고유값 분해 (Eigendecomposition)
쉽게 풀면
행렬을 그 행렬의 '본질적인 방향들(고유벡터)'과 '그 방향으로의 확대 비율(고유값)'로 완전히 풀어헤치는 작업이다. 이렇게 분해해두면 행렬의 거듭제곱 계산이나 행렬의 성질 분석이 훨씬 쉬워진다. 복잡한 기계의 부품을 낱낱이 분해해서 각 부품의 역할을 이해하는 것과 비슷하다.
왜 중요한가
고유값 분해는 주성분분석(PCA), 스펙트럴 그래프 이론, 동역학계의 안정성 분석, 양자역학의 연산자 이론 등 여러 응용 분야의 수학적 토대가 되기 때문에 이론뿐 아니라 응용 논문에서도 매우 광범위하게 등장합니다. 데이터의 분산 구조를 축약해서 이해하거나, 반복되는 시스템(마르코프 연쇄, 동역학 시스템 등)의 장기적 거동을 예측하는 데 핵심적으로 쓰이며, 행렬의 대칭성이나 정부호성 같은 성질을 판별하는 도구로도 활용됩니다. 이 때문에 통계학, 물리학, 공학, 컴퓨터과학 전반의 논문에서 데이터나 시스템을 분석하는 기본 수단으로 언급됩니다.
논문에서는 이렇게 쓰입니다
고유값 분해는 시스템의 장기적인 거동이나 안정성을 분석하는 데 자주 활용된다.
고차원 데이터 분석 연구에서는 변수 간 공분산 구조를 고유값 분해로 풀어내어 데이터를 저차원 공간으로 압축하는 주성분분석의 수학적 기반으로 활용하는 예입니다.
네트워크 과학·그래프 이론 연구에서는 그래프의 연결 구조를 나타내는 행렬을 고유값 분해함으로써, 노드들이 어떻게 군집을 이루는지 파악하는 스펙트럴 클러스터링의 근거로 삼는 예입니다.
조금 더 깊게 보면
고유값 분해가 항상 가능한 것은 아니지만, 대칭행렬(또는 에르미트 행렬)의 경우에는 항상 실수 고유값을 가지며 고유벡터들이 서로 직교하도록 분해할 수 있다는 스펙트럴 정리가 성립해 응용에서 특히 다루기 편리합니다. 정사각행렬이 아니거나 대각화가 불가능한 경우에는 대신 특이값분해(SVD)를 사용하는 경우가 많은데, 이는 고유값 분해를 일반화한 개념으로 볼 수 있습니다. 또한 실제 계산에서는 행렬 크기가 커질수록 모든 고유값을 직접 구하기보다, 크기가 큰 몇 개의 고유값과 고유벡터만 근사적으로 구하는 반복적 수치해석 기법(예: 거듭제곱법)이 흔히 사용됩니다.
주의할 점
모든 정사각행렬이 고유값 분해가 가능한 것은 아니며(대각화 불가능한 경우 존재), 실수 고유값을 갖지 않을 수도 있다.