[논문 리뷰] Semicircle Law for a Class of Random Matrices with Dependent Entries

Friedrich Götze, Alexey Naumov외 1명|arXiv (Cornell University)|2012. 11. 02.

Random Matrices and Applications참고 문헌 8인용 수 18

한 줄 요약

이 논문은 분산 σ_ij² 가 동일하지 않고 특정 형태의 의존성이 존재하는 경우에도, Wigner의 고전적 결과를 일반화하여 종속된 성분을 가진 랜덤 대칭 행렬에 대해 반원법칙을 수립한다. Lindeberg 조건, 분산 정규화 (1.4), 그리고 유한한 행 분산 (1.5) 등의 조건 하에서, i.i.d. 성분이나 동일 분산이 없더라도 경험적 고유값 분포는 약한 수렴으로 반원법칙으로 수렴한다.

ABSTRACT

In this paper we study ensembles of random symmetric matrices $\X_n = {X_{ij}}_{i,j = 1}^n$ with dependent entries such that $\E X_{ij} = 0$, $\E X_{ij}^2 = σ_{ij}^2$, where $σ_{ij}$ may be different numbers. Assuming that the average of the normalized sums of variances in each row converges to one and Lindeberg condition holds we prove that the empirical spectral distribution of eigenvalues converges to Wigner's semicircle law.

연구 동기 및 목표

• 의존적인 성분과 비동일 분산을 가진 랜덤 대칭 행렬에 대해 Wigner의 반원법칙을 확장한다.
• 의존성과 이종분산이 존재하는 상황에서도 경험적 고유값 분포가 반원법칙으로 수렴하는 조건을 설정한다.
• 이전 연구에서 요구한 i.i.d. 성분이나 동일 분산 조건을 더 넓은 랜덤 행렬 집합에 대해 일반화한다.
• Lindeberg 조건과 분산 정규화 (1.4)가 종속된 경우에도 반원법칙 수렴을 보장하는가를 검증한다.
• 성분들이 상관이 없지만 독립이 아닌 경우에도 적절한 모멘트 조건과 분산 조건 하에서 극한 고유값 분포가 여전히 반원형임을 보여준다.

제안 방법

• 기댓값이 0이고 2차 모멘트가 유한한 삼각형 배열의 랜덤 변수 {X_jk}를 도입하며, X_jk = X_kj 구조로 대칭적으로 구성한다.
• 세 가지 핵심 조건을 도입한다: (1.1) 모든 다른 성분을 조건으로 한 조건부 기댓값이 0이며, (1.2) 조건부 두 번째 모멘트가 σ_ij²와 일致하며, (1.3) 尾확률에 대한 Lindeberg 조건을 만족한다.
• 추가로 분산 정규화 (1.4): 평균 행 분산을 1로 정규화하고, (1.5): 절대 상수 C로 각 행의 분산이 유계임을 가정한다.
• 기대 고유값 분포 F^{X_n}(x)가 반원 분포 G(x)로 수렴하는 것을 분석하기 위해 Stieltjes 변환 방법을 사용한다.
• 모멘트의 그래프 이론적 분해를 통해 그래프를 엣지의 겹침 여부에 따라 C_1, C_2, C_3 유형으로 분류하고, 표준 그래프 수나열을 통해 기여도를 분석한다.
• 일치하지 않는 엣지의 트리 구조에서 잎을 반복적으로 제거하는 재귀적 방법을 적용하여 모멘트 기여도를 유계화하며, (1.4)와 (1.5)를 활용해 고차항 기여도가 사라짐을 보인다.

실험 결과

연구 질문

• RQ1 의존적인 성분을 가진 랜덤 대칭 행렬의 경험적 고유값 분포가 반원법칙으로 수렴하는 조건은 무엇인가?
• RQ2 의존성 구조가 존재하는 상황에서 비동일 분산 σ_ij² 를 가진 행렬에 대해서도 반원법칙을 확장할 수 있는가?
• RQ3 성분들이 종속적이지만 상관이 없는 경우에도 Lindeberg 조건이 여전히 반원법칙 수렴을 보장하는가?
• RQ4 ∑_j σ_ij² / n → 1 정규화 조건이 이종 분산을 가진 경우 반원법칙 수렴을 보장하는 데 어떤 역할을 하는가?
• RQ5 모멘트 유계와 분산 정규성(예: max B_i ≤ C)이 종속된 경우 극한 고유값 분포에 어떤 영향을 미치는가?

주요 결과

• 조건 (1.1)–(1.5) 하에서, 기대 고유값 분포 F^{X_n}(x)는 표준 반원법칙 G(x)로 균일 수렴한다. 즉, n → ∞ 일 때 sup_x |F^{X_n}(x) - G(x)| → 0 이다.
• Lindeberg 조건 (1.3)은 성분의 극단적 이탈이 극한 고유값 측도에 영향을 주지 않음을 보장한다.
• 조건 (1.4), ∑_i |B_i² - 1|/n → 0 은 평균 행 분산이 1로 정규화됨을 보장하며, 반원법칙 수렴에 핵심적인 조건이다.
• 유계 조건 (1.5), max_i B_i ≤ C 는 어떤 한 행이 고유값 분포에 지배적이지 않음을 방지한다.
• 독립적인 경우, 정리 1.2는 동일한 조건 (1.3)–(1.5) 하에서 반원법칙이 성립함을 보여주며, 이는 이전 결과를 확장한다.
• 트리형 그래프(유형 C_1)의 기여도 S_1은 카탈란 수 C_m = (1/(m+1)) binom(2m,m) 로 수렴하여, 모멘트 매칭을 통한 반원법칙 수렴을 확인한다.