伍德伯里矩陣恆等式（Woodbury matrix identity）

---

宜言飲酒，與子偕老。琴瑟在御，莫不靜好。

更多精彩內容請關注微信公眾號 “優化與算法”

在數學（特別是線性代數）中，Woodbury矩陣恆等式是以Max A.Woodbury命名的，它 可以通過對原矩陣的逆進行秩k校正來計算某個矩陣的秩k校正的逆。這個公式的另一個名字是矩陣逆引理，謝爾曼-莫里森-伍德伯里（Sherman–Morrison–Woodbury formula）公式或只是伍德伯里公式。然而，在伍德伯里發現之前，這一等式出現在其他文獻中。

1. 伍德伯里矩陣恆等式

\[\displaystyle \left(A+UCV\right)^{-1}=A^{-1}-A^{-1}U\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1} \]

其中\(A\)、\(U\)、\(C\) 和 \(V\)都表示適形尺寸的矩陣。具體來說，\(A\) 的大小為 \(n×n\)，\(U\) 為 \(n×k\)，\(C\) 為 \(k×k\)，\(V\) 為 \(k×n\)。

2. 擴展

不失一般性，可用單位矩陣替換矩陣A和C：

\[\displaystyle \left(I+UV\right)^{-1}=I-U\left(I+VU\right)^{-1}V \]

這里\(\displaystyle U=A^{-1}X\), \(\displaystyle V=CY\)。

這個等式本身可以看作是兩個簡單等式的組合，即等式

\[\displaystyle (I+P)^{-1}=I-(I+P)^{-1}P=I-P(I+P)^{-1} \]

和所謂的 push-through 等式

\[\displaystyle (I+UV)^{-1}U=U(I+VU)^{-1}$$的結合。 ## 3. 特殊情況 當 $\displaystyle V,U$ 是向量時，伍德伯里恆等式退化為謝爾曼-莫里森公式，在標量情況下，它（簡化版）只是： $$\displaystyle {\frac {1}{1+uv}}=1-{\frac {uv}{1+uv}}\]

如果 \(p=q\) 和 \(U=V=I_p\) 是單位矩陣，那么

\[\left({A}+{B}\right)^{-1} =A^{-1}-A^{-1}(B^{-1}+A^{-1})^{-1}A^{-1} \]

\[={A}^{-1}-{A}^{-1}\left({I}+{B}{A}^{-1}\right)^{-1}{B}{A}^{-1}. \]

繼續合並上述方程最右邊的項，就可以得到一下恆等式：

\[\displaystyle \left({A}+{B}\right)^{-1}={A}^{-1}-\left({A}+{A}{B}^{-1}{A}\right)^{-1} \]

此等式的另一個有用的形式是：

\[\displaystyle \left({A}-{B}\right)^{-1}={A}^{-1}+{A}^{-1}{B}\left({A}-{B}\right)^{-1} \]

它有一個遞歸結構：

\[\displaystyle \left({A}-{B}\right)^{-1}=\sum _{k=0}^{\infty }\left({A}^{-1}{B}\right)^{k}{A}^{-1} \]

這種形式可用於微擾展開式，其中 \(B\) 是 \(A\) 的微擾。

4. 推廣

二項式逆定理（Binomial Inverse Theorem）
如果 \(A\)，\(U\)，\(B\)，\(V\) 分別是 \(p×p\)，\(p×q\)，\(q×q\)，\(q×p\)的矩陣，那么:

\[\displaystyle \left(A+UBV\right)^{-1}=A^{-1}-A^{-1}UB\left(B+BVA^{-1}UB\right)^{-1}BVA^{-1} \]

前提是 \(A\) 和 \(B+BVA-1UB\) 是非奇異的。后者的非奇異性要求 \(B^{-1}\) 存在，因為它等於 \(B（I+VA＝1ub）\)，並且后者的秩不能超過 \(B\) 的秩。由於 \(B\) 是可逆的，所以在右手邊的附加量逆的兩邊的兩個 \(B\) 項可以被 \((B^{-1})^{-1}\) 替換，從而得到原始的Woodbury恆等式:

\[\displaystyle (A+UBV)^{-1}=A^{-1}-A^{-1}U(I+BVA^{-1}U)^{-1}BVA^{-1} \]

在某些情況下，\(A\) 是有可能是奇異的。

5. 延伸

公式可以通過檢查 \(A+UCV\) 乘以伍德伯里恆等式右側的所謂逆得到恆等式矩陣來證明：
\(\left(A+UCV\right)\left[A^{-1}-A^{-1}U\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}\right]\)
\(={}\left\{I-U\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}\right\}+\left\{UCVA^{-1}-UCVA^{-1}U\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}\right\}={}\)
\(\left\{I+UCVA^{-1}\right\}-\left\{U\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}+UCVA^{-1}U\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}\right\}=\)
\(+UCVA^{-1}-\left(U+UCVA^{-1}U\right)\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}=\)
\(+UCVA^{-1}-UC\left(C^{-1}+VA^{-1}U\right)\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}+UCVA^{-1}-UCVA^{-1}\left({A}+{B}\right)^{-1}\) \(=A^{-1}-A^{-1}(B^{-1}+A^{-1})^{-1}A^{-1}\)$

\[={A}^{-1}-{A}^{-1}\left({I}+{B}{A}^{-1}\right)^{-1}{B}{A}^{-1}.$$. ## 參考文獻 [https://en.wikipedia.org/wiki/Woodbury_matrix_identity](https://en.wikipedia.org/wiki/Woodbury_matrix_identity) 更多精彩內容請關注微信公眾號 “**優化與算法**” \]