[논문 리뷰] Almost sure localization of the eigenvalues in a gaussian information plus noise model. Applications to the spiked models

Philippe Loubaton, Pascal Vallet|arXiv (Cornell University)|2010. 09. 29.

Random Matrices and Applications참고 문헌 12인용 수 6

한 줄 요약

이 논문은 신호 행렬의 질량이 고정된 질량을 갖는 스파iked 모델에 초점을 맞춰, 가우시안 정보-노이즈 랜덤 행렬 모델에서 고유값의 거의 확실한 국소화를 확립한다. 복소해석학과 루체의 정리를 사용하여, 가장 큰 고유값이 신호 강도와 시스템 차원에 따라 명시적인 결정론적 한계로 거의 확실하게 수렴함을 증명하며, 이는 랜덤 행렬 이론에서 이전 결과에 대한 대안적 유도를 제공한다.

ABSTRACT

Let $\boldsymbolΣ_N$ be a $M imes N$ random matrix defined by $\boldsymbolΣ_N = \mathbf{B}_N + σ\mathbf{W}_N$ where $\mathbf{B}_N$ is a uniformly bounded deterministic matrix and where $\mathbf{W}_N$ is an independent identically distributed complex Gaussian matrix with zero mean and variance $\frac{1}{N}$ entries. The purpose of this paper is to study the almost sure location of the eigenvalues $\hatλ_{1,N} \geq ... \geq \hatλ_{M,N}$ of the Gram matrix ${\boldsymbol Σ}_N {\boldsymbol Σ}_N^*$ when $M$ and $N$ converge to $+\infty$ such that the ratio $c_N = \frac{M}{N}$ converges towards a constant $c > 0$. The results are used in order to derive, using an alernative approach, known results concerning the behaviour of the largest eigenvalues of ${\boldsymbol Σ}_N {\boldsymbol Σ}_N^*$ when the rank of $\mathbf{B}_N$ remains fixed when $M$ and $N$ converge to $+\infty$.

연구 동기 및 목표

• 가우시안 정보-노이즈 모델에서 $\boldsymbol{\Sigma}_N\boldsymbol{\Sigma}_N^*$의 고유값의 거의 확실한 위치를 연구한다.
• 신호 행렬 $\mathbf{B}_N$의 질량이 고정된 질량 $K$를 갖는 스파iked 모델에서, $M,N \to \infty$ 이면서 $M/N \to c > 0$일 때 가장 큰 고유값의 점근적 행동을 유도한다.
• 스파iked 모델에서 가장 큰 고유값의 점근적 행동에 대한 Benaych-Nadakuditi의 결과에 대한 대안적 증명을 제공한다.
• 정확한 분리 성질을 확립한다: 거의 확실하게, 임계값 이하 또는 초과하는 고유값의 수는 해당 구간에서의 신호 고유값의 수와 정확히 일치한다.

제안 방법

• 신호 행렬 $\mathbf{B}_N$의 질량이 고정된 질량 $K$를 갖는 스파iked 모델에서, $\boldsymbol{\Sigma}_N = \mathbf{B}_N + \sigma\mathbf{W}_N$ 이며 $\mathbf{W}_N$이 i.i.d. 복소가우시안일 때 $\boldsymbol{\Sigma}_N\boldsymbol{\Sigma}_N^*$의 고유값 분포를 분석한다.
• 신호 행렬의 고유값 분포를 기반으로 $\mathbf{B}_N\mathbf{B}_N^*$의 경험적 스펙트럼 측도와 비율 $c_N = M/N$을 사용하여 점근적 스펙트럼 분포의 지지집합 $\mathcal{S}_N$을 기술한다.
• 특성 방정식의 해의 수를 고유값 집합 주변의 작은 이웃에서 분석하기 위해 루체의 정리를 적용한다.
• 고유값 $\mathbf{B}_N\mathbf{B}_N^*$ 근처에서 특성 방정식의 점근적 전개를 수행하여 $\hat{\lambda}_{k,N}$의 점근적 행동을 결정한다.
• 지지집합 $\mathcal{S}_N$ 외부의 고유값은 거의 확실하게 존재하지 않으며, 내부의 고유값은 정확히 신호 고유값과 '정확한 분리' 원리에 의해 대응한다.
• 해석적 섭동 이론을 사용하여 가장 큰 고유값의 한계값을 $\lambda_k$, $\sigma^2$, 및 $c$의 함수로 도출한다.

실험 결과

연구 질문

• RQ1 정보-노이즈 모델에서 $M,N \to \infty$ 이면서 $M/N \to c > 0$일 때, $\boldsymbol{\Sigma}_N\boldsymbol{\Sigma}_N^*$의 고유값의 거의 확실한 점근적 위치는 무엇인가?
• RQ2 신호 행렬 $\mathbf{B}_N$의 질량이 고정된 질량 $K$를 갖는 경우, 가장 큰 고유값은 점근적으로 어떻게 행동하는가?
• RQ3 고유값의 수가 해당 구간에서의 신호 고유값의 수와 일치하는 '정확한 분리 성질'이 거의 확실하게 엄밀하게 증명될 수 있는가?
• RQ4 신호 고유값 $\lambda_k$가 임계값 $\sigma^2\sqrt{c}$ 이상 또는 이하일 경우, 가장 큰 고유값의 정확한 한계값은 무엇인가?

주요 결과

• 만약 $\lambda_k > \sigma^2\sqrt{c}$ 이면, $N \to \infty$일 때 $\hat{\lambda}_{k,N} \to \frac{(\sigma^2 + \lambda_k)(\sigma^2 c + \lambda_k)}{\lambda_k}$ 거의 확실하게 수렴한다.
• 만약 $\lambda_k \leq \sigma^2\sqrt{c}$ 이면, $N \to \infty$일 때 $\hat{\lambda}_{k,N} \to \sigma^2(1 + \sqrt{c})^2$ 거의 확실하게 수렴한다.
• 정확한 분리 성질이 성립한다: 거의 확실하게, 큰 $N$에 대해 $\boldsymbol{\Sigma}_N\boldsymbol{\Sigma}_N^*$의 고유값 중 $a$ 이하 또는 $b$ 초과하는 수는 $\mathbf{B}_N\mathbf{B}_N^*$의 $[0,a]$ 또는 $[b,\infty)$ 내부의 신호 고유값의 수와 정확히 일치한다.
• 고유값 $\hat{\lambda}_{k,N}$는 $\lambda_k$, $\sigma^2$, 및 $c$에 대해 명시적으로 의존하는 결정론적 한계로 수렴하며, $\lambda_k$가 임계값 $\sigma^2\sqrt{c}$를 초과하는지 여부에 따라 다른 행동을 보인다.
• 증명은 루체의 정리를 포함한 복소해석학적 기법을 사용하여 작은 이웃에서 고유값 해의 수를 세고 점근적 전개를 유도한다.
• 결과는 기존의 스파iked 모델에서 가장 큰 고유값의 점근적 행동을 확인하고 재유도하며, 고유값 국소화와 해석적 섭동 이론에 기반한 새로운 접근법을 제시한다.