6.40 특이값의 기하학적 의미

1. 선형 사상으로서의 행렬

$m \times n$ 실수 행렬 $A$ 는 $\mathbb{R}^n$ 에서 $\mathbb{R}^m$ 으로의 선형 사상 $T_A: \mathbf{x} \mapsto A\mathbf{x}$ 를 정의한다. 특이값 분해 $A = U\Sigma V^\top$ 는 이 선형 사상을 세 단계의 단순한 작용으로 분해한다. 첫 번째는 정의역에서의 정규 직교 회전 $V^\top$ , 두 번째는 좌표축을 따른 비등방 신축 $\Sigma$ , 그리고 세 번째는 공역에서의 정규 직교 회전 $U$ 이다. 이 분해는 임의의 선형 사상이 본질적으로 회전과 비등방 신축의 결합임을 보여 주며, 특이값은 그 신축의 정량적 척도이다.

2. 단위 구의 상

특이값의 기하학적 의미를 가장 명확하게 드러내는 결과는 단위 구의 상에 관한 다음 정리이다.

정리. $A \in \mathbb{R}^{m \times n}$ 를 랭크 $r$ 의 행렬이라 하자. 정의역 $\mathbb{R}^n$ 의 단위 구

$S^{n-1} = \{\mathbf{x} \in \mathbb{R}^n : \|\mathbf{x}\| = 1\}$

의 선형 사상 $T_A$ 에 의한 상 $T_A(S^{n-1}) \subset \mathbb{R}^m$ 는 $r$ 차원 초타원체(hyperellipsoid)이다. 이 초타원체의 주축은 좌특이벡터 $\mathbf{u}_1, \mathbf{u}_2, \ldots, \mathbf{u}_r$ 의 방향을 향하며, 각 주축의 반지름은 대응하는 특이값 $\sigma_1, \sigma_2, \ldots, \sigma_r$ 과 일치한다.

증명의 개요. 임의의 $\mathbf{x} \in S^{n-1}$ 에 대하여 $\mathbf{y} = A\mathbf{x}$ 라 하자. $\mathbf{x} = V\boldsymbol{\xi}$ 로 치환하면 $V$ 의 직교성에 의하여 $\boldsymbol{\xi}$ 도 단위 벡터이다. 그러면

$\mathbf{y} = U\Sigma V^\top V \boldsymbol{\xi} = U \Sigma \boldsymbol{\xi}$

이다. $\mathbf{z} = U^\top \mathbf{y}$ 라 하면 $\mathbf{z} = \Sigma \boldsymbol{\xi}$ 이며, 즉 $z_i = \sigma_i \xi_i$ ( $1 \leq i \leq r$ )이고 $z_i = 0$ ( $i > r$ )이다. $\boldsymbol{\xi}$ 의 단위성은

$\sum_{i=1}^{n} \xi_i^2 = 1 \implies \sum_{i=1}^{r} \frac{z_i^2}{\sigma_i^2} \leq 1$

으로 변환되며, 등호는 $\xi_{r+1} = \cdots = \xi_n = 0$ 일 때 성립한다. 따라서 $\mathbf{z}$ 의 자취는 $r$ 차원 좌표 평면 위의 초타원체이고, 이를 $U$ 로 회전한 결과가 $\mathbf{y}$ 의 자취이다. $\blacksquare$

3. 우특이벡터와 좌특이벡터의 기하학적 역할

특이값 분해에서 좌특이벡터와 우특이벡터는 다음과 같은 명확한 기하학적 역할을 수행한다.

우특이벡터 $\mathbf{v}_i$ : 정의역 $\mathbb{R}^n$ 에서의 방향으로, 사상 $T_A$ 에 의하여 정확히 $\sigma_i$ 의 비율로 신축되며 좌특이벡터 $\mathbf{u}_i$ 의 방향으로 사상된다.
좌특이벡터 $\mathbf{u}_i$ : 공역 $\mathbb{R}^m$ 에서의 방향으로, 우특이벡터 $\mathbf{v}_i$ 의 상이 향하는 방향이다.

이 관계는 $A\mathbf{v}_i = \sigma_i \mathbf{u}_i$ ( $1 \leq i \leq r$ )와 $A\mathbf{v}_i = \mathbf{0}$ ( $i > r$ )로 요약된다. 즉, 우특이벡터는 정의역의 정규 직교 기저를 제공하고, 좌특이벡터는 공역의 정규 직교 기저를 제공하며, 두 기저 사이에서 사상은 단순한 좌표축별 신축으로 표현된다.

4. 가장 큰 특이값과 최대 신축

가장 큰 특이값 $\sigma_1$ 은 사상 $T_A$ 가 단위 벡터에 가할 수 있는 최대 신축의 양과 일치한다.

$\sigma_1 = \max_{\|\mathbf{x}\|=1} \|A\mathbf{x}\| = \|A\|_2$

이를 달성하는 방향은 첫 번째 우특이벡터 $\mathbf{v}_1$ 이며, 그 결과 벡터는 $\sigma_1 \mathbf{u}_1$ 이다. 가장 큰 특이값은 행렬의 스펙트럼 노름과 일치하므로, 입력의 최대 증폭률을 정량화한다. 이는 시스템의 이득과 안정성 평가에서 핵심적인 양이다.

5. 가장 작은 특이값과 최소 신축

가장 작은 양의 특이값 $\sigma_r$ 은 사상이 가질 수 있는 최소 신축에 대응한다. 정사각 가역 행렬의 경우 $\sigma_n$ 은 단위 벡터를 가장 적게 신축하는 양과 일치한다.

$\sigma_n = \min_{\|\mathbf{x}\|=1} \|A\mathbf{x}\|$

가장 작은 특이값이 작을수록 행렬은 특이에 가까우며, 역행렬은 큰 노름을 가진다. 정확히는

$\|A^{-1}\|_2 = \frac{1}{\sigma_n}$

이 성립한다. 직사각 행렬의 경우에도 $\sigma_r$ 은 행렬이 정의역의 행 공간 방향에서 가지는 최소 작용 강도를 나타낸다.

6. 조건수의 기하학적 의미

행렬의 2-노름 조건수는 다음과 같이 정의된다.

$\kappa_2(A) = \frac{\sigma_1}{\sigma_n}$

기하학적으로 조건수는 단위 구의 상으로 얻어지는 초타원체의 가장 긴 주축과 가장 짧은 주축의 길이의 비이다. 조건수가 클수록 초타원체는 길게 늘어진 형상을 가지며, 행렬은 일부 방향에서 매우 강하게 작용하면서 다른 방향에서는 매우 약하게 작용한다. 이는 수치적으로 병조건임을 의미하며, 입력의 작은 오차가 출력에서 크게 증폭될 수 있음을 함의한다.

7. 부피 변화와 행렬식

정사각 행렬 $A \in \mathbb{R}^{n \times n}$ 의 행렬식의 절댓값은 사상이 부피를 변화시키는 비율과 같다.

$\vert \det A \vert = \prod_{i=1}^{n} \sigma_i$

이는 단위 정육면체의 상이 부피 $\prod_{i=1}^{n} \sigma_i$ 의 평행육면체임을 의미한다. 더 일반적으로 $r$ 차원 부피의 변화율은 처음 $r$ 개의 특이값의 곱과 관련되며, 이를 야코비 부피 인수(Jacobian volume factor)라 부른다.

8. 영 공간과 직교성

특이값 분해는 행렬의 영 공간과 행 공간의 기하학적 구조를 명확하게 드러낸다. 우특이벡터 $\mathbf{v}_{r+1}, \ldots, \mathbf{v}_n$ 은 영 공간의 정규 직교 기저를 이루며, 우특이벡터 $\mathbf{v}_1, \ldots, \mathbf{v}_r$ 은 행 공간(즉, 영 공간의 직교 보수)의 정규 직교 기저를 이룬다. 마찬가지로 좌특이벡터 $\mathbf{u}_1, \ldots, \mathbf{u}_r$ 은 열 공간의 정규 직교 기저를 이루고, $\mathbf{u}_{r+1}, \ldots, \mathbf{u}_m$ 은 좌영 공간의 정규 직교 기저를 이룬다.

이러한 직교 분해는 임의의 벡터를 행 공간 성분과 영 공간 성분으로 분리하거나, 임의의 벡터를 열 공간 성분과 좌영 공간 성분으로 분리할 수 있게 한다. 이는 최소 제곱 문제와 의사 역행렬의 기하학적 해석의 토대를 제공한다.

9. 특이값의 단조 감소와 정보의 우선순위

특이값 분해에서 특이값들은 항상 내림차순으로 정렬된다.

$\sigma_1 \geq \sigma_2 \geq \cdots \geq \sigma_r > 0$

이 순서는 우연이 아니라 본질적인 의미를 가진다. 가장 큰 특이값에 대응하는 특이벡터는 행렬이 담고 있는 정보의 가장 중요한 성분을 표현하며, 점차 작아지는 특이값들은 점차 덜 중요한 성분에 대응한다. 이 순서적 구조는 차원 축소와 저랭크 근사에서 정보의 우선순위를 결정하는 자연스러운 기준을 제공한다.

10. 회전과 신축의 분리: 극분해와의 관계

특이값 분해는 정사각 행렬에 대한 극분해(polar decomposition)와 밀접한 관계를 가진다. $A \in \mathbb{R}^{n \times n}$ 가 가역인 경우 다음과 같이 표현될 수 있다.

$A = QP, \qquad Q = UV^\top, \quad P = V\Sigma V^\top$

여기서 $Q$ 는 직교 행렬이고 $P$ 는 대칭 양정치 행렬이다. 이 분해는 사상 $T_A$ 가 먼저 대칭 변환 $P$ 에 의한 비등방 신축을 수행한 후 회전 $Q$ 에 의하여 회전됨을 의미한다. 이는 강체 변형에서 변형 텐서와 회전 텐서를 분리하는 데 이용되며, 연속체 역학과 강체 변형 해석에서 핵심적이다.

11. 응력과 변형의 기하학적 해석

연속체 역학에서 변형 구배 텐서 $\mathbf{F}$ 의 특이값 분해는 변형의 기하학적 의미를 명확하게 드러낸다. 특이값들은 주변형률(principal stretches)과 일치하며, 우특이벡터는 변형 전 좌표계에서의 주방향, 좌특이벡터는 변형 후 좌표계에서의 주방향을 나타낸다. 이는 강체 회전과 순수 변형을 분리하는 데 활용된다.

12. 로봇공학에서의 응용

12.1 가조작성 타원체

로봇 매니퓰레이터의 자코비안 행렬 $J(\mathbf{q})$ 의 특이값 분해는 가조작성 타원체의 형상을 직접 결정한다. 이 타원체는 단위 관절 속도가 만들어 낼 수 있는 작업 공간 속도들의 집합으로 정의되며, 그 주축은 좌특이벡터 방향을, 주축 길이는 특이값의 크기와 일치한다. 가장 긴 축은 로봇이 가장 빠르게 움직일 수 있는 방향을, 가장 짧은 축은 가장 느리게 움직이는 방향을 나타낸다.

12.2 특이 형상의 검출

자코비안의 가장 작은 특이값이 영에 가까워지면 로봇은 특이 형상에 접근하고 있다. 이 경우 가조작성 타원체는 한 축이 매우 짧아져 디스크 또는 선분 형태로 퇴화하며, 일부 작업 공간 방향으로의 운동이 사실상 불가능해진다. 가장 작은 특이값을 실시간으로 감시함으로써 특이 형상 회피 제어를 구현할 수 있다.

12.3 힘 조작성 타원체

자코비안의 전치 $J^\top$ 는 작업 공간의 힘을 관절 토크로 사상하며, 그 특이값 분해는 힘 조작성 타원체를 정의한다. 흥미로운 점은 운동 조작성 타원체의 긴 축 방향이 힘 조작성 타원체의 짧은 축 방향과 일치한다는 것이다. 즉, 빠르게 움직일 수 있는 방향에서는 큰 힘을 발휘하기 어렵고, 그 반대 또한 성립한다. 이는 작업 계획과 도구 설계에서 중요한 절충 관계이다.

12.4 정합 정확도 분석

스테레오 비전과 점 구름 정합에서 사용되는 호모그래피 행렬과 본질 행렬의 특이값 분해는 정합의 안정성을 평가하는 척도를 제공한다. 특이값의 분포가 균등할수록 정합은 안정적이며, 한 특이값이 다른 것에 비하여 매우 작으면 추정된 변환이 특정 방향에서 신뢰할 수 없음을 의미한다.

12.5 칼만 필터의 공분산 시각화

칼만 필터의 상태 공분산 행렬은 대칭 양반정치 행렬이며, 그 특이값 분해는 불확실성 타원체의 형상을 결정한다. 가장 큰 특이값의 방향은 가장 큰 추정 불확실성의 방향을, 가장 작은 특이값의 방향은 가장 잘 추정되는 방향을 나타낸다. 이는 능동적 측정 계획과 센서 배치 최적화에 활용된다.

12.6 모델 차수 축약과 한켈 특이값

선형 동역학 시스템의 한켈 행렬에 대한 특이값 분해에서 얻어지는 한켈 특이값은 입력으로부터 출력에 이르는 에너지 전달의 척도이다. 가장 작은 한켈 특이값에 대응하는 모드는 시스템의 동특성에 거의 기여하지 않으므로 안전하게 제거할 수 있으며, 이는 균형 절단을 통한 차수 축약의 이론적 근거를 제공한다.

참고문헌

Strang, G. (2023). Introduction to Linear Algebra (6th ed.). Wellesley-Cambridge Press.
Trefethen, L. N., & Bau, D. (2022). Numerical Linear Algebra (25th Anniversary ed.). SIAM.
Golub, G. H., & Van Loan, C. F. (2013). Matrix Computations (4th ed.). Johns Hopkins University Press.
Horn, R. A., & Johnson, C. R. (2013). Matrix Analysis (2nd ed.). Cambridge University Press.
Lynch, K. M., & Park, F. C. (2017). Modern Robotics: Mechanics, Planning, and Control. Cambridge University Press.
Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2010). Robotics: Modelling, Planning and Control. Springer.

Version: 1.0