부분공간 (Subspace)
쉽게 풀면
3차원 공간(가로·세로·높이가 있는 우리가 사는 공간)을 떠올려 보세요. 그 안에는 원점을 지나는 평평한 평면이나, 원점을 지나는 곧은 직선도 들어 있습니다. 이 평면이나 직선 위의 점들끼리만 더하거나 숫자를 곱해도 결과는 여전히 그 평면(또는 직선) 안에 머물러 있습니다. 이렇게 "큰 공간 안에 있으면서, 자기들끼리 연산해도 절대 밖으로 나가지 않는" 부분집합을 부분공간이라고 부릅니다. 반대로 원점을 지나지 않는 평면이나, 특정 범위(예: x가 0 이상인 부분)만 잘라낸 영역은 덧셈이나 뺄셈 결과가 그 영역을 벗어날 수 있어서 부분공간이 아닙니다. 핵심은 딱 두 가지 조건뿐입니다. 그 안의 두 원소를 더한 결과도 그 안에 있어야 하고, 그 안의 원소에 아무 숫자(스칼라)를 곱한 결과도 그 안에 있어야 한다는 것입니다.
왜 중요한가
부분공간 개념은 선형대수 자체를 넘어, 데이터를 더 낮은 차원에서 효율적으로 표현하고 분석하려는 여러 응용 분야의 이론적 토대가 됩니다. 머신러닝의 차원 축소와 특징 추출, 신호처리의 잡음 제거, 통계학의 회귀분석과 분산분석 모두 데이터나 해가 특정 부분공간에 속하거나 그 위로 투영된다는 아이디어를 공유합니다. 이 때문에 부분공간을 정확히 이해하는 것은 이들 분야의 방법론을 이해하는 데 필수적인 기초가 됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 원래 데이터가 놓여 있던 고차원 벡터공간 안에서, 정보 손실이 가장 적은 저차원 부분공간을 찾아내고 그 위로 데이터를 옮겨(투영해) 차원을 줄였다는 뜻입니다. 머신러닝, 신호처리, 계량경제학 논문에서 차원 축소나 특징 추출을 설명할 때 "부분공간"이라는 표현이 자주 등장합니다.
이 문장은 안테나 배열 신호처리에서 실제 신호가 담긴 성분과 잡음 성분이 서로 다른 부분공간을 이루도록 분해한 뒤, 신호 쪽 부분공간만 활용해 방향을 추정했다는 뜻입니다.
이 문장은 통계 모형에서 특정 제약을 만족하는 해들의 집합이 부분공간을 이루며, 그 차원의 크기가 모형이 가질 수 있는 자유도와 직결된다는 뜻입니다.
조금 더 깊게 보면
부분공간을 다룰 때는 그것을 이루는 최소한의 벡터 집합인 기저와, 그 기저에 속한 벡터의 개수인 차원을 함께 살펴보는 것이 일반적입니다. 여러 부분공간 사이의 관계를 다룰 때는 두 부분공간의 교집합과 합집합(합공간), 그리고 서로 겹치지 않으면서 전체 공간을 이루는 직합(direct sum) 같은 개념도 자주 등장합니다. 또한 데이터가 정확히 부분공간 위에 있지 않을 때는, 그 데이터에 가장 가까운 부분공간 위의 점을 찾는 직교 정사영이 최소제곱법이나 차원 축소 기법의 수학적 배경이 됩니다.
주의할 점
부분공간이 되려면 반드시 원점(영벡터)을 포함해야 합니다. 원점을 지나지 않는 평면이나 직선은 아무리 평평하고 곧아 보여도 부분공간이 아닙니다. 또한 부분공간의 "크기"를 이야기할 때는 기저와 차원 개념을 함께 사용하며, 여러 벡터가 부분공간을 이루는지 확인할 때는 그 벡터들이 선형독립과 선형결합인지도 함께 따져보게 됩니다.