近似保证：对每个固定的子空间维数和固定的有理幂次，随机多项式时间算法能达到一个确定的因子。 此前的做法是在子空间流形上做局部迭代，只能保证收敛到稳定点；而把投影矩阵放松成迹为一的半正定矩阵后，若只用迹的线性替代，即使只有一个正定观测也可能损失任意大的因子。 对每个固定幂次，任何比该因子更大的常数近似都被证明是NP困难的，因此这个因子在固定参数下是最优的，且不随环境维数变化。
近似因子在临界幂次以上有闭式表达，在临界幂次及以下则退化为不可近似。 此前已知的标量因子只覆盖部分幂次范围，没有给出常数因子近似的完整阈值。 临界幂次以上，因子是显式的Gamma函数乘积；在临界幂次及以下，任何正的常数因子近似都是NP困难的，这一结论对等权有理半正定观测和正定观测分别成立。
算法把子空间放松成迹为一的半正定矩阵，松弛得分在每个子空间处与原体积得分完全一致，再抽取独立高斯列并取其张成的子空间。 此前的迹松弛在子空间处并不等于行列式体积，因此无法直接控制取整损失；新的松弛用特征值的初等对称多项式构造，保持凹性。 取整分析用Cauchy–Binet把高斯行列式写成平方子式之和，再用Bartlett型行列式矩给出因子；在有限秩情形下，该因子严格大于最终阈值，差额用于支付优化与输出精度。
当只有两个秩为k的观测时，松弛是精确的，不需要任何取整损失。 一般情形下从半正定矩阵回到单个子空间会带来近似因子，而两观测情形下这一损失消失。 对任意迹为一的半正定矩阵，都存在一个子空间使两个行列式得分同时不下降；构造是确定性的，用主向量与非负标量的平方根完成，并由此给出两个子空间的Martin均值的闭式全局最优。
启示与展望
结论覆盖实数域与复数域上固定的子空间维数和固定的有理幂次，观测为有理半正定矩阵或秩为k的投影，权重为正有理数；两观测的精确性要求两个观测的秩都等于k。Martin均值的加性保证针对投影观测，并可在补空间维数上运行。
困难性结论对三个及以上观测是否已经成立仍未确定；在幂次等于一时，达到阈值需要张量构造，且算法在幂次接近一时对输出有理性的处理带有额外限定。