KNOWECON WIKI

ARTICLE

海塞矩阵

海塞矩阵 (Hessian Matrix) 海塞矩阵 (Hessian Matrix)，又译为黑塞矩阵、海森矩阵，是一个由\%多元函数\%的二阶\%偏导数\%构成的\%方块矩阵\%。该矩阵在\%数学分析\%、\%统计学\%和\%经济学\%中扮演着至关重要的角色，尤其是在\%最优化理论\%中，它被用作判断\%临界点\%是\%局部最大值\%、\%局部最小值\%还

浏览 45 更新 2025-10-22

海塞矩阵 (Hessian Matrix)

海塞矩阵 (Hessian Matrix)，又译为黑塞矩阵、海森矩阵，是一个由\%多元函数\%的二阶\%偏导数\%构成的\%方块矩阵\%。该矩阵在\%数学分析\%、\%统计学\%和\%经济学\%中扮演着至关重要的角色，尤其是在\%最优化理论\%中，它被用作判断\%临界点\%是\%局部最大值\%、\%局部最小值\%还是\%鞍点\%的关键工具。该矩阵以19世纪德国数学家路德维希·奥托·黑塞命名，他于19世纪后期系统研究了二阶导数在多元函数极值判定中的作用。

直观上，函数的\%梯度\%描述了某点变化最快的方向（对应一阶导数），而海塞矩阵则描述了该点的局部曲率 (local curvature) 特征（对应二阶导数）。梯度为零的点称为临界点，但仅凭梯度无法区分极小值、极大值和鞍点——这正是海塞矩阵发挥作用之处。如果将梯度比作"坡度"，那么海塞矩阵就是"地形曲率"，它告诉我们函数曲面在临界点附近是向上弯曲还是向下弯曲。

与雅可比矩阵的关系

海塞矩阵与\%雅可比矩阵\%关系密切。雅可比矩阵包含函数的所有一阶偏导数，而海塞矩阵可视为\%梯度向量\%的雅可比矩阵。具体而言，若梯度 ∇f \nabla f 是从 Rn \mathbb{R}^n 到 Rn \mathbb{R}^n 的映射，则海塞矩阵 H \mathbf{H} 满足 H=J(∇f) \mathbf{H} = \mathbf{J}(\nabla f) ，即梯度的雅可比矩阵就是海塞矩阵。这一关系在数值优化中具有重要应用，因为许多算法通过梯度的差分近似来估计海塞矩阵。

形式化定义

设 f(x) f(\mathbf{x}) 为 Rn \mathbb{R}^n 上的\%标量值函数\%，x=(x1,…,xn) \mathbf{x} = (x_1, \dots, x_n) 。若所有二阶偏导数存在且连续，则海塞矩阵 H \mathbf{H} 为 n×n n \times n 矩阵，第 (i,j) (i, j) 元素为：

(H)ij=∂2f∂xi∂xj(\mathbf{H})_{ij} = \frac{\partial^2 f}{\partial x_i \partial x_j}
\mathbf{H} = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_1 \partial x_n} \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots & \frac{\partial^2 f}{\partial x_2 \partial x_n} \\

\vdots \& \vdots \& \ddots \& \vdots \\

\frac{\partial^2 f}{\partial x_n \partial x_1} & \frac{\partial^2 f}{\partial x_n \partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix}

根据\%克莱罗定理\% (Clairaut's Theorem)，若二阶偏导数连续，则混合偏导可交换顺序，即 ∂2f∂xi∂xj=∂2f∂xj∂xi \frac{\partial^2 f}{\partial x_i \partial x_j} = \frac{\partial^2 f}{\partial x_j \partial x_i} ，故海塞矩阵为\%对称矩阵\% (H=HT \mathbf{H} = \mathbf{H}^T )。这一对称性保证了其所有\%特征值\%均为实数，从而使得用特征值符号判断矩阵定性的方法具有坚实的数学基础。

二阶导数检验

海塞矩阵最核心的应用是多元函数的二阶导数检验 (Second Derivative Test)。在临界点 x0 \mathbf{x}_0 （∇f(x0)=0 \nabla f(\mathbf{x}_0) = \mathbf{0} ）处，根据 H(x0) \mathbf{H}(\mathbf{x}_0) 的\%定性\%判断极值类型：

  • 正定矩阵（所有特征值 >0 >0 ）：x0 \mathbf{x}_0 为局部最小值；
  • 负定矩阵（所有特征值 <0 <0 ）：x0 \mathbf{x}_0 为局部最大值；
  • 不定矩阵（特征值有正有负）：x0 \mathbf{x}_0 为鞍点；
  • 半定矩阵（存在零特征值）：无法判定，需借助高阶导数检验。

检验的理论基础是函数在 x0 \mathbf{x}_0 处的二阶\%泰勒展开式\%：

f(x)≈f(x0)+12(x−x0)TH(x0)(x−x0)f(\mathbf{x}) \approx f(\mathbf{x}_0) + \frac{1}{2} (\mathbf{x} - \mathbf{x}_0)^T \mathbf{H}(\mathbf{x}_0) (\mathbf{x} - \mathbf{x}_0)

由于 ∇f(x0)=0 \nabla f(\mathbf{x}_0) = \mathbf{0} ，局部行为由\%二次型\% dTHd \mathbf{d}^T \mathbf{H} \mathbf{d} 决定（其中 d=x−x0 \mathbf{d} = \mathbf{x} - \mathbf{x}_0 ），海塞矩阵的定性决定了该二次型的符号，进而决定了临界点的性质。

顺序主子式判别法

在实际操作中，判断矩阵是否正定或负定，通常使用顺序主子式检验（西门子判别法）：

  • 矩阵正定当且仅当所有顺序主子式 >0 >0 ；
  • 矩阵负定当且仅当奇数阶顺序主子式 <0 <0 ，偶数阶顺序主子式 >0 >0 。

这一方法避免了直接计算特征值，在实际应用中更为便捷。

实例

对 f(x,y)=x3+y3−3xy f(x, y) = x^3 + y^3 - 3xy ，令 ∇f=0 \nabla f = \mathbf{0} 得临界点 (0,0) (0, 0) 和 (1,1) (1, 1) 。海塞矩阵 H=[6x−3−36y] \mathbf{H} = \begin{bmatrix} 6x & -3 \\ -3 & 6y \end{bmatrix} 。

在 (0,0) (0, 0) 处，H=[0−3−30] \mathbf{H} = \begin{bmatrix} 0 & -3 \\ -3 & 0 \end{bmatrix} ，行列式 det⁡(H)=−9<0 \det(\mathbf{H}) = -9 < 0 ，矩阵\%不定\%，故 (0,0) (0, 0) 为鞍点。从函数图像看，该点沿 x x 方向呈凸形，沿 y y 方向呈凹形，形似马鞍。

在 (1,1) (1, 1) 处，H=[6−3−36] \mathbf{H} = \begin{bmatrix} 6 & -3 \\ -3 & 6 \end{bmatrix} ，行列式 27>0 27>0 且一阶主子式 6>0 6>0 ，矩阵\%正定\%，故 (1,1) (1, 1) 为局部最小值。验证函数值 f(1,1)=−1 f(1,1) = -1 ，确实小于邻域内其他点的函数值。

此外，对于简单的一元函数 f(x)=x2 f(x) = x^2 ，海塞矩阵退化为 1×1 1 \times 1 矩阵 [2] [2] ，二阶导数为正，确认 x=0 x=0 为极小值点——这与一元函数中二阶导数大于零的判别准则完全一致。

经济与金融应用

  • \%效用最大化\%：\%带边海塞矩阵\% (Bordered Hessian) 用于检验\%预算约束\%下\%效用函数\%的二阶条件，与\%无差异曲线\%的\%凸性\%相关。带边海塞矩阵通过引入约束条件的梯度作为边界，将原海塞矩阵扩展，从而在约束条件下判定极值类型。
  • 企业理论：验证\%成本最小化\%与\%利润最大化\%中临界点的二阶条件。例如，在柯布-道格拉斯生产函数下，企业可以通过海塞矩阵检验生产要素投入组合是否满足成本最小化的二阶充分条件。
  • \%计量经济学\%：\%最大似然估计\%中，\%对数似然函数\%海塞矩阵负值的期望即为\%费雪信息矩阵\% (Fisher Information Matrix)，其逆矩阵用于估计参数的\%方差-协方差矩阵\%，是构造参数置信区间和假设检验的基础。
  • 金融工程：在投资组合优化中，风险最小化（均值-方差模型）和夏普比率最大化均依赖海塞矩阵来确定最优资产权重。马科维茨投资组合理论的核心——最小方差前沿——的推导过程本质上就是求解涉及海塞矩阵的二次规划问题。
  • 机器学习：在神经网络训练中，海塞矩阵被用于二阶优化算法（如牛顿法），通过利用曲率信息加速收敛。尽管在大规模深度学习中直接计算海塞矩阵的计算成本过高（O(n2) O(n^2) 存储和 O(n3) O(n^3) 运算），但拟牛顿法（如L-BFGS）通过近似海塞矩阵来兼顾效率与精度。

带边海塞矩阵

对于\%约束最优化\%问题（\%拉格朗日乘数法\%），需使用带边海塞矩阵。对目标 f(x) f(\mathbf{x}) 和约束 g(x)=c g(\mathbf{x}) = c ，构造\%拉格朗日函数\% L=f−λ(g−c) \mathcal{L} = f - \lambda(g - c) ：

\bar{\mathbf{H}} = \begin{bmatrix} 0 & \frac{\partial g}{\partial x_1} & \cdots & \frac{\partial g}{\partial x_n} \\ \frac{\partial g}{\partial x_1} & \frac{\partial^2 \mathcal{L}}{\partial x_1^2} & \cdots & \frac{\partial^2 \mathcal{L}}{\partial x_1 \partial x_n} \\

\vdots \& \vdots \& \ddots \& \vdots \\

\frac{\partial g}{\partial x_n} & \frac{\partial^2 \mathcal{L}}{\partial x_n \partial x_1} & \cdots & \frac{\partial^2 \mathcal{L}}{\partial x_n^2} \end{bmatrix}

带边海塞矩阵的左上角为零，边界由约束条件的梯度构成，内部为拉格朗日函数的海塞矩阵。其判别规则与普通海塞矩阵不同：对于 n n 个变量和 m m 个约束的情形，需检查从第 (2m+1) (2m+1) 阶开始的顺序主子式的符号。通过判断此矩阵行列式及主子式的符号，可确定约束条件下的临界点是局部最大值还是局部最小值。

计算上的考量

在实际计算中，当变量维度较高时，直接计算海塞矩阵的 n2 n^2 个二阶偏导数可能非常困难。常用的替代方法包括：自动微分 (Automatic Differentiation) 技术直接从计算图中导出精确的海塞矩阵；有限差分法通过梯度值的差分近似二阶导数；以及拟牛顿法中通过梯度差值序列构建海塞矩阵的近似（如BFGS算法）。这些方法在数值优化、深度学习和参数估计等实际应用中发挥着不可替代的作用。