奇异值分解（SVD）在机器学习中得到了广泛的应用。它是数据分析的基础，为许多数据挖掘技术提供了数学基础。最近，对增量SVD的兴趣一直在上升，因为它非常适合流数据。本文提出了一种新的增量奇异值分解算法，旨在提高计算效率和准确性。更具体地说，我们提出的算法利用了SVD模型更新中涉及到的箭头矩阵和对角线plus-rank-one矩阵的特殊结构来加快更新过程。此外，由于奇异值是独立计算的，因此该方法易于并行化。此外，如本文所示，增加秩可以在更新过程中获得更准确的奇异值。来自合成数据集和实际数据集的实验结果表明，在更新过程中提高了效率和准确性。
