正定矩阵：曲率、稳定与单调性

从「碗底」说起

正定矩阵 (Positive Definite Matrix) 是线性代数中的核心概念，但教科书定义往往以公式开场：「对任意非零向量 x，带矩阵的二次型结果大于零」。这类定义对工程从业者而言缺乏直觉支撑。

换一个视角：正定矩阵的本质，是描述一个「全方向向上弯」的空间。

想象一只完美的碗。碗底放置一颗小球，无论从哪个方向轻推小球——向左、向右、斜向 45 度——小球最终都会滚回碗底。这就是正定矩阵描述的空间：所有方向均呈现正曲率，没有平路，更没有下坡。「任意非零向量代入结果为正」，对应的几何直觉正是「任意方向都是上坡」。

对称性：为什么正定必须是对称矩阵

并非所有「碗」都需要对称。一个歪歪扭扭的碗——一边高一边低——小球同样可以停在底部，获得「局部稳定」。那么，为什么数学上的正定要严格要求对称性？

答案在于「旋转」。

对称矩阵的特征是：从 A 到 B 的影响，等于从 B 到 A 的影响。这种对称性保证了——当空间弯曲时，各个方向的弯曲程度是公平的。没有旋转，没有剪切，没有偏向某一侧的力。

不对称矩阵则不同。不对称带来旋转。小球在下滚的过程中，会被带着「转圈」。表面看是碗，实际是螺旋碗。这种旋转破坏了两件事：

1. 唯一性被破坏：螺旋碗中，小球可能绕着中心打转，找不到唯一的最低点
2. 梯度方向不指向中心：优化算法沿着梯度下降时，会跑偏、震荡，无法收敛到真正的最优解

用一句话总结：对称正定矩阵只允许「弯曲」，不允许「旋转 + 弯曲」混在一起。旋转是算法的噩梦——它让你的损失函数表面像碗，实则是螺旋滑梯。

正定与单调性：高维版的全局单调

有读者问：正定矩阵是否类似一维函数中的「单调递增」？

这个类比非常准确。正定，本质上是高维空间中的全域单调性约束。

一维情形下，「导数始终大于零」意味着函数单调递增——一路向上，无波动，无震荡。推到高维，「从中心点出发，往任何方向走一步，函数值都一定变大」，这就是正定。

两种情形的对应关系：

不对称矩阵则像一条「看起来向上，但走着走着被带偏」的路——局部看似单调，全局不单调。

两种曲率：稳定性与可辨识性

同一「曲率」概念，在不同场景中有完全不同的含义。

物理/优化中的曲率：曲率越大，碗壁越陡。小球被死死摁在碗底，风吹一下立刻复位——这是系统更鲁棒、更稳定。

Fisher 信息矩阵中的曲率：曲率越大，参数稍微动一下，结果就剧烈变化——这是对参数更敏感、更好分辨。

这两个「敏感」并不矛盾。Fisher 信息矩阵的曲率描述的是：我能否从数据中精确区分参数 A 和参数 B。曲率大，意味着参数差 0.1，模型输出差很多——辨识能力强。反之，曲率小，意味着无论怎么调整参数，输出都几乎不变——参数不可辨识，模型失去意义。

举例来说，欺诈识别场景中，「单笔交易金额」这个特征的 Fisher 曲率大，意味着：金额多 100 元，欺诈概率直接跳升——这个特征「敏感」，能够精准捕捉异常，一抓一个准。曲率小，意味着金额变化对欺诈概率几乎没有影响，无论调高还是调低，结果都纹丝不动——这个特征再「稳定」也没用，因为根本区分不了欺诈与非欺诈。

这也是为什么风控场景中「敏感」是褒义词：曲率大 = 特征对风险信号响应剧烈 = 模型可区分高风险与低风险用户 = 风控有效。

无论哪种场景，Fisher 信息矩阵本身必须满足半正定或正定，这个「正定」保证的是：分辨过程本身稳定、合法，不会出现「参数越调结果越乱」的发散情况。

应用：从风控建模到机器学习

正定矩阵的实际价值，集中在三类问题：

稳定性判断：工程系统（桥梁刚度设计、机器人悬挂系统）受扰动后能否恢复稳定？用正定矩阵描述刚度或势能，正定性直接对应系统的恢复力。

优化收敛：机器学习训练模型、经济决策找最优方案，本质都是在复杂损失曲面上寻找全局最低点。对称正定矩阵保证梯度方向直接指向最优——算法稳、收敛快。

可辨识性分析：统计模型中，某个参数是否真的对结果有影响？Fisher 信息矩阵的正定性和曲率大小，决定了参数的辨识能力——能测出来，才是有效特征。

极约定论

正定矩阵 = 纯弯曲、无旋转、完美碗底。

• 一维单调递增，是正定在一维的投影
• 对称性，是全域单调性的结构保障
• 曲率大小，在不同场景中描述不同：稳定或敏感
• 不对称矩阵可以稳定，但不能称为正定——因为带旋转

风控建模和机器学习中，追求稳健、可解释、可上线的结果，必须依赖对称正定结构。这不是数学的苛刻要求，而是收敛性和可辨识性的内在约束。

参考

• 吾不識且不知. (2026, 4月8日). 稳定性与曲率：正定矩阵的几何意义. 微信公众号. https://mp.weixin.qq.com/s/bLL4cw7Dsv4QAFcd9313UA