答案已经在评论中提供。就这样，这个问题附上了答案……

$Q$在优化问题本身中被定义为我们要最小化的变量。表达方式

$$\underset{Q^T Q = I}{\text{argmin }} f(Q)$$

也可以写成：

$$\underset{Q}{\text{argmin }} f(Q) \quad \text{s.t. } Q^T Q = I$$

即：在的约束下，找到使目标函数值。这意味着是一个正交矩阵。$Q$$f$$Q^T Q =I$$Q$

$\| \cdot \|_F$表示 Frobenius 范数。对于矩阵$A$：

$$\| A \|_F = \left ( \sum_i \sum_j A_{ij}^2 \right)^\frac{1}{2}$$

评论者基本上回答了这个问题，但我会在这里纪念一下。

argmin（或 argmax）表示法可能有点混乱，因为它经常引入一个虚拟变量（很像积分中的 dx 或 dt）。正如 Matthew Drury 的评论所指出的，是这里的虚拟变量（因此本文其他地方不会介绍它，因为它仅用于占位符功能）。$\mathbf{Q}$

接下来，argmin 运算符要求您找出的哪个值给出的最小值。但是，不是返回 argmin 中表达式的最小值，而是希望该值生成这个最小值。考虑到这一点，你的本质上就是你的 ...所以，被定义了但是是定义。$\mathbf{Q}$$\mathbf{Q}$$\mathbf{R}^{(t)}$$\mathbf{Q}$$\mathbf{R}^{(t)}$

最后是范数函数的下标最有可能表示 Frobenius 规范（https://en.wikipedia.org/wiki/Matrix_norm#Frobenius_norm；正如@Flounderer 所建议的那样）。这只是范数函数内矩阵中所有条目的平方和的平方根。$F$$||·||$