[LA] Matrix-Vector Multiplication

Matrix-Vector Multiplication

Linear Transform

Matrix와 vector의 곱은 일종의 Linear Transformation으로 볼 수 있음.

• 곱해지는 Vector를 Matrix가 나타내는 Linear Transformation 처리하는 것으로 볼 수 있음.
• Matrix $A$ 와 vector $\mathbf{x}$ 의 곱 $\mathbf{y} = A\mathbf{x}$ 를 linear transform으로 직관적인 해석이 가능함.

https://dsaint31.tistory.com/698#Linear%20Transformation-1-2

[LA] Linear Transformation

 

이는 matrix $A$ 와의 곱을 vector 공간에서 다른 vector 공간으로의 변환 으로 해석하는 것임.

• Matrix $A$:
  • $A$는 $m \times n$ matrix로,
  • $n$-차원 공간에서 $m$-차원 공간으로의 linear transform에 해당.
  • $A$의 각 column vector들은 대응되는 element basis vector ($[1 0 0]^T$ 등)들의 linear transform의 결과라고 볼 수 있음.
• Vector $\mathbf{x}$:
  • $\mathbf{x}$는 $n$-차원의 vector.
• Result $\mathbf{y}$:
  • $\mathbf{y} = A\mathbf{x}$는 $m$-차원의 vector.
  • $\mathbf{x}$가 $A$에 의해 변환된 결과 vector임.

이 관점에서 matrix-vector 곱은 다음과 같이 이해할 수 있음:

• $A$는 대응되는 element basis vector를 새로운 공간으로 매핑한 결과 vector들을 column으로 가짐:
  • $A= [ T(\mathbf{e}_1) \cdots T(\mathbf{e}_n) ]$
  • 증명: https://youtu.be/_ulDhKxw7S8?si=ADEh2MJfqJXRray-
• 각 basis vector에 대한 매핑 결과를 합산하여 $\mathbf{x}$의 변환 결과를 구함.

https://youtu.be/35ESC-g49fY?si=JVxz76qhe1ofAGa-

 

예를 들어,

• 2차원 공간에서 3차원 공간으로의 변환을 나타내는 matrix $A$가 주어지고,
• $\mathbf{x}$가 2차원 vector라면,
• $\mathbf{y} = A\mathbf{x}$는 3차원 vector가 됨.

https://youtu.be/-NrcpmyKAj8?si=SkwUOR2Fxa05c1rd

 

이는

• $\mathbf{x}$의 각 성분을 weight로 하는
• $A$의 각 column vector들의 weighted sum(=linear combination)을 결과로 반환함 

(이는 다음의 column space 와 linear combination 으로 이어짐).

---

Column Space 와 Linear Combination

Matrix $A$ 와 vector $\mathbf{x}$의 곱 $\mathbf{y} = A\mathbf{x}$를

column space와 linear combination의 관점에서 해석하는 방법.

이 해석은 matrix-vector 곱의 결과가
Matrix $A$의 column vectors 의 span에 속하게 됨을 보다 확실히 함.

• Matrix $A$:
  • $A$의 열 벡터들을 $\mathbf{a}_1, \mathbf{a}_2, \ldots, \mathbf{a}_n$ 의 모음으로 해석.
• Vector $\mathbf{x}$:
  • $\mathbf{x}$의 성분은 $x_1, x_2, \ldots, x_n$ 임.
• Result $\mathbf{y}$:
  • $\mathbf{y} = A\mathbf{x}$는 $\mathbf{a}_i$들의 linear combination으로 표현됩 가능.

이 관점에서 matrix-vector 곱은 다음과 같이 이해할 수 있습니다:

$$
\mathbf{y} = A\mathbf{x} = \begin{bmatrix} \mathbf{a}_1 & \mathbf{a}_2 & \cdots & \mathbf{a}_n \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix} =
x_1 \mathbf{a}_1 + x_2 \mathbf{a}_2 + \cdots + x_n \mathbf{a}_n
$$

즉, matrix $A$의 각 column vector $\mathbf{a}_i$에 $\mathbf{x}$의 대응하는 해당 성분 $x_i$를 곱한 후,
이를 모두 합산한 것이 결과 vector $\mathbf{y}$임.

이는 $\mathbf{x}$를 이용하여 $A$의 column vectors의 linear combination(선형 결합)을 구성하는 과정으로 볼 수 있음.

https://youtu.be/Lo8FsB1anzQ?si=r50zSYWJo3GIOMvX&t=499

 

---

Row Space와 Dot Product (내적)의 관점

Matrix $A$와 vector $\mathbf{x}$의 곱 $\mathbf{y} = A\mathbf{x}$를
row space와 dot product의 관점에서 해석하는 방법임.

 

컴퓨터 도움없이 손으로 계산할 때
matrix-vector곱의 결과를 구하는 경우 
(matrix-matrix 곱의 계산 포함)에
가장 많이 사용되는 해석.

 

• Matrix $A$:
  • $A$를 row vectors $\mathbf{r}_1, \mathbf{r}_2, \ldots, \mathbf{r}_m$ 의 모음으로 봄.
• Vector $\mathbf{x}$:
  • $\mathbf{x}$는 $n$-차원의  column vector.
• Result $\mathbf{y}$:
  • $\mathbf{y} = A\mathbf{x}$의 각 성분 $y_i$는 $\mathbf{r}_i$와 $\mathbf{x}$의 dot product로 계산.

이 관점에서 matrix-vector 곱은 다음과 같이 이해할 수 있습니다:
$$
\mathbf{y} = A\mathbf{x} =
\begin{bmatrix} \mathbf{r}_1 \\ \mathbf{r}_2 \\ \vdots \\ \mathbf{r}_m \end{bmatrix}
\mathbf{x} = \begin{bmatrix} \mathbf{r}_1\cdot\mathbf{x} \\ \mathbf{r}_2\cdot\mathbf{x} \\ \vdots \\ \mathbf{r}_m\cdot\mathbf{x} \end{bmatrix}
\\
y_i = \mathbf{r}_i \cdot \mathbf{x}
$$

즉, $\mathbf{y}$ 의 각 성분 $y_i$는

• $A$ 의 row vector $\mathbf{r}_i$ 와 vector $\mathbf{x}$의 내적(dot product)으로 계산됨.
• $\mathbf{x}$를 각 row vector에 투영하여 결과를 구하는 과정으로 볼 수 있음.

---

Sum of Rank-1 Outer Products

Matrix와 vector의 곱을 rank-1 outer products의 sum(합) 으로 해석.

2024.07.08 - [.../Linear Algebra] - [LA] Rank: Matrix의 속성

[LA] Rank: Matrix의 속성

---

이 해석은 matrix $A$를 여러 개의 rank-1 matrix의 합으로 분해하는 방법에 기초함.

• Rank-1 Outer Product:
  • 두 vector $\mathbf{u}$ 와 $\mathbf{v}$ 의 outer product $\mathbf{u} \mathbf{v}^T$는 rank-1 matrix를 형성
  • 이 matrix는 $\mathbf{u}$의 각 성분에 $\mathbf{v}$의 각 성분을 곱한 결과로 구성됨.
• Matrix $A$:
  • $A$는 여러 개의 rank-1 outer product의 합으로 표현될 수 있음.
  • 예를 들면  다음과 같음
  • $$\begin{aligned}A &= \sum_{i} \mathbf{u}_i \mathbf{v}_i^T \\ &= \begin{bmatrix} \textbf{u}_1 & \cdots & \textbf{u}_n \end{bmatrix} \begin{bmatrix} \textbf{v}_1^T \\ \vdots \\ \textbf{v}_n^T\end{bmatrix}\end{aligned}$$
  • $n$개의 column vector $\textbf{u}_i$로 구성된 matrix 와 $n$개의 row vector $\textbf{v}_i$로 구성된 matrix의 곱이 $A$이며, 앞 matrix의 column vector와 뒤 matrix의 row vector의  rank1 outer product들을 더한 것이 바로 $A$임.
• Vector $\mathbf{x}$:
  • $\mathbf{x}$는 $n$-차원의 vector임.

예제

---

이 관점에서 matrix-vector 곱 $\mathbf{y} = A\mathbf{x}$ 는 다음과 같이 이해할 수 있음:

• $A$를 rank-1 outer product의 합으로 분해한 후,
• 각 rank-1 matrix $\mathbf{u}_i \mathbf{v}_i^T$가 $\mathbf{x}$에 곱해져서 개별적으로 변환된 결과들을 합산.

예를 들어, $A$ 가 두 개의 rank-1 matrix의 합으로 구성된 경우:
$$
A = \mathbf{u}_1 \mathbf{v}_1^T + \mathbf{u}_2 \mathbf{v}_2^T
$$

이때 $\mathbf{x}$ 에 대한 곱은 다음과 같이 표현됨:

$$\mathbf{y} = A\mathbf{x}
= (\mathbf{u}_1 \mathbf{v}_1^T + \mathbf{u}_2 \mathbf{v}_2^T)\mathbf{x}
= \mathbf{u}_1 (\mathbf{v}_1^T \mathbf{x}) + \mathbf{u}_2 (\mathbf{v}_2^T \mathbf{x})
$$

이 해석을 통해, matrix-vector 곱이 각 rank-1 변환의 결과를 합산한 것임을 알 수 있습니다.

 

PCA(Principal Component Analysis), SVD(Singular Vector Decomposition)는
Sum of Rank 1 Outer Productions에 기반함.

 

https://youtu.be/Lo8FsB1anzQ?si=JDBagLScxLbKEmUa&t=428

 

---

Eigenvector와 Eigenvalue의 관점

Matrix와 vector의 곱을 eigenvector와 eigenvalue의 관점에서 해석.

이 방법은 주로 square matrix $A$의 경우에 적용됨.

• Eigenvector:
  • $\mathbf{v}$ 가 matrix $A$ 의 eigenvector라면,
  • $A\mathbf{v} = \lambda \mathbf{v}$를 만족함.
  • 여기서 $\lambda$는 eigenvalue 임.
• Diagonalization:
  • 만약 $A$ 가 대각화 가능(Diagonalizable)한 matrix라면,
  • $A = PDP^{-1}$로 표현될 수 있음.
  • 여기서 $D$는 diagonal matrix이고,
  • $P$는 eigenvector들을 column으로 삼는 matrix임.
• Vector $\mathbf{x}$:
  • $\mathbf{x}$는 $\mathbf{x} = P\mathbf{c}$로 표현될 수 있음.
  • 여기서 $\mathbf{c}$는 eigenvector 기반 좌표계에서의 표현임.

이 관점에서 matrix-vector 곱은 다음과 같이 해석할 수 있음:

$$
A\mathbf{x} = A(P\mathbf{c}) = (PDP^{-1})(P\mathbf{c}) = PD\mathbf{c}
$$

이 과정에서 $A$의 변환이 eigenvector와 eigenvalue를 이용하여 단순화되는 것을 볼 수 있음.
특히, Diagonal matrix $D$의 multiplicationi(곱셈)은 매우 간단하므로 계산이 용이해짐.

2024.11.06 - [.../Linear Algebra] - [LA] Eigenvalue and Eigenvector

[LA] Eigenvalue and Eigenvector

 

2022.11.17 - [.../Linear Algebra] - [LA] Diagonalization (Eigen-Decomposition), Orthogonal Diagonalization, and Symmetric Matrix

[LA] Diagonalization (Eigen-Decomposition), Orthogonal Diagonalization, and Symmetric Matrix

---

---

Matrix와 vector의 곱을 다양한 관점에서 해석하는 것은 선형 변환의 본질을 깊이 이해하는 데 도움이 됨.

위에서 설명한 여러 관점들은 각각의 특성을 강조하며, 다양한 상황에서 유용하게 활용될 수 있음:

1. Linear Transform: 공간 변환으로 해석.
2. Column Space와 Linear Combination: 열 벡터들의 선형 결합으로 해석.
3. Row Space와 Dot Product: 행 벡터와의 내적으로 해석.
4. Rank-1 Outer Products: 여러 rank-1 변환의 합으로 해석.
5. Eigenvector와 Eigenvalue: eigenvector와 eigenvalue를 이용한 변환으로 해석.

---

같이보면 좋은 자료들

다음 URL은 관련된 subspace들을 살펴보는 글임.

2025.02.06 - [.../Linear Algebra] - [LA] A $\mathbf{x}=\mathbf{b}$ 에서의 4개의 Subspace 와 Complete Solution

[LA] A $\mathbf{x}=\mathbf{b}$ 에서의 4개의 Subspace 와 Complete Solution