[논문 리뷰] Coordinate restrictions of linear operators in $l_2^n$

Roman Vershynin|ArXiv.org|2000. 11. 28.

Mathematical Analysis and Transform Methods참고 문헌 12인용 수 5

한 줄 요약

이 논문은 $\ell_2^n$에서 랜덤 좌표 부분공간에 제한된 선형 연산자의 노름에 대한 확률적 경계를 수립하며, 기대 노름이 힐베르트-슈미트 노름과 로그 인자에 의해 제어됨을 보여준다. 낮은 질량의 대각선 프로젝션을 사용한 좌표 기반 연산자 근사화와 랜덤 서브스페이스 샘플링 및 비가환 히친체 부등식을 활용하여, 랜덤 패킷 손실이 발생하는 통신 네트워크에서의 강건한 복원을 증명한다.

ABSTRACT

This paper addresses the problem of improving properties of a linear operator u in $l_2^n$ by restricting it onto coordinate subspaces. We discuss how to reduce the norm of u by a random coordinate restriction, how to approximate u by a random operator with small "coordinate" rank, how to find coordinate subspaces where u is an isomorphism. The first problem in this list provides a probabilistic extension of a suppression theorem of Kashin and Tzafriri, the second one is a new look at a result of Rudelson on the random vectors in the isotropic position, the last one is the recent generalization of the Bourgain-Tzafriri's invertibility principle. The main point is that all the results are independent of n, the situation is instead controlled by the Hilbert-Schmidt norm of u. As an application, we provide an almost optimal solution to the problem of harmonic density in harmonic analysis, and a solution to the reconstruction problem for communication networks which deliver data with random losses.

연구 동기 및 목표

• $\ell_2^n$에서 선형 연산자의 노름이 랜덤 좌표 부분공간으로 제한될 때 어떻게 감소할 수 있는지 분석하는 것.
• 제어된 질량을 가진 랜덤 대각선 프로젝션을 사용한 좌표 기반 연산자 근사화 방법을 개발하는 것.
• 주어진 연산자에 대해 랜덤 좌표 부분공간이 등장사상(이sovomorphism)을 지원할 수 있는 조건을 확립하는 것.
• 이러한 결과를 조화 분석과 랜덤 데이터 손실이 발생하는 통신 네트워크에 적용하는 것.
• 노름 제한 및 근사화에 대한 경계가 차원 $n$에 종속되지 않도록 하는 것.

제안 방법

• 스체텐 클래스에서 비가환 히친체 부등식을 사용하여 랜덤 좌표 제한의 기대 노름을 경계한다.
• 입력값이 $\|ue_j\|$ 비례하는 독립 선택자로 구성된 랜덤 대각선 연산자 $\Delta$를 적용하여 저질량 근사화를 가능하게 한다.
• 집중 불등식을 사용하여 랜덤 부분집합 크기 $|\sigma|$가 기대값에서 벗어나지 않도록 제어한다.
• 기대값 $\mathbb{E}\|u|_{\mathbb{R}^\sigma}\|$에 대한 경계를 $\sqrt{n/N} + \max_j \|ue_j\|$를 기반으로 하되, $\log n$으로 스케일링한다.
• 프레임 기반 신호 복원에서 근사 오차와 복원 품질 간의 관계를 정의하기 위해 항등식 $\|u(\Delta - \text{id})u^*\|$를 사용한다.
• 결과를 프레임 기반 신호 복원에 적용하여, $\varepsilon$-정밀도 복원이 고확률적으로 가능하려면 $C(\varepsilon)m\log m$개의 패킷으로 충분하다는 것을 보여준다.

실험 결과

연구 질문

• RQ1 $\ell_2^n$에서 선형 연산자의 노름은 랜덤 좌표 제한을 통해 감소시킬 수 있으며, 이 감소의 기대 경계는 무엇인가?
• RQ2 랜덤 좌표 부분공간에 지지되는 저질량 연산자로 선형 연산자를 근사할 수 있으며, 이 근사 오차는 무엇인가?
• RQ3 어떤 조건에서 랜덤 좌표 부분공간이 주어진 연산자에 대해 등장사상을 지원하는가?
• RQ4 고확률적으로 신호를 복원하기 위해 필요한 랜덤으로 전달된 패킷의 수는 얼마인가?
• RQ5 연산자 제한 및 근사화에 대한 경계는 환경 차원 $n$에 종속되지 않게 만들 수 있는가?

주요 결과

• 노름이 1인 연산자 $u$의 랜덤 좌표 제한에 대한 기대 노름은 $\mathbb{E}\|u|_{\mathbb{R}^\sigma}\| \leq C\log n\left(\sqrt{n/N} + \max_j \|ue_j\|\right)$를 만족한다.
• 기준 차원 $n = h = \|u\|_{\rm HS}^2$일 경우 경계는 $\mathbb{E}\|u|_{\mathbb{R}^\sigma}\| \leq C\log h \cdot \max_j \|ue_j\|$로 단순화되며, $N$에 종속되지 않는다.
• 질량이 $n$ 이하인 랜덤 대각선 연산자 $\Delta$는 고확률적으로 $\|u(\Delta - \text{id})u^*\| \leq C\sqrt{\log n} \cdot \sqrt{h/n}$를 만족한다.
• 고확률적으로 $C(\varepsilon)m\log m$개의 랜덤 전달 패킷으로 $\mathbb{R}^m$ 내에서 정밀도 $\varepsilon$로 신호를 복원하는 데 충분하다.
• 재구성 오차 $\|\text{id} - \frac{k}{|\sigma|}\sum_{j\in\sigma} x_j \otimes x_j\|$는 확률 $1 - 6\exp(-t^2/\varepsilon^2)$ 이상으로 $t$ 이하가 된다. 여기서 $\varepsilon = C\sqrt{\log n} \cdot \sqrt{m/n}$이다.
• 결과는 차원에 종속되지 않으며, 오직 힐베르트-슈미트 노름 $h = \|u\|_{\rm HS}^2$에 의존한다. $n$ 또는 $N$에는 영향을 받지 않는다.