Valeurs propres et vecteurs propres -- L'empreinte d'une matrice
Lorsqu'une matrice agit sur la plupart des vecteurs, elle modifie à la fois leur direction et leur longueur.
Mais il y a toujours certains vecteurs dans des « directions spéciales »dont la direction reste inchangée après l'action de la matrice, seule la longueur changeCe sont les vecteurs propres, et le facteur d'échelle est la valeur propre.
Formule clé : \( A\mathbf{v} = \lambda \mathbf{v} \)
- \( \mathbf{v} \): vecteur propre (non nul), dont la direction reste inchangée après transformation
- \( \lambda \): valeur propre, représentant le facteur par lequel v est étiré
λ > 0
Étirement/contraction dans la même direction
La direction reste inchangée
λ < 0
Étirement/contraction dans la direction opposée
La direction est complètement inversée
Une matrice n×n a au plus n vecteurs propres linéairement indépendants.
Les valeurs propres d'une matrice symétrique sont toujours réelles — c'est l'une des raisons pour lesquelles les matrices symétriques sont si importantes.
Exemples du quotidien
Étirement d'une membrane en caoutchouc
Une membrane en caoutchouc est étirée d'un facteur 2 horizontalement, tandis que la direction verticale reste inchangée.
Une flèche dans la direction horizontale (par ex., (1,0)) est étirée en (2,0), mais sa direction reste inchangée — c'est un vecteur propre, λ=2.
Une flèche dans la direction verticale (par ex., (0,1)) est complètement inchangée — c'est aussi un vecteur propre, λ=1.
Une flèche diagonale (par ex. (1,1)) change de direction — ce n’est pas un vecteur propre.
Définition mathématique
\[ A\mathbf{v} = \lambda \mathbf{v} \quad \Leftrightarrow \quad (A - \lambda I)\mathbf{v} = 0 \]Condition d’existence d’une solution non nulle : \( \det(A - \lambda I) = 0 \) (équation caractéristique).
Exercice pratique Python
Exemple
A = np.array([[2, 0], [0, 1]]) # Étirer 2x horizontalement, inchangé verticalement
eigenvalues, eigenvectors = np.linalg.eig(A)
print("Valeurs propres :", eigenvalues) # [2. 1.]
print("Vecteurs propres (colonnes) :\n", eigenvectors)
# Vérifier Av = λv
for i in range(2):
v = eigenvectors[:, i]
lam = eigenvalues[i]
print(f"\nVérifier le vecteur propre {i+1} :)
print(f" A @ v = {A @ v}")
print(f" λ * v = {lam * v}")
print(fÉgal : {np.allclose(A @ v, lam * v)})
# Les valeurs propres d'une matrice symétrique sont toutes réelles
S = np.array([[1, 4], [4, 2]])
print(f"\nValeurs propres de la matrice symétrique S : {np.linalg.eigvals(S)} (toutes réelles))
特征值: [2. 1.] 特征向量 (列): [[1. 0.] [0. 1.]] 验证特征向量1: A@v=[2. 0.], λv=[2. 0.], 相等: True 对称矩阵 S 的特征值: [ 5. -2.](全实数)
Démonstration interactive de vecteur propre
Faites glisser le vecteur bleu v et observez la transformation Av (ligne rouge en pointillés) par la matrice A = [[2,0],[0,1]].
Lorsque v est horizontal ou vertical, Av est colinéaire à v — ce sont les directions des vecteurs propres :
Scénarios d'application en IA
Réduction de dimension par ACP
Calculez les valeurs propres et les vecteurs propres de la matrice de covariance des données. Les vecteurs propres correspondant aux k plus grandes valeurs propres sont les k directions (composantes principales) ayant la plus grande variance des données. Projetez les données sur ces directions et écartez les directions à faible variance pour obtenir une réduction de dimension. Réduire des images MNIST de dimension 784 à 50 dimensions préserve encore environ 90 % des informations.
Normalisation spectrale
Dans l'entraînement des GAN, la matrice de poids du discriminateur est normalisée spectralement à chaque étape : W ← W / \sigma_{max}(W), où \sigma_{max} est la plus grande valeur singulière (pour une matrice carrée, cela équivaut à la valeur absolue de la plus grande valeur propre). Cela garantit que le discriminateur est 1-Lipschitz, stabilise l'entraînement et réduit l'effondrement des modes.
Méthodes spectrales pour les réseaux neuronaux de graphes
Les valeurs propres et les vecteurs propres de la matrice laplacienne du graphe L = D - A (D est la matrice diagonale des degrés, A est la matrice d'adjacence) définissent la transformée de Fourier sur les graphes. GCN (Graph Convolutional Network) effectue une convolution dans ce domaine spectral — bien que les GCN modernes utilisent principalement des méthodes du domaine spatial, la méthode spectrale en est le fondement théorique.
Autres extensions