행렬 곱셈을 바라보는 4가지 관점에 대해서 설명하려고 한다.
행렬 곱셈을 바라보는 관점으로는 내적, rank-1 matrix의 합, 열공간, 행공간 관점이 있다.
1. 내적 관점
일반적으로 행렬곱이라고 하면 내적 관점으로 보면 된다.
$$ A = \begin{bmatrix} a_{1}^{T} \\ a_{2}^{T} \\ a_{3}^{T} \\ \end{bmatrix} B = \begin{bmatrix} b_{1} & b_{2} & b_{3}\\ \end{bmatrix} $$
위와 같이 행렬 A, B가 있다.
각 성분은 열벡터를 기준으로 표시하지만, 편의를 위해 행렬 A의 성분은 전치시켜 행벡터로 표시했다.
행렬곱의 과정은 다음과 같다.
$$ AB = \begin{bmatrix} a_{1}^{T} \\ a_{2}^{T} \\ a_{3}^{T} \\ \end{bmatrix} \begin{bmatrix} b_{1} & b_{2} & b_{3}\\ \end{bmatrix} = \begin{bmatrix} a_{1}^{T}b_{1} & a_{1}^{T}b_{2} & a_{1}^{T}b_{3} \\ a_{2}^{T}b_{1} & a_{2}^{T}b_{2} & a_{2}^{T}b_{3} \\ a_{3}^{T}b_{1} & a_{3}^{T}b_{2} & a_{3}^{T}b_{3} \\ \end{bmatrix} $$
결과로 나오는 3 x 3 행렬의 각 성분은 행렬 A와 B의 각 행벡터와 열벡터의 내적으로 표현된다.
계산해보면 일반적인 행렬곱 연산과 동일하다.
2. Rank-1 Matrix의 합
rank-1 matrix의 합으로 보는 관점도 내적과 유사하다.
$$ A = \begin{bmatrix} a_{1} & a_{2} & a_{3}\\ \end{bmatrix} B = \begin{bmatrix} b_{1}^{T} \\ b_{2}^{T} \\ b_{3}^{T} \\ \end{bmatrix} $$
이번엔 행렬 A를 그대로 열벡터 모양으로 두고, 행렬 B를 행벡터로 표현한다.
연산과정은 다음과 같다.
$$ AB = \begin{bmatrix} a_{1} & a_{2} & a_{3}\\ \end{bmatrix} \begin{bmatrix} b_{1}^{T} \\ b_{2}^{T} \\ b_{3}^{T} \\ \end{bmatrix} = a_{1}b_{1}^T + a_{2}b_{2}^T + a_{3}b_{3}^T $$
연산결과인 $a_{1}b_{1}^T + a_{2}b_{2}^T + a_{3}b_{3}^T$의 각 항은 필연적으로 rank 1이 되기 때문에 rank-1 matrix라고 한다.
즉, 열벡터 $\times$ 행벡터는 rank가 1이다.
3. 열공간 관점
앞선 포스팅에서 열공간은 열벡터로 span되는 벡터공간이라고 했다.
행렬과 벡터의 곱 과정을 보자
$$ A\textbf{x} = \begin{bmatrix} a_{1} & a_{2} & a_{3} \\ \end{bmatrix} \begin{bmatrix} x_{1} \\ x_{2} \\ x_{3} \end{bmatrix} = a_{1}x_{1}+ a_{2}x_{2}+a_{3}x_{3} $$
행렬 A와 벡터 $\textbf{x}$의 곱은 위와 같이 표현할 수 있다.
연산 결과인 $a_{1}x_{1}+ a_{2}x_{2}+a_{3}x_{3}$의 각 항은 열벡터의 스칼라배의 합로 표현할 수 있다. 다시말하면, 열벡터의 선형결합으로 이루어진 열공간이 된다.
이러한 개념에서 벡터 $\textbf{x}$를 행렬로 확장하면 열공간 관점에서 행렬곱을 표현할 수 있다.
4. 행공간 관점
행공간 관점에서의 행렬곱은 열공간 관점을 열벡터에서 행벡터로 변화시킨 것이다.
$$ \textbf{x}^{T}A = \begin{bmatrix} x_{1} & x_{2} & x_{3} \\ \end{bmatrix} \begin{bmatrix} a_{1}^{T} \\ a_{2}^{T} \\ a_{3}^{T} \end{bmatrix} = x_{1}a_{1}^{T}+ x_{2}a_{2}^{T}+x_{3}a_{3}^{T} $$
열공간 관점과 마찬가지로 연산결과의 각 항은 행벡터의 스칼라배의 합이며, 행벡터의 선형결합으로 이루어져 있으므로 행공간이 된다.
'DS | Data Science > Statistics & Math' 카테고리의 다른 글
[Linear Algebra] Part10. 랭크(Rank) (1) | 2024.01.05 |
---|---|
[Linear Algebra] Part9. 항등행렬(Identity Matrix), 역행렬(Inverse), 대각행렬(Diagonal Matrix), 직교행렬(Orthogonal Matrix) (0) | 2024.01.05 |
[Linear Algebra] Part7. 내적(Dot Product)과 정사영(Projection) (1) | 2024.01.03 |
[Linear Algebra] Part6. 차원(Dimension)과 랭크(Rank) (2) | 2024.01.03 |
[Linear Algebra] Part5. 선형독립, 선형종속 그리고 기저(basis) (3) | 2024.01.03 |