伍德伯里矩阵恒等式（Woodbury matrix identity）

---

宜言饮酒，与子偕老。琴瑟在御，莫不静好。

更多精彩内容请关注微信公众号 “优化与算法”

在数学（特别是线性代数）中，Woodbury矩阵恒等式是以Max A.Woodbury命名的，它 可以通过对原矩阵的逆进行秩k校正来计算某个矩阵的秩k校正的逆。这个公式的另一个名字是矩阵逆引理，谢尔曼-莫里森-伍德伯里（Sherman–Morrison–Woodbury formula）公式或只是伍德伯里公式。然而，在伍德伯里发现之前，这一等式出现在其他文献中。

1. 伍德伯里矩阵恒等式

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

其中(A)、(U)、(C) 和 (V)都表示适形尺寸的矩阵。具体来说，(A) 的大小为 (n×n)，(U) 为 (n×k)，(C) 为 (k×k)，(V) 为 (k×n)。

2. 扩展

不失一般性，可用单位矩阵替换矩阵A和C：

[displaystyle left(I+UV ight)^{-1}=I-Uleft(I+VU ight)^{-1}V ]

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

这个等式本身可以看作是两个简单等式的组合，即等式

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

和所谓的 push-through 等式

[displaystyle (I+UV)^{-1}U=U(I+VU)^{-1}$$的结合。 ## 3. 特殊情况 当 $displaystyle V,U$ 是向量时，伍德伯里恒等式退化为谢尔曼-莫里森公式，在标量情况下，它（简化版）只是： $$displaystyle {frac {1}{1+uv}}=1-{frac {uv}{1+uv}}]

如果 (p=q) 和 (U=V=I_p) 是单位矩阵，那么

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

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

继续合并上述方程最右边的项，就可以得到一下恒等式：

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

此等式的另一个有用的形式是：

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

它有一个递归结构：

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

这种形式可用于微扰展开式，其中 (B) 是 (A) 的微扰。

4. 推广

二项式逆定理（Binomial Inverse Theorem）
如果 (A)，(U)，(B)，(V) 分别是 (p×p)，(p×q)，(q×q)，(q×p)的矩阵，那么:

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

前提是 (A) 和 (B+BVA-1UB) 是非奇异的。后者的非奇异性要求 (B^{-1}) 存在，因为它等于 (B（I+VA＝1ub）)，并且后者的秩不能超过 (B) 的秩。由于 (B) 是可逆的，所以在右手边的附加量逆的两边的两个 (B) 项可以被 ((B^{-1})^{-1}) 替换，从而得到原始的Woodbury恒等式:

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

在某些情况下，(A) 是有可能是奇异的。

5. 延伸

公式可以通过检查 (A+UCV) 乘以伍德伯里恒等式右侧的所谓逆得到恒等式矩阵来证明：
(left(A+UCV ight)left[A^{-1}-A^{-1}Uleft(C^{-1}+VA^{-1}U ight)^{-1}VA^{-1} ight])
(={}left{I-Uleft(C^{-1}+VA^{-1}U ight)^{-1}VA^{-1} ight}+left{UCVA^{-1}-UCVA^{-1}Uleft(C^{-1}+VA^{-1}U ight)^{-1}VA^{-1} ight}={})
(left{I+UCVA^{-1} ight}-left{Uleft(C^{-1}+VA^{-1}U ight)^{-1}VA^{-1}+UCVA^{-1}Uleft(C^{-1}+VA^{-1}U ight)^{-1}VA^{-1} ight}=)
(+UCVA^{-1}-left(U+UCVA^{-1}U ight)left(C^{-1}+VA^{-1}U ight)^{-1}VA^{-1}=)
(+UCVA^{-1}-UCleft(C^{-1}+VA^{-1}U ight)left(C^{-1}+VA^{-1}U ight)^{-1}VA^{-1}+UCVA^{-1}-UCVA^{-1}left({A}+{B} ight)^{-1}) (=A^{-1}-A^{-1}(B^{-1}+A^{-1})^{-1}A^{-1})$

[={A}^{-1}-{A}^{-1}left({I}+{B}{A}^{-1} ight)^{-1}{B}{A}^{-1}.$$. ## 参考文献 [https://en.wikipedia.org/wiki/Woodbury_matrix_identity](https://en.wikipedia.org/wiki/Woodbury_matrix_identity) 更多精彩内容请关注微信公众号 “**优化与算法**” ]