LINEAR ALGEBRA ARCHIVE DOC_ID: MATH-SVD-2026 공간의 변환과 분해 : SVD(Singular Value Decomposition) "모든 행렬은 회전, 확대, 그리고 다시 회전의 결합으로 설명될 수 있습니다." [10년 차 몬이 샘의 교실 이야기: 정보의 핵심] "선생님, 이 사진 용량이 너무 커서 전송이 안 돼요. 화질은 비슷하면서 용량만 줄일 수는 없나요?" 이미지 파일을 다루는 학생의 질문에 저는 칠판 가득 숫자가 적힌 커다란 행렬을 하나 그렸습니다. "얘들아, 이 행렬이 바로 사진이야. 수만 개의 숫자가 들어있지. 하지만 이 중에는 정말 중요한 숫자도 있지만, 없어도 사진을 알아보는 데 지장이 없는 사소한 숫자들도 있단다. SVD는 이 거대한 행렬에서 '핵심 뼈대'만 골라내는 기술이야. 뼈대만 남기고 나머지를 버리면, 용량은 10분의 1이 되면서도 우리 눈엔 똑같은 사진처럼 보이게 되지." 수학이 단순히 추상적인 기호가 아니라, 우리가 매일 사용하는 스마트폰 안에서 정보를 선별하고 압축하는 '필터'라는 사실을 깨닫는 순간, 수학을 대하는 아이들의 태도는 완전히 달라집니다. 01 특잇값 분해의 정의: $A = U\Sigma V^T$ 고유값 분해(Eigendecomposition)가 정사각 행렬에서만 가능하다면, 특잇값 분해(SVD)는 모든 $m \times n$ 행렬에 대해 정의될 수 있는 가장 일반화된 행렬 분해 기법입니다. ...