逆行列の有用性 — 連立方程式・線形変換の巻き戻し・神経科学への応用

作成日: 2026-06-06 / 線形代数基礎 / Mathematics in Neuroscience 補足ノート

1. 連立一次方程式 $A\mathbf{x} = \mathbf{b}$ と逆行列

$n$ 元連立一次方程式をまとめて書くと

$A$ が可逆（$\det A \neq 0$）であれば、両辺に左から $A^{-1}$ をかけることで

という一発の答えが得られる。これは「$b$ という結果をもたらした原因 $\mathbf{x}$ を求める」操作である。

1.1 具体例: 2 元連立方程式

🟢 (線形代数の標準教科書に基づく計算例)

$$\begin{cases} 2x_1 + x_2 = 5 \\ x_1 + 3x_2 = 7 \end{cases}$$ を行列形式で書くと $A\mathbf{x} = \mathbf{b}$：

$2 \times 2$ 行列の逆行列の公式 $A^{-1} = \dfrac{1}{\det A}\begin{pmatrix}d & -b\\-c & a\end{pmatrix}$ を使う。

2. 線形変換の「巻き戻し」としての逆行列

🟢 (Strang, Introduction to Linear Algebra, 6th ed., Ch.2 に基づく)

行列 $A$ は「ベクトルを別のベクトルへ変換する線形写像」である。 $A\mathbf{x} = \mathbf{y}$ という変換があったとき、 $A^{-1}\mathbf{y} = \mathbf{x}$ はその変換を「巻き戻す（undo する）」操作だ。

2.1 2×2 変換と逆変換の幾何的図解

変換行列の例として $$A = \begin{pmatrix}2 & 1\\0 & 1\end{pmatrix}$$ （水平方向へのせん断変換）を考える。この変換は単位正方形を平行四辺形に変える。 $A^{-1}$ はその平行四辺形を元の正方形に戻す。

2.2 なぜ $A^{-1}A = I$ が「巻き戻し」を意味するか

恒等行列 $I$ は「何もしない変換」（すべてのベクトルをそのまま返す）である。 したがって $$A^{-1}(A\mathbf{x}) = (A^{-1}A)\mathbf{x} = I\mathbf{x} = \mathbf{x}$$ は「$A$ で変換してから $A^{-1}$ で逆変換すると元に戻る」ことを意味する。 これが「巻き戻し」の数学的な意味だ。

3. 逆行列の存在条件・ill-conditioned・擬似逆行列

3.1 存在条件: $\det A \neq 0$

🟢 (標準的な線形代数定理)

正方行列 $A \in \mathbb{R}^{n \times n}$ に逆行列が存在するための必要十分条件は

$\det A = 0$ のとき（特異行列）には逆行列が存在しない。 幾何的には、変換 $A$ が空間を「潰す」（次元が落ちる）ため、情報が失われて復元不能になることを意味する。

3.2 ill-conditioned（悪条件）の意味

$\det A \neq 0$ でも、$\det A \approx 0$ の場合は注意が必要だ。 このとき行列は ill-conditioned（悪条件） と呼ばれ、 数値計算で逆行列を求めると小さな入力誤差が大きな出力誤差に増幅される。

誤差増幅の度合いを定量化するのが 条件数 $\kappa(A)$ である:

ここで $\sigma_{\max}, \sigma_{\min}$ は $A$ の最大・最小特異値。 $\kappa(A) \gg 1$ の場合、$\mathbf{b}$ のわずかな誤差 $\delta\mathbf{b}$ が解 $\mathbf{x}$ の大きな誤差に繋がる: $$\frac{\|\delta\mathbf{x}\|}{\|\mathbf{x}\|} \leq \kappa(A) \cdot \frac{\|\delta\mathbf{b}\|}{\|\mathbf{b}\|}$$

3.3 擬似逆行列への橋渡し

逆行列が存在しない場合（特異・非正方・悪条件）に代替を担うのが Moore–Penrose 擬似逆行列 $A^+$ である。

$A^+$ は「最小ノルム最小二乗解」を与える: $\|A\mathbf{x} - \mathbf{b}\|$ を最小にする解の中で $\|\mathbf{x}\|$ が最小のものが $\mathbf{x} = A^+\mathbf{b}$。

4. 神経科学への応用

4.1 受容野（Receptive Field）推定

🟢 (Simoncelli & Olshausen 2001; Ringach 2004 に基づく標準的な手法)

ニューロンの 受容野 とは「どんな刺激パターンに対して強く発火するか」を記述するフィルターである。 線形モデルでは、刺激ベクトル $\mathbf{s} \in \mathbb{R}^p$ とニューロンの応答 $r \in \mathbb{R}$ の関係を

と表す。$\mathbf{w} \in \mathbb{R}^p$ が受容野（重みベクトル）、$\varepsilon$ はノイズ。 $T$ 回の試行でデータ行列 $S \in \mathbb{R}^{T \times p}$（各行が 1 回の刺激）と応答ベクトル $\mathbf{r} \in \mathbb{R}^T$ を収集すると:

これを Spike-Triggered Average（STA） の最小二乗版と見なすことができる。 $(S^\top S)^{-1}S^\top$ が擬似逆行列（最小二乗解を与える左逆行列）として機能している。

4.2 線形システム同定（Linear System Identification）

🟡 (標準的な制御理論・神経科学計算論に共通の手法; 手元文献で要確認)

「入力 $\mathbf{u}(t)$ を与えたときに出力 $\mathbf{y}(t)$ が得られる系の行列 $M$ を推定する」問題:

例: 視覚野のニューロン群の応答行列 $Y \in \mathbb{R}^{N \times T}$（$N$ ニューロン、$T$ 時刻）と 入力刺激行列 $U \in \mathbb{R}^{p \times T}$ が与えられれば、線形マッピング $M \in \mathbb{R}^{N \times p}$ を $\hat{M} = Y U^\top (U U^\top)^{-1}$ で推定できる。 これは「どのニューロンがどの刺激特徴に反応するか」というシステム同定の基本形である。

4.3 最小二乗フィット（正規方程式）

🟢 (Strang, Introduction to Linear Algebra, 6th ed., Ch.4 に基づく)

$m > n$（方程式の数が未知数より多い）の過剰決定系 $A\mathbf{x} = \mathbf{b}$（$A \in \mathbb{R}^{m \times n}$）では 一般に完全な解が存在しない。残差 $\|A\mathbf{x} - \mathbf{b}\|^2$ を最小にする最小二乗解は 正規方程式（Normal Equation）を解くことで得られる:

$(A^\top A)^{-1} A^\top = A^+$ が左擬似逆行列であり、$\hat{\mathbf{x}}$ は最小二乗解である。

4.4 線形デコーディング / コネクトーム解析

🟡 (Georgopoulos et al. 1986 の population vector decoding; Cunningham & Yu 2014 の次元削減に関連)

線形デコーディング

$N$ 個のニューロンの発火率ベクトル $\mathbf{r} \in \mathbb{R}^N$ から 動物の運動方向・位置などの行動変数 $\mathbf{s} \in \mathbb{R}^d$ を復元する:

デコーダー行列 $D$ は訓練データ $\{(\mathbf{r}^{(k)}, \mathbf{s}^{(k)})\}_{k=1}^T$ から 最小二乗で推定する。応答行列 $R \in \mathbb{R}^{N \times T}$、行動行列 $S \in \mathbb{R}^{d \times T}$ として: $$\hat{D} = S R^\top (R R^\top)^{-1} = S R^+$$

コネクトーム解析

$N$ ニューロンの結合強度行列 $W \in \mathbb{R}^{N \times N}$ を同定する問題: $$\mathbf{r}(t+1) = W\mathbf{r}(t) + \boldsymbol{\eta}(t)$$ $$\hat{W} = R_{\text{future}} R_{\text{past}}^\top (R_{\text{past}} R_{\text{past}}^\top)^{-1}$$ ここで $R_{\text{past}}, R_{\text{future}}$ はそれぞれ時刻 $t$ と $t+1$ の応答行列。 $W$ の逆行列・擬似逆行列が「どのニューロンのパターンが次の状態を予測するか」を与える。

5. 固有値分解における逆行列: $e^{Qt} = Ve^{\Lambda t}V^{-1}$

このノートシリーズで繰り返し登場する行列指数関数の対角化

は逆行列の重要な応用例である。

• $V$: Q 行列の固有ベクトルを列に並べた行列（固有ベクトル行列）
• $\Lambda$: 固有値を対角に並べた行列
• $V^{-1}$: 固有ベクトル行列の逆行列（「固有座標系」と「元の座標系」の変換を巻き戻す）

この式は「元の座標系 → 固有座標系（$V^{-1}$）→ 固有座標で指数をかける（$e^{\Lambda t}$）→ 元の座標系に戻す（$V$）」という 3 ステップの操作であり、$V^{-1}$ が「巻き戻し」の役割を担う。 詳細は [NSM-028] 固有値の計算 および [NSM-011] 行列指数関数 $e^{Qt}$ を参照。

6. まとめ

参考文献

• 🟢 Strang, G. (2023). Introduction to Linear Algebra, 6th ed. Wellesley-Cambridge Press. — Ch.2 (逆行列), Ch.4 (最小二乗)
• 🟢 Simoncelli, E. P., & Olshausen, B. A. (2001). Natural image statistics and neural representation. Annual Review of Neuroscience, 24, 1193–1216. — 受容野推定の線形モデル
• 🟡 Ringach, D. L. (2004). Mapping receptive fields in primary visual cortex. Journal of Physiology, 558, 717–728.
• 🟡 Georgopoulos, A. P. et al. (1986). Neuronal population coding of movement direction. Science, 233, 1416–1419. — 線形デコーディングの原型
• 🟡 Cunningham, J. P., & Yu, B. M. (2014). Dimensionality reduction for large-scale neural recordings. Nature Neuroscience, 17, 1500–1509.

関連項目

• [NSM-028] 固有値の計算 — Q行列から時定数へ — $e^{Qt}=Ve^{\Lambda t}V^{-1}$ で逆行列 $V^{-1}$ が登場する固有値分解の詳細
• [NSM-011] 行列指数関数 $e^{Qt}$ と Q 行列 — Kolmogorov 方程式の解における対角化と逆行列の利用
• [NSM-024] 最尤推定と尤度関数 — 正規方程式 $(X^\top X)^{-1}X^\top\mathbf{y}$ が最小二乗解として登場する MLE の枠組み
• [NSM-030] Q行列の最尤推定 — 逆問題の数値的解法 — 逆問題の数値解法：逆行列・擬似逆行列の概念がその基盤

NSM-031 / 作成: 2026-06-06 / learn エージェント自動生成