[論文レビュー] Tracy-Widom distribution for the edge eigenvalues of Gram type random matrices.

Xiucai Ding, Fan Yang|arXiv (Cornell University)|Aug 10, 2020

Random Matrices and Applications参考文献 97被引用数 7

ひとこと要約

本稿は、ほぼ鋭いモーメント条件と正則性仮定の下で、高次元のグラム型ランダム行列の端縁固有値に対するトレーシー・ワイドマン分布を確立する。長方形ダイソン・ブラウン運動を用いた漸近的エッジユニバーサリティの証明により、高次元統計および機械学習における信号検出、球面性検定、ブロックモデル構造解析のための適応的推論が可能になる。

ABSTRACT

Large dimensional Gram type matrices are common objects in high-dimensional statistics and machine learning. In this paper, we study the limiting distribution of the edge eigenvalues for a general class of high-dimensional Gram type random matrices, including separable sample covariance matrices, sparse sample covariance matrices, bipartite stochastic block model and random Gram matrices with general variance profiles. Specifically, we prove that under (almost) sharp moment conditions and certain tractable regularity assumptions, the edge eigenvalues, i.e., the largest few eigenvalues of non-spiked Gram type random matrices or the extremal bulk eigenvalues of spiked Gram type random matrices, satisfy the Tracy-Widom distribution asymptotically. Our results can be used to construct adaptive, accurate and powerful statistics for high-dimensional statistical inference. In particular, we propose data-dependent statistics to infer the number of signals under general noise structure, test the one-sided sphericity of separable matrix, and test the structure of bipartite stochastic block model. Numerical simulations show strong support of our proposed statistics. The core of our proof is to establish the edge universality and Tracy-Widom distribution for a rectangular Dyson Brownian motion with regular initial data. This is a general strategy to study the edge statistics for high-dimensional Gram type random matrices without exploring the specific independence structure of the target matrices. It has potential to be applied to more general random matrices that are beyond the ones considered in this paper.

研究の動機と目的

• 広範なクラスの高次元グラム型ランダム行列の端縁固有値の極限分布を導出すること。
• 特定の行列の独立構造に依存せずに、エッジユニバーサリティとトレーシー・ワイドマンの漸近的挙動を確立すること。
• 一般のノイズおよびネットワーク構造のもとでの高次元推論のためのデータ依存統計を構築すること。
• 高次元設定における信号の正確な検出、球面性検定、およびブロックモデル構造検定を可能にすること。

提案手法

• 正則な初期データをもつ長方形ダイソン・ブラウン運動を分析し、エッジユニバーサリティを導出する。
• 特定の行列の独立構造に依存しない一般戦略を適用する。
• ほぼ鋭いモーメント条件と取り扱いやすい正則性仮定を用いて、漸近的妥当性を保証する。
• 非スパイクドおよびスパイクド行列モデルにおける極値固有値のトレーシー・ワイドマン分布を導出する。
• 信号数推定、片側球面性、および双方向確率的ブロックモデル検定のためのデータ駆動型検定統計量を提案する。
• 数値シミュレーションを通じて、強い実証的支援を得て手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 一般のモーメント条件および正則性条件下で、高次元グラム型ランダム行列の端縁固有値はトレーシー・ワイドマン分布に収束するか？
• RQ2 行列要素の特定の独立構造を利用せずに、エッジユニバーサリティを確立できるか？
• RQ3 トレーシー・ワイドマン極限は、高次元設定における適応的かつ強力な推論統計を構築するためにどのように活用できるか？
• RQ4 提案された枠組みは、一般のノイズ構造のもとで信号の数を検出できるか？
• RQ5 この手法は、分離可能な標本共分散行列の片側球面性および双方向確率的ブロックモデルの構造を検定できるか？

主な発見

• ほぼ鋭いモーメント条件下で、非スパイクドグラム型行列の端縁固有値およびスパイクド行列の極値バルク固有値は、トレーシー・ワイドマン分布に収束する。
• 正則な初期データをもつ長方形ダイソン・ブラウン運動に基づく一般枠組みを用いて、エッジユニバーサリティが確立される。
• 本手法は、分離可能な標本共分散行列、スパース共分散行列、双方向確率的ブロックモデル、一般分散プロファイルをもつランダムグラム行列など、広範に適用可能である。
• 信号数検出、片側球面性検定、およびブロックモデル構造推論のためのデータ依存統計が提案される。
• 数値的シミュレーションにより、提案手法の強力な実証的性能および頑健性が確認される。
• 構造的一般性のため、本アプローチは明示的に研究されたクラスを超える他のランダム行列クラスに対しても応用可能である。