행렬은 행렬의 열공간(span of column vectors, or column space)으로의 선형변환으로 해석할 수 있다.

주어진 벡터 를 행렬을 통해 선형변환할 때, 벡터
의 단위기저(
)는 행렬의 열벡터(
)로 변환된다.
반대로 역행렬은 행렬의 열공간으로부터 원래공간(단위기저가 인)으로의 선형변환을 의미한다.
이 과정에서 단일 기저와 선형변환에 의해 변환된 기저 간 scaler가 determinant가 된다.
이 블로그에서 이에 대해 좋은 시각화자료를 안내한다.
역행렬이 존재하지 않는다는 건 무엇을 의미할까?
이는 기존 공간에서 행렬의 열공간으로 사상할 때 열공간의 기저가 이루는 단위 넓이()가 0이라는 것을 의미한다.
다시 말해, 에서
가 행렬의 열공간 내에 위치하지 않는다는 것을 말한다.
표현이 다소 어려울 수 있지만 우린 어떤 물건(3차원)을 손실없이 그림(2차원)으로 표현하는 게 불가능하다는 것을 이미 알고있다.

그렇다면 유사역행렬은 어떻게 해석할 수 있을까?
유사역행렬은 행렬의 열공간에 나타내지 못하는 벡터를 어떻게든 행렬의 열공간에 표현하려는 시도의 결과이다.
가장 단순한 시도로는 벡터를 행렬의 열공간에 사영(projection)하여 나타내는 것을 생각해볼 수 있는데, 이것이 바로 유사역행렬의 실체이다.
이에 따라 유사역행렬이 모든 행렬에 대해 유일하게 존재하고, 역행렬이 존재하는 경우 역행렬과 유사역행렬이 동치라는 것이 자명해진다.

이를 수식으로 확인해보자.
우선 본래의 문제, 주어진 벡터 를
로 사영하는 행렬 A에 대해 행렬 A의 역행렬은 다음과 같이 구할 수 있다.
그러나 A의 역행렬이 존재하지 않는 경우 해가 존재하지 않거나 유일하지 않다.
이에 위에서 언급했듯 유사역행렬을 계산하여 해를 계산(근사)한다.에 대한 A의 열공간으로의 사영을
라 하자.
그 경우 는 A의 열공간에 속하게 되고 다음과 같이 A의 열벡터의 선형결합(
)으로 표현된다.
이 때, A의 열공간과 는 직교이다.
그러므로 A의 열공간과 의 관계는 다음과 같이 표현된다.
참고로 행렬 A가 선형독립이 아니라면 위의 과정 중 Gram Matrix 또한 선형독립이 아니게되어 역행렬이 존재하지 않는다.
이 점을 생각하면 모든 행렬에 대해 유사역행렬은 반드시 하나 존재한다는 명제는 거짓이다.
그럼에도 불구하고 다들 이 명제를 사용하는 것은 선형독립이 아닌 행렬 A의 영벡터행(Zero-row)을 제거해 선형독립으로 만들 수 있기 때문인 것으로 보인다.
썩 마음에 들진 않는다.
어쨋든 이처럼 유사역행렬 은
의 열공간에
를 사영했을 때의 벡터
에 대해
를 풀어내어 도출된다.
이에 대해서는 이 블로그에서 시각화 자료와 함께 매우 잘 설명되어있다.