[논문 리뷰] Invertibility of random matrices: norm of the inverse

Mark Rudelson|ArXiv.org|2005. 07. 01.

Mathematical Dynamics and Fractals참고 문헌 7인용 수 6

한 줄 요약

이 논문은 i.i.d. 서브가우시안 항목을 가진 n×n 랜덤 행렬의 역행렬의 연산자 노름에 대한 다항식 상한을 확립한다. ε-넷 접근법과 할라슈의 방법에 기반한 정교한 소구간 확률 추정치를 조합하여, 거의 확실하게 ‖A⁻¹‖ ≤ Cn³/² 라는 결과를 도출함으로써, 비가우시안 랜덤 행렬의 가역성에 대한 오랫동안 남아있던 격차를 해결한다.

ABSTRACT

Let A be an n by n matrix, whose entries are independent copies of a centered random variable satisfying the subgaussian tail estimate. We prove that the operator norm of A^{-1} does not exceed Cn^{3/2} with probability close to 1.

연구 동기 및 목표

• i.i.d. 서브가우시안 항목을 가진 랜덤 행렬의 역행렬 노름에 대한 정량적 추정치를 제공하는 것.
• 특히 항목이 이산적이거나 유계인 경우에 대해 비가우시안 랜덤 행렬의 가역성에 대한 이해의 격차를 메우는 것.
• 기존의 가우시안 행렬 결과(여기서 ‖A⁻¹‖ ≤ c√n a.s.)를 일반 서브가우시안 항목으로 확장하는 것.
• 기하학적 함수해석학과 바나흐 공간 이론의 응용에 핵심적인 다항식 상한 ‖A⁻¹‖ 을 확립하는 것.

제안 방법

• ℓ∞-거리에서의 커버링 수를 사용하여 단위 구면 위에서 ‖Ax‖ 의 하한을 제어하기 위해 ε-넷 접근법을 활용한다.
• 다양한 유형의 벡터를 별도로 다루기 위해 구면 Sⁿ⁻¹ 을 피크형, 특이형, 정규형 프로파일로 분해한다.
• 선형형식 ∑βⱼxⱼ 의 소구간 확률 추정치를 향상시키기 위해 할라슈의 방법을 사용한다. 이는 P(|∑βⱼxⱼ| ≤ t) 를 유계로 만드는 데 필수적이다.
• 서브가우시안 랜덤 변수의 모멘트 및 尾 조건을 적용하여 라플라스 변환을 제어하고 지수 尾 확률 추정치를 도출한다.
• 조건부 확률과 넷 근사 기법을 결합하여 피크형, 특이형, 정규형 프로파일에 대한 다양한 확률 추정치를 통합한다.
• 최종 상한을 유도하기 위해 연산자 노름, 커버링 수, 소구간 확률을 연결하는 부등식의 사슬을 수립한다.

실험 결과

연구 질문

• RQ1 A가 i.i.d. 서브가우시안 항목을 가진 n×n 랜덤 행렬일 때, A⁻¹ 의 최적의 다항식 상한은 무엇인가?
• RQ2 비가우시안 행렬에 대해 A⁻¹ 의 비자명한 상한을 도출하기에 충분히 제어 가능한가? 특히 선형형식 ∑βⱼxⱼ 의 소구간 확률은 어떻게 제어할 수 있는가?
• RQ3 항목이 이산적(예: ±1)일 경우 A⁻¹ 의 노름은 어떻게 행동하는가? 이는 여전히 단순성 확률이 완전히 규명되지 않았기 때문이다.
• RQ4 소구간 확률 추정치가 약할 경우, 표준 응용에 부적합한 정사각형 행렬에 대해 ε-넷 방법을 어떻게 적응시킬 수 있는가?
• RQ5 역행렬의 노름은 서브가우시안 모멘트와 행렬 크기 n 에 따라 어떻게 의존하는가?

주요 결과

• 모든 n×n 랜덤 행렬에 대해 i.i.d. 중심 서브가우시안 항목(분산 1)을 가질 경우, A⁻¹ 의 연산자 노름은 거의 확실하게 Cn³/² 이하로 유계이다.
• 충분히 큰 n 에 대해 임의의 ε>0 에 대해 확률이 1−ε 초과일 경우 이 상한이 성립한다.
• 증명은 단위 구면을 피크형, 특이형, 정규형 프로파일로 분해하는 새로운 방법에 기반하며, 각 유형에 맞는 특화된 확률 도구를 사용한다.
• 할라슈의 방법을 활용한 선형형식의 소구간 확률 추정치는 [KKS] 및 [TV1] 에서 사용된 이전 추정치를 향상시킨다.
• 특이형 프로파일 집합에서의 조건부 확률을 결합함으로써, 소구간 확률 추정치가 약할 경우에도 ε-넷 접근법을 적용할 수 있도록 적응시켰다.
• 비가우시안 케이스에서 역행렬 노름에 대한 다항식 상한을 확립하였으며, 이는 가우시안 행렬의 경우에 알려진 순서(여기서 ‖A⁻¹‖ ≤ c√n a.s.)와 일치하지만, 더 넓은 분포 계열로 확장된다.