# 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.

1. **$ |A| \geq 0 $ (비음수성, Non-negativity):** $ |A| = 0 $은 $ A = 0 $일 때, 그리고 그때에만 성립한다.
2. **$ |\alpha A| = |\alpha||A| $ (동차성, Homogeneity):** $ \alpha $는 실수 스칼라 값이다.
3. **$ |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.

***

관련 자료:

* Horn, Roger A., and Charles R. Johnson. *Matrix Analysis*. Cambridge University Press, 1985.
* Golub, Gene H., and Charles F. Van Loan. *Matrix Computations*. 4th ed., Johns Hopkins University Press, 2013.
* Trefethen, Lloyd N., and David Bau. *Numerical Linear Algebra*. SIAM, 1997.