행렬의 노름 (Matrix Norms)

행렬 노름의 정의

행렬 노름(matrix norm)은 벡터 노름의 확장으로, 주어진 행렬에 대해 하나의 실수 값을 반환하는 함수이다. 행렬 노름은 행렬의 크기나 길이를 측정하는 데 사용되며, 행렬 공간에서 벡터 공간의 노름과 유사한 역할을 한다. 수학적으로, 행렬 $ A \in \mathbb{R}^{m \times n} $에 대한 노름 $ |A| $는 다음과 같은 성질을 만족해야 한다.

$ |A| \geq 0 $ (비음수성, Non-negativity): $ |A| = 0 $은 $ A = 0 $일 때, 그리고 그때에만 성립한다.
$ |\alpha A| = |\alpha||A| $ (동차성, Homogeneity): $ \alpha $는 실수 스칼라 값이다.
$ |A + B| \leq |A| + |B| $ (삼각 부등식, Triangle Inequality): 임의의 행렬 $ A $와 $ B $에 대해 성립한다.

서브멀티플리카티브 노름

행렬 노름이 추가적으로 서브멀티플리카티브(sub-multiplicative) 성질을 만족할 경우, 이를 서브멀티플리카티브 노름이라고 한다. 즉, 행렬 $ A $와 $ B $에 대해 다음의 조건을 만족해야 한다:

$ |AB| \leq |A||B| $

이 성질은 주로 행렬의 곱셈에 관해 노름이 안정적인지를 판단하는 데 사용된다.

흔히 사용되는 행렬 노름

1-노름 (Induced Norm 또는 Operator Norm)

1-노름은 행렬의 모든 열(column)의 절대값 합 중 최대값으로 정의된다. 즉, $ A = [a_{ij}] $인 행렬에 대해 다음과 같이 정의된다:

$ |A|1 = \max{1 \leq j \leq n} \sum_{i=1}^{m} |a_{ij}| $

이 노름은 행렬의 열벡터들의 크기를 기준으로 행렬의 크기를 측정하는 데 적합하다.

∞-노름

∞-노름은 행렬의 모든 행(row)의 절대값 합 중 최대값으로 정의된다. $ A = [a_{ij}] $인 행렬에 대해 다음과 같이 정의된다:

$ |A|\infty = \max{1 \leq i \leq m} \sum_{j=1}^{n} |a_{ij}| $

이 노름은 행벡터들의 크기를 기준으로 행렬의 크기를 측정하는 데 사용된다.

Frobenius 노름

Frobenius 노름은 행렬의 모든 요소의 제곱합의 제곱근으로 정의된다. $ A = [a_{ij}] $인 행렬에 대해 다음과 같다:

$ |A|F = \left(\sum{i=1}^{m}\sum_{j=1}^{n} |a_{ij}|^2\right)^{1/2} $

Frobenius 노름은 벡터의 유클리드 노름(Euclidean norm)과 유사한 방식으로 행렬의 크기를 측정한다.

스펙트럴 노름 (Spectral Norm)

스펙트럴 노름은 행렬의 최대 특이값(singular value)에 해당한다. 만약 $ A $의 특이값 분해가 $ A = U\Sigma V^T $라고 할 때, 스펙트럴 노름은 다음과 같이 정의된다:

$ |A|2 = \sigma{\max}(A) $

여기서 $ \sigma_{\max}(A) $는 $ A $의 최대 특이값이다.

행렬 노름의 성질

정규화 성질

모든 행렬 노름은 벡터 노름과 마찬가지로, 동일한 정규화 조건을 만족해야 한다. 즉, $ |I| = 1 $이어야 하며, $ I $는 단위 행렬이다.

대칭성

대칭 행렬의 경우, Frobenius 노름과 스펙트럴 노름은 동일한 값을 가진다. 이는 대칭 행렬의 특수한 구조로 인해 발생한다.

등각성

스펙트럴 노름은 회전이나 직교 변환에 대해 불변성을 가진다. 즉, $ Q $가 직교 행렬이라면 $ |QA|_2 = |A|_2 $이다.

행렬 노름의 계산 방법

행렬 노름을 계산하기 위한 일반적인 방법은 주로 행렬 분해(Matrix Decomposition)를 사용하는 것이다. 예를 들어, 스펙트럴 노름을 계산하기 위해서는 특이값 분해(SVD, Singular Value Decomposition)를 사용한다.

또한, $ p $-노름에 대한 일반적인 계산은 다음과 같은 최적화 문제로 변환할 수 있다:

$ |A|p = \sup{|x|_p \leq 1} |Ax|_p $

여기서 $ |x|_p $는 벡터 $ x $의 $ p $-노름이다.

hashtag행렬 노름의 정의

hashtag서브멀티플리카티브 노름

hashtag흔히 사용되는 행렬 노름

hashtag행렬 노름의 성질

hashtag행렬 노름의 계산 방법

행렬 노름의 정의

서브멀티플리카티브 노름

흔히 사용되는 행렬 노름

행렬 노름의 성질

행렬 노름의 계산 방법