[Math] Chain Rule (연쇄법칙)

What is the Chain Rule

Chain rule은 composite function에 대한 derivative를 구하는 방법임.

$$\displaystyle \frac{d}{dx}\left[f\left(g(x)\right)\right]= f^\prime \left(g(x)\right) g^\prime(x)$$

---

Chain Rule of Multi-variate Functions

$n$-dimensional vector $\bf{x}$의 각 component가 $x_i(t)$라는 scalar function이라면,

$\bf{x}$를 input으로 하는 multi-variate function $z=f(\textbf{x})$의

scalar $t$에 대한 ordinary derivative는 다음과 같이 구함 

 

$$\frac{dz}{dt}=\displaystyle \sum_{i=1}^n \frac{\partial f}{\partial x_i} \frac{d x_i}{d t}$$

 

• 단, $x_i$들이 모두 $t$에 대해 differentiable이어야 하며, $z$도 모든 $x_i$에 대해 미분가능해야함.

위의 식은 다음과 같이 표기할 수도 있음.

$$\frac{dz}{dt}=\nabla f (\textbf{x}(t))\cdot \textbf{x}^\prime (t) =\color{red}{\nabla_{\textbf{x}^\prime(t)}f(\textbf{x}(t))}$$

• $\textbf{x}^\prime (t)$ : tangent vector of $\textbf{x}(t)$
• 즉, $\textbf{x}$의 미세한 이동에 대한 directional derivative가 됨.

chain rule의 vector form은 다음 동영상을 참고: https://youtu.be/qZlBjnC3iro

chain rule과 directional derivative의 관계는 다음 동영상을 참고.: https://youtu.be/m2mW2FQJgEE

 

$n$-dimensional vector $\bf{x}$들의 각 component까지

$x_i(\textbf{t})$라는 multi-variate function로 확장 (여기서 $\bf{t}$는 $m$-dimentional vector)할 경우,

$\bf{x}$를 input으로 하는 multi-variate function $z=f(\textbf{x})$의

$t_j$에 대해 partial derivative는 다음과 같이 구해짐.

 

$$\frac{\partial z}{\partial t_j}=\displaystyle \sum_{i=1}^n \frac{\partial f}{\partial x_i} \frac{\partial x_i}{\partial t_j}$$

$$\text{where }z=f(\textbf{x}), \textbf{x}=\langle x_1(\textbf{t}), \dots, x_n(\textbf{t}) \rangle, \textbf{t}=\langle t_1, \dots, t_m \rangle$$

 

어느 경우나, outside function을 먼저 처리하고 나서, inside function을 처리하고 이들을 곱하는 형태임.

---

ML에서의 사용법.

Deep Artificial Neural Network의 경우, Training에서 사용하는 Backpropagation을 가능하게 해주는 핵심요소임.

---

Reference

https://www.khanacademy.org/math/differential-calculus/dc-chain/dc-chain-rule/v/chain-rule-introduction

Chain rule (video) | Khan Academy

https://youtu.be/NO3AqAaAE6o

 

https://dsaint31.github.io/math/math-week03/

[Math] Week 03

---