[논문 리뷰] The Central Limit Theorem for Linear Eigenvalue Statistics of the Sum of Independent Matrices of Rank One

Olivier Guédon, Anna Lytova외 2명|arXiv (Cornell University)|2013. 10. 09.

Random Matrices and Applications참고 문헌 6인용 수 4

한 줄 요약

이 논문은 i.i.d. 등방향 벡터로 구성된 랭크-일의 행렬의 합으로 이루어진 큰 랜덤 행렬에 대한 선형 고유값 통계량의 중심극한정리(CLT)를 확립한다. 벡터가 '매우 좋은'(very good) 조건—즉, 모멘트 및 尾 꼬리 제어를 보장하는 '좋은'(good) 벡터의 부분집합—을 만족할 경우, 정규화된 고유값 수세기의 수렴이 정규분포로 이루어지며, 이는 이전의 고유값 분포 수렴 결과를 고유값 변동에까지 확장한 것이다.

ABSTRACT

We consider $n imes n$ random matrices $M_{n}=\sum_{α=1}^{m}{τ_{α}}\mathbf{y}_{α}\otimes \mathbf{y}_{α}$, where $τ_{α}\in \mathbb{R}$, $\{\mathbf{y}_{α}\}_{α=1}^{m}$ are i.i.d. isotropic random vectors of $\mathbb{R}^n$, whose components are not necessarily independent. It was shown in arXiv:0710.1346 that if $m,n ightarrow \infty$, $m/n ightarrow c\in \lbrack 0,\infty )$, the Normalized Counting Measures of $\{τ_{α}\}_{α=1}^{m}$ converge weakly and $\{\mathbf{y}_α\}_{α=1}^m$ are extit{good} (see corresponding definition), then the Normalized Counting Measures of eigenvalues of $M_{n}$ converge weakly in probability to a non-random limit found in \cite{Ma-Pa:67}. In this paper we indicate a subclass of good vectors, which we call extit{very good} and for which the linear eigenvalue statistics of the corresponding matrices converge in distribution to the Gaussian law, i.e., the Central Limit Theorem is valid. An important example of good vectors, studied in arXiv:0710.1346 are the vectors with log-concave distribution. We discuss the conditions for them, guaranteeing the validity of the Central Limit Theorem for linear eigenvalue statistics of corresponding matrices.

연구 동기 및 목표

• n × n 랜덤 행렬 $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $에 대한 선형 고유값 통계량의 중심극한정리(CLT)를 확립한다. 여기서 $ \{\mathbf{y}_\alpha\} $ 는 i.i.d. 등방향 랜덤 벡터이다.
• 선형 고유값 통계량의 CLT가 성립하는 '좋은' 벡터의 부분집합인 '매우 좋은' 벡터를 규명한다.
• 이전의 고유값 분포의 약한 수렴 결과(한계 스펙트럼 측도)를 고유값 통계량의 변동 행동으로 확장하여, 변동이 정규분포임을 보인다.
• 벡터 $ \mathbf{y}_\alpha $ 의 분포에 대한 충분한 조건을 제시하며, 특히 로그-볼록 및 등방향 벡터의 경우 CLT의 타당성을 보장한다.

제안 방법

• 행렬 $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $ 의 고유값에 대한 정규화된 수세기 측도(NCM) $ N_n $ 과 가중치 $ \{\tau_\alpha\} $ 의 NCM $ \sigma_m $ 을 정의하고, $ m \to \infty $ 일 때 약한 수렴 $ \sigma_m \to \sigma $ 이 성립한다고 가정한다.
• 스틸체스 변환 $ f(z) = \int \frac{N(d\lambda)}{\lambda - z} $ 을 사용하여 한계 스펙트럼 측도 $ N $ 을 특성화하며, 이는 함수방정식 $ z f(z) = c - 1 - c \int (1 + \tau f(z))^{-1} \sigma(d\tau) $ 를 만족한다.
• 정의 1.6에 따라 '매우 좋은' 벡터의 개념을 도입한다. 이는 '좋은' 벡터(정의 1.2)의 부분집합이며, 모멘트 및 尾 꼬리 조건을 통해 행렬 원소의 충분한 농도와 독립성을 보장한다.
• 해소자 방법과 등방향 농도 부등식을 적용하여 해소자 원소 $ G_{jj}(z) = [(M_n - zI)^{-1}]_{jj} $ 를 제어하며, 조건부 기대와 분할 기법을 사용한다.
• 해소자 곱의 트레이스에 대한 모멘트 및 분산 경계를 해소자 항등식과 촉진자 전개를 통해 확립하며, 특히 $ \mathbf{E}[g_n(z_1,z_2)] \to f(z_1)f(z_2) $ 와 $ \mathrm{Var}[g_n(z_1,z_2)] \to 0 $ 이 성립함을 보인다. 여기서 $ g_n(z_1,z_2) = n^{-1} \sum_j G_{jj}(z_1)G_{jj}(z_2) $ 이다.
• 린데버그 유형의 추론과 가우시안 근사 기법을 사용하여, '매우 좋은' 조건 하에서 선형 고유값 통계량이 정규분포로 수렴함을 보인다.

실험 결과

연구 질문

• RQ1 등방향 랜덤 벡터 $ \{\mathbf{y}_\alpha\} $ 가 어떤 조건을 만족할 경우, 행렬 $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $ 의 선형 고유값 통계량이 정규분포로 수렴하는가?
• RQ2 고유값 변동 수렴의 맥락에서 '매우 좋은' 벡터와 일반적인 '좋은' 벡터는 무엇으로 구별되는가?
• RQ3 비.i.i.d. 성분, 예를 들어 로그-볼록 또는 등방향 벡터에 대해서도, 점 渐진 조건 $ m,n \to \infty $, $ m/n \to c \in [0,\infty) $ 하에서 선형 고유값 통계량의 CLT 를 확립할 수 있는가?
• RQ4 벡터 성분의 네 번째 모멘트와 꼬리 행동은 선형 고유값 통계량의 분산에 어떤 영향을 미치는가?
• RQ5 해소자 트레이스 $ \mathrm{Tr}[(M_n - zI)^{-1}] $ 는 이러한 행렬 집합의 CLT 증명에서 어떤 정확한 역할을 하는가?

주요 결과

• 논문은 '매우 좋은'(정의 1.6) 조건을 만족할 경우, $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $ 의 선형 고유값 통계량에 대해 중심극한정리를 확립한다. 이 조건은 일반적인 '좋은' 조건보다 더 강한 모멘트 및 꼬리 제어를 암시한다.
• '매우 좋은' 벡터의 경우, 정규화된 선형 고유값 통계량 $ \frac{1}{n} \sum_{j=1}^n \varphi(\lambda_j^{(n)}) $ 이 한계 스펙트럼 측도 $ N $ 과 시험함수 $ \varphi $ 에 의해 결정되는 평균과 분산을 가진 정규분포로 수렴함을 보였다.
• 선형 통계량의 한계 분산이 $ \mathrm{Var}(\mathcal{L}_n(\varphi)) \to \int \varphi(z)^2 \cdot \mathrm{Im} f(z)^2 \, dz $ 로 주어지며, 여기서 $ f(z) $ 는 한계 스펙트럼 측도의 스틸체스 변환임을 보였다.
• 증명은 해소자 곱의 트레이스의 두 번째 모멘트 $ g_n(z_1,z_2) = n^{-1} \sum_j G_{jj}(z_1)G_{jj}(z_2) $ 가 $ f(z_1)f(z_2) $ 로 수렴하고, 그 분산이 $ n \to \infty $ 일 때 0으로 수렴함을 보여, 정규분포 변동 행동을 보장한다.
• 이 결과는 평균이 0이고 분산이 $ 1/n $ 인 i.i.d. 성분을 가진 벡터, 등방향 로그-볼록 벡터와 같은 중요한 예시에 적용되며, 이들은 약한 모멘트 조건 하에서 '매우 좋은' 것으로 밝혀졌다.
• 논문은 벡터 분포에 대한 날카운 조건을 제공한다: 성분이 $ \mathbf{E}[y_{\alpha j}^4] = 3/n^2 $ 과 $ \mathbf{E}[y_{\alpha j}^k] = o(n^{-k/2}) $ 를 만족하면, 이는 '매우 좋은' 조건을 만족하며, 이에 따라 CLT 가 성립함을 보였다.