[论文解读] Marchenko-Pastur Theorem and Bercovici-Pata bijections for heavy-tailed or localized vectors

Florent Benaych-Georges, Thierry Cabanal-Duvillard|arXiv (Cornell University)|Apr 23, 2012

Random Matrices and Applications参考文献 17被引用 8

一句话总结

本文将 Marchenko-Pastur 定理推广至重尾和局域化的随机向量，放宽了经典设定中的非局域化假设。通过将 Bercovici-Pata 双射扩展至非高斯、非均匀分布的向量，建立了经典无限可分分布与随机矩阵极限谱分布之间新的对应关系，包括重尾情况以及初始条件局域化的球面上布朗运动情形。

ABSTRACT

The celebrated Marchenko-Pastur theorem gives the asymptotic spectral distribution of sums of random, independent, rank-one projections. Its main hypothesis is that these projections are more or less uniformly distributed on the first grassmannian, which implies for example that the corresponding vectors are delocalized, i.e. are essentially supported by the whole canonical basis. In this paper, we propose a way to drop this delocalization assumption and we generalize this theorem to a quite general framework, including random projections whose corresponding vectors are localized, i.e. with some components much larger than the other ones. The first of our two main examples is given by heavy tailed random vectors (as in a model introduced by Ben Arous and Guionnet or as in a model introduced by Zakharevich where the moments grow very fast as the dimension grows). Our second main example is given by vectors which are distributed as the Brownian motion on the unit sphere, with localized initial law. Our framework is in fact general enough to get new correspondences between classical infinitely divisible laws and some limit spectral distributions of random matrices, generalizing the so-called Bercovici-Pata bijection.

研究动机与目标

• 将 Marchenko-Pastur 定理从经典设定（即向量为非局域化，亦即在球面上均匀分布）推广至更一般情形。
• 分析当秩一投影由局域化或重尾条目向量生成时，随机矩阵系综的渐近谱分布。
• 建立一个通用框架，将经典无限可分分布与随机矩阵的极限谱分布相联系，推广 Bercovici-Pata 双射。
• 处理向量非均匀分布的情形，例如由初始分布局域化的球面上布朗运动产生的向量，或具有快速增长矩的重尾分布产生的向量。
• 为 Bercovici-Pata 双射提供统一的矩阵模型解释，使其适用于非高斯和非局域化向量。

提出的方法

• 提出广义随机矩阵模型 $ \frac{1}{N}\sum_{i=1}^{P(N\lambda)} X^i U_N^i (U_N^i)^* $，其中 $ U_N^i $ 为独立同分布的向量，其分布可能具有局域性或重尾特性。
• 利用 Bercovici-Pata 双射 $ \Lambda $ 将经典无限可分分布映射至自由无限可分分布，并构造渐近实现该对应关系的矩阵系综。
• 应用图论与超图论中的组合工具（如环路数、无环超图）分析谱测度的矩。
• 采用矩方法与渐近分析，证明在向量分布满足一般条件时，经验谱分布的收敛性。
• 通过允许非独立同分布或非高斯的条目分布，扩展了 Ben Arous 与 Guionnet（2005）以及 Zakharevich（2006）关于重尾向量的先前结果。
• 提出一个新框架，其中极限谱分布依赖于向量的尾部行为与局域性，而不仅依赖于其二阶矩。

实验结果

研究问题

• RQ1 当秩一投影由局域化或重尾向量而非非局域化向量生成时，Marchenko-Pastur 极限定理分布如何变化？
• RQ2 Bercovici-Pata 双射能否推广至具有非高斯、非均匀分布向量的随机矩阵系综？
• RQ3 当向量具有快速增长矩的重尾条目时，经验协方差矩阵的渐近谱分布为何？
• RQ4 当向量通过初始条件局域化的球面上布朗运动演化时，谱分布行为如何？
• RQ5 在局域化或重尾情形下，谱测度矩展开的控制组合结构（如超图中的环路）是什么？

主要发现

• 即使向量 $ U_N^i $ 局域化（即 $ \|U_N^i\|_\infty / \|U_N^i\|_2 $ 不为 $ O(\sqrt{\log N / N}) $，而可远离零），Marchenko-Pastur 定理仍以广义形式成立。
• 对于具有快速增长矩的重尾向量（如 Ben Arous 与 Guionnet 模型中的情形），极限谱分布仍定义良好，且不同于经典 Marchenko-Pastur 分布。
• 当向量服从单位球面上布朗运动且初始分布局域化时，极限谱分布对应于一个广义化的自由卷积，推广了经典 Bercovici-Pata 双射。
• 矩阵系综 $ \frac{1}{N}\sum_{i=1}^{P(N\lambda)} X^i U_N^i (U_N^i)^* $ 的极限谱分布收敛至 $ \Lambda(\mu) $，其中 $ \mu $ 为 $ \sum_{i=1}^{P(\lambda)} X^i $ 的复合泊松分布，即使 $ U_N^i $ 非均匀分布亦成立。
• 关联超图的环路数控制矩的主导贡献，且无环结构确保极限中仅自由累积量起作用。
• 该框架支持经典无限可分分布与随机矩阵极限谱分布之间新的对应关系，将 Bercovici-Pata 双射推广至非高斯情形。