[论文解读] On the Limiting Empirical Measure of the sum of rank one matrices with log-concave distribution

Alain Pajor, L. А. Pastur|ArXiv.org|Oct 6, 2007

Random Matrices and Applications参考文献 19被引用 9

一句话总结

该论文建立了由独立同分布的各向同性对数凹向量对确定性矩阵进行秩一更新所形成的大型随机矩阵的样本特征值测度的几乎必然收敛性。通过使用斯蒂尔杰斯变换方法和截断论证，证明了在极限 $ n,m \to \infty $，$ m/n \to c \in [0,\infty) $ 下，样本测度以弱收敛方式趋于一个由初始矩阵的谱测度和幅值分布决定的非随机极限，该极限满足一个涉及函数方程的表达式。

ABSTRACT

We consider $n imes n$ real symmetric and hermitian random matrices $H_{n,m}$ equals the sum of a non-random matrix $H_{n}^{(0)}$ matrix and the sum of $m$ rank-one matrices determined by $m$ i.i.d. isotropic random vectors with log-concave probability law and i.i.d. random amplitudes $\{τ_{α}\}_{α=1}^{m}$. This is a generalization of the case of vectors uniformly distributed over the unit sphere, studied in [Marchenko-Pastur (1967)]. We prove that if $n o \infty, m o \infty, m/n o c\in \lbrack 0,\infty)$ and that the empirical eigenvalue measure of $H_{n}^{(0)}$ converges weakly, then the empirical eigenvalue measure of $H_{n,m}$ converges in probability to a non-random limit, found in [Marchenko-Pastur (1967)].

研究动机与目标

• 将随机矩阵的极限谱分布结果从球面上均匀分布的向量推广到更一般的各向同性对数凹向量情形。
• 在渐近情形 $ n,m \to \infty $，$ m/n \to c \in [0,\infty) $ 下，建立 $ H_{n,m} = H_n^{(0)} + \sum_{\alpha=1}^m \tau_\alpha L_{Y_\alpha} $ 的样本特征值测度的弱收敛性（概率意义下）。
• 证明极限谱测度由一个涉及初始矩阵的斯蒂尔杰斯变换和幅值 $ \tau_\alpha $ 分布的函数方程唯一确定。
• 将极限谱律的适用范围扩展到更广泛的随机向量类，包括单位球体内均匀分布的向量以及具有零均值和单位方差的独立同分布分量。

提出的方法

• 作者利用样本测度的斯蒂尔杰斯变换来分析极限谱分布，借助复上半平面中的解析性质。
• 通过截断幅值 $ \tau_\alpha $ 来证明收敛性，表明截断后的测度弱收敛于满足函数方程的极限。
• 关键函数方程为 $ f(z) = f^{(0)}\left(z - c \int \frac{\tau \sigma(d\tau)}{1 + \tau f(z)} \right) $，其中 $ f $ 是极限测度 $ N $ 的斯蒂尔杰斯变换。
• 证明依赖于极小化-极大化原理来控制截断引起的特征值扰动，确保极限测度与截断阈值无关。
• 在 $ \mathbb{C} \setminus \mathbb{R} $ 中的紧集上使用斯蒂尔杰斯变换的一致收敛性，以证明可将截断幅值取极限至无穷大。
• 通过斯蒂尔杰斯变换虚部的先验界，证明了函数方程解的唯一性，从而确保极限的良定义性。

实验结果

研究问题

• RQ1 当向量 $ Y_\alpha $ 为各向同性且对数凹时，而非球面上均匀分布时，$ H_{n,m} $ 的样本特征值测度是否弱收敛于非随机极限？
• RQ2 极限谱测度是否能通过涉及初始矩阵的斯蒂尔杰斯变换和幅值分布的函数方程来表征？
• RQ3 当幅值 $ \tau_\alpha $ 为重尾或无界时，收敛行为如何变化？
• RQ4 在一般对数凹假设下，即使向量不具备旋转对称性，极限谱测度是否仍唯一且非随机？

主要发现

• 在给定渐近情形 $ n,m \to \infty $，$ m/n \to c \in [0,\infty) $ 下，$ H_{n,m} $ 的样本特征值测度以概率收敛于一个非随机极限。
• 极限谱测度 $ N $ 由函数方程 $ f(z) = f^{(0)}\left(z - c \int \frac{\tau \sigma(d\tau)}{1 + \tau f(z)} \right) $ 唯一确定，其中 $ f $ 是 $ N $ 的斯蒂尔杰斯变换。
• 极限测度 $ N $ 是一个概率测度，其密度可通过斯蒂尔杰斯反演公式恢复，从而实现完全表征。
• 即使幅值 $ \tau_\alpha $ 无界，只要截断过程保持分布收敛性，该结果依然成立。
• 只要向量 $ Y_\alpha $ 是各向同性的且幅值分布 $ \sigma $ 固定，极限测度 $ N $ 与向量的具体对数凹分布无关。
• 该结果可推广至格拉姆矩阵 $ \mathcal{G}_{n,m} = YY^* $，其中极限谱测度 $ \widetilde{N} $ 与 $ N $ 的关系为：当 $ n > m $ 时，$ \widetilde{N} = -(c^{-1} - 1)\delta_0 + c^{-1}N $，类似关系也适用于 $ m > n $ 的情形。