[论文解读] A note on the folklore of free independence

Arijit Chakrabarty, Sukrit Chakraborty+1 more|arXiv (Cornell University)|Feb 3, 2018

Random Matrices and Applications参考文献 8被引用 3

一句话总结

本论文在最弱的谱假设下，建立了具有 i.i.d. 复高斯条目的 Wishart 矩阵与一个独立的随机矩阵之间的渐近自由独立性。通过截断和谱分布技术，证明了在两种定义下联合谱测度的依分布收敛：归一化期望迹和极限谱分布。关键结果即使在独立矩阵的极限谱测度不具有紧支集时依然成立。

ABSTRACT

It is shown that a Wishart matrix of standard complex normal random variables is asymptotically freely independent of an independent random matrix, under minimal conditions, in two different sense of asymptotic free independence.

研究动机与目标

• 解决随机矩阵理论中关于渐近自由独立性的民间共识中的模糊性。
• 通过区分两种定义——归一化期望迹与极限谱分布——澄清“渐近自由独立”的含义。
• 在尽可能弱的假设下，建立 Wishart 矩阵与一个独立随机矩阵渐近自由独立的条件。
• 使用截断和收敛论证，为渐近自由独立在两种不同意义下提供严格的证明。
• 表明即使极限谱分布不具有紧支集，结果依然成立，且对独立矩阵的极限谱分布的假设要求最小化。

提出的方法

• 定义 Wishart 矩阵 $ W_N = \frac{1}{M_N} X_N^* X_N $，其中 $ X_N $ 具有 i.i.d. 的复标准正态条目，且满足 $ \lim_{N\to\infty} \frac{N}{M_N} = \lambda \in (0,\infty) $。
• 使用经验谱分布（ESD）和期望经验谱分布（EESD）分析谱收敛。
• 应用截断过程：定义 $ Y_N' = P_N T_N' P_N^* $，其中 $ T_N' $ 是三角化矩阵 $ T_N = P_N^* Y_N P_N $ 的截断版本，$ P_N $ 来自 $ Y_N $ 的函数演算。
• 通过矩收敛和有界性，证明 $ p(W_N, Y_N') $ 的 EESD 收敛到自由积分布 $ \mathcal{L}(p(w,y)) $。
• 通过秩控制和谱测度收敛，证明 $ \lim_{N\to\infty} \| \text{EESD}(p(W_N, Y_N)) - \text{EESD}(p(W_N, Y_N')) \| = 0 $。
• 利用弱收敛 $ \mu_M = \mu|_{[-M,M]} + \mu([-M,M]^c)\delta_0 \to \mu $ 当 $ M \to \infty $，并利用弱极限下自由卷积的稳定性。

实验结果

研究问题

• RQ1 在何种条件下，Wishart 矩阵在归一化期望迹的意义下与一个独立的随机矩阵渐近自由独立？
• RQ2 即使极限谱测度不具有紧支集，是否仍能在极限谱分布的较弱意义下建立渐近自由独立性？
• RQ3 对独立矩阵的特征值进行截断，如何影响对偶 $ (W_N, Y_N) $ 的联合谱分布？
• RQ4 为使渐近自由独立性成立，对 $ Y_N $ 的极限谱分布的最小假设是什么？
• RQ5 是否可通过在截断下使用矩匹配和有界收敛，建立联合谱测度的收敛性？

主要发现

• 定理 2.1 在归一化期望迹的意义下建立了渐近自由独立性：对任意多项式 $ p $，有 $ \text{EESD}(p(W_N, Y_N)) \to \mathcal{L}(p(w,y)) $，前提是 $ \mu $ 具有紧支集。
• 定理 2.2 在相同紧支集假设下，通过截断和秩控制，证明了 $ p(W_N, Y_N) $ 的 EESD 依分布收敛到自由积分布。
• 定理 2.3 将结果推广到非紧支集的 $ \mu $ 情况，表明当 $ N \to \infty $ 时，$ \text{EESD}(Y_N + W_N) \to \mu \boxplus \nu_\lambda $ 且 $ \text{EESD}(Y_N W_N) \to \mu \boxtimes \nu_\lambda $ 在概率意义下弱收敛，且收敛性在 $ M $ 中成立。
• 截断误差满足 $ \lim_{M\to\infty} \limsup_{N\to\infty} \frac{1}{N} \mathbb{E}[\text{Rank}(Y_N - Y_N')] = 0 $，确保 $ Y_N $ 与 $ Y_N' $ 在分布上渐近等价。
• 证明依赖于 $ \text{EESD}(Y_N') \to \mu $ 在概率意义下弱收敛，且 $ Y_N' $ 的矩收敛到 $ \mu $ 的矩，从而实现矩匹配。
• 结果具有鲁棒性：唯一要求是 $ \text{ESD}(Y_N) \to \mu $ 在概率意义下弱收敛，无需统一可积性或有界性，仅通过截断即可满足。