[References]

1. 수치선형대수(Numerical Linear Algebra)

   http://matrix.skku.ac.kr/nla/

2. SVD (Singular Value Decomposition)

   [강의] https://youtu.be/7-qG-A8nXmo

특잇값 분해 (Singular Value Decomposition, SVD)

정리. 행렬 $A\in\mathbb{R}^{m\times n}$ (${\rm rank}(A)=k$)에 대하여 직교행렬 $U\in\mathbb{R}^{m\times m}$, $V\in\mathbb{R}^{n\times n}$가 존재하여 다음이 성립한다. 

    $A=U \Sigma V^T$     (이를 특잇값 분해 또는 간단히 SVD라고 한다.)

여기서 $\Sigma=\begin{bmatrix} \hat{\Sigma} \quad 0\\ 0 \quad 0 \end{bmatrix}\in\mathbb{R}^{m\times n}$이고, $\hat{\Sigma}={\rm diag}(\sigma_1, \sigma_2, \ldots, \sigma_k)$이다.

이때, $\sigma_1 \ge\sigma_2 \ge \cdots \ge \sigma_k>0$를 $A$의 특잇값(singular value)이라 하고,

$U=[{\bf u}_1\, {\bf u}_2\, \cdots\, {\bf u}_m]$의 열들을 $A$의 left singular vector, $V=[{\bf v}_1\, {\bf v}_2\, \cdots \, {\bf v}_n]$의 열들을 $A$의 right singular vector라고 한다. 

다음과 같이 행렬 $A$를 생각해보자. 이때 SVD를 구하려면 RDF 또는 CDF로 설정해야 한다.

$A$의 SVD를 계산한다. (수치적으로 계산)

$A=U \Sigma V^T$ 인지 확인해본다. (여기서는 $\|A-U \Sigma V^T\|_2$을 계산해본다.) 

특잇값 분해에 대하여 다음이 성립한다.

정리. 행렬 $A\in\mathbb{R}^{m\times n}$ (${\rm rank}(A)=k$)의 SVD가 다음과 같이 주어져 있다고 하자. 

    $A=U \Sigma V^T$

그러면 다음이 성립한다.

    (1)  $V^T(A^TA)V={\rm diag}(\sigma_1^2, \sigma_2^2, \ldots, \sigma_k^2, 0, \ldots, 0)_{n\times n}$

    (2)  $U^T(AA^T)U={\rm diag}(\sigma_1^2, \sigma_2^2, \ldots, \sigma_k^2, 0, \ldots, 0)_{m\times m}$

즉 $A^TA$의 고유값을 큰 순서대로 나타내었을 때, $k$개의 고유값은 특잇값의 제곱과 같다.

또한 즉 $AA^T$의 고유값을 큰 순서대로 나타내었을 때, $k$개의 고유값은 특잇값의 제곱과 같다.

특잇값 분해의 기타 자세한 내용은 다음을 참고하라. (8.6절 부분)

http://matrix.skku.ac.kr/LA-K/Ch-8/

*SVD의 응용예시: 이미지 프로세싱

http://matrix.skku.ac.kr/sglee/03-Note/IP/ImageProcessing.htm

(아래 SageMathCell에 실습해보세요)