[论文解读] Laws of large numbers for eigenvectors and eigenvalues associated to random subspaces in a tensor product

Serban T. Belinschi, Benoı̂t Collins+1 more|arXiv (Cornell University)|Aug 18, 2010

Random Matrices and Applications参考文献 27被引用 14

一句话总结

本文建立了关于张量积空间 $\mathbb{C}^k \otimes \mathbb{C}^n$ 中均匀随机子空间内随机向量奇异值的大数定律，表明当 $n \to \infty$ 时，可实现的奇异值元组集合几乎必然收敛到一个确定的凸集 $K_{k,t}$。$K_{k,t}$ 的刻画依赖于自由概率中一种新范数，该范数在 $\ell^1$ 与 $\ell^\infty$ 范数之间插值，其在量子信息理论和随机矩阵特征向量渐近行为中具有应用。

ABSTRACT

Given two positive integers $n$ and $k$ and a parameter $t\in (0,1)$, we choose at random a vector subspace $V_{n}\subset \mathbb{C}^{k}\otimes\mathbb{C}^{n}$ of dimension $N\sim tnk$. We show that the set of $k$-tuples of singular values of all unit vectors in $V_n$ fills asymptotically (as $n$ tends to infinity) a deterministic convex set $K_{k,t}$ that we describe using a new norm in $\R^k$. Our proof relies on free probability, random matrix theory, complex analysis and matrix analysis techniques. The main result result comes together with a law of large numbers for the singular value decomposition of the eigenvectors corresponding to large eigenvalues of a random truncation of a matrix with high eigenvalue degeneracy.

研究动机与目标

• 确定在 $\mathbb{C}^k \otimes \mathbb{C}^n$ 的随机子空间中，单位向量的奇异值元组在渐近下可实现的集合。
• 通过刻画随机子空间奇异值的渐近行为，解决量子信息理论中关于熵非加性性的一个长期悬而未决的问题。
• 为大随机矩阵截断的特征向量建立大数定律，表明其奇异值分解收敛到确定性极限。
• 引入并分析 $\mathbb{R}^k$ 上一种源自自由概率的新范数，该范数刻画了渐近奇异值支撑 $K_{k,t}$。

提出的方法

• 作者运用自由概率、随机矩阵理论和复分析工具，分析固定维数 $N \sim t n k$ 的随机子空间中奇异值的渐近行为。
• 他们将 Haagerup 与 Thorbjørnsen 关于谱测度收敛的结果推广到随机投影的情形，建立了基础性的技术结果。
• 通过 $\mathbb{R}^k$ 上新范数 $\|\cdot\|_{(t)}$ 定义的凸体 $A^*$ 的对偶，实现了对 $K_{k,t}$ 的刻画，该范数在 $\ell^1$ 与 $\ell^\infty$ 范数之间插值。
• 主定理的证明采用两步论证：首先证明 $K_{k,t}$ 外的奇异值元组在渐近下不可能实现（第一包含）；其次证明 $K_{k,t}$ 的所有内点以高概率可实现（第二包含）。
• 第二包含的证明依赖于一个关于随机矩阵截断特征向量渐近确定性的新结果，表明对应于第 $\nu_n$ 个最大特征值的特征向量的奇异值分解几乎必然收敛到一个确定性极限。

实验结果

研究问题

• RQ1 在 $\mathbb{C}^k \otimes \mathbb{C}^n$ 中维度为 $N \sim t n k$ 的均匀随机子空间中，哪些 $k$-元组的正实数可渐近作为单位向量的奇异值出现？
• RQ2 奇异值的渐近支撑如何依赖于相对维数 $t$ 和固定的 $k$？
• RQ3 大随机矩阵截断的特征向量是否表现出结构化的渐近行为？若是，其极限奇异值分解由什么决定？
• RQ4 描述渐近奇异值支撑的凸集 $K_{k,t}$ 的精确几何结构是什么？它与自由概率有何关联？

主要发现

• 渐近可实现奇异值元组的集合正是紧致凸集 $K_{k,t} \subset \mathbb{R}^k_+$，即标准单纯形 $\Delta_k$ 与通过新范数 $\|\cdot\|_{(t)}$ 定义的凸集 $A$ 的对偶体 $A^*$ 的交集。
• 当 $t < \frac{1}{k}$ 时，集合 $K_{k,t}$ 具有暴露面为点、线段或超平面的特征，其边界结构由 $\|\cdot\|_{(t)}$ 单位球的光滑性决定。
• 当 $t < 1 - \frac{1}{k}$ 时，$K_{k,t}$ 与 $\Delta_k^\downarrow$（Weyl 范畴）中任意非退化方向的交集为单点，意味着沿此类方向存在唯一的渐近奇异值分布。
• 随机矩阵截断 $Z_n = \Pi_n (A \otimes I_n) \Pi_n$ 的特征向量在奇异值分解下几乎必然收敛到确定性极限，从而为特征向量建立了大数定律。
• 范数 $\|\cdot\|_{(t)}$ 在 $\ell^1$ 与 $\ell^\infty$ 范数之间插值，其通过均匀测度与离散测度的自由卷积定义，反映了该随机矩阵模型的渐近谱性质。
• 当 $t > \frac{k-1}{k}$ 时，集合 $K_{k,t}$ 与完整单纯形 $\Delta_k$ 重合，意味着所有和为 1 的递减正实数 $k$-元组在渐近下均可实现。