[论文解读] Asymptotic Freeness for Rectangular Random Matrices and Large Deviations for Sample Covariance Matrices With Sub-Gaussian Tails

Benjamin Groux|arXiv (Cornell University)|May 21, 2015

Random Matrices and Applications参考文献 21被引用 5

一句话总结

本文建立了具有次高斯条目的样本协方差矩阵的经验谱测度的大偏差原理（LDP），将Bordenave与Caputo对Wigner矩阵的LDP结果推广至该情形。通过证明矩形自由卷积框架下渐近自由性的定量结果，特别是对矩形自由卷积中次序函数的界，实现了对次高斯尾部假设下的信息加噪声模型的分析。

ABSTRACT

We establish a large deviation principle for the empirical spectral measure of a sample covariance matrix with sub-Gaussian entries, which extends Bordenave and Caputo's result for Wigner matrices having the same type of entries [7]. To this aim, we need to establish an asymptotic freeness result for rectangular free convolution, more precisely, we give a bound in the subordination formula for information-plus-noise matrices.

研究动机与目标

• 将大偏差原理（LDP）从Wigner矩阵推广至具有次高斯条目的样本协方差矩阵。
• 在矩形自由卷积框架下建立渐近自由性的定量结果，尤其关注信息加噪声模型的背景。
• 推导矩形自由卷积中次序函数的界，从而实现对非高斯、次高斯假设下谱测度的分析。
• 为具有重尾但次高斯条目的矩形随机矩阵的经验谱测度提供非渐近集中框架。
• 将随机矩阵理论中现有的LDP结果从酉不变模型推广至非高斯、次高斯系综。

提出的方法

• 利用矩形自由卷积中的次序公式，控制极限谱测度的Stieltjes变换。
• 应用Stein方法与对数Sobolev不等式，推导经验谱测度的集中界。
• 采用矩阵值Stein方法，结合关于预解式（包括预解式S的二阶与三阶导数）的显式导数公式。
• 推导基于秩的不等式（如Hoffmann-Wielandt型与Kolmogorov-Smirnov型），用于比较不同矩阵的谱测度。
• 建立$XX^*$的谱测度与Stieltjes变换之间的联系，其中$G_{\nu}(z) = \frac{1}{n}\mathrm{Tr}\, S$，$S$为信息加噪声矩阵的预解式。
• 利用预解式恒等式与矩阵导数恒等式，控制波动并推导谱测度的指数尾部界。

实验结果

研究问题

• RQ1 尽管缺乏显式的特征值联合分布，能否为具有次高斯条目的样本协方差矩阵的经验谱测度建立大偏差原理？
• RQ2 在矩形自由卷积框架下，如何对渐近自由性进行量化，以控制非高斯矩阵的次序函数？
• RQ3 具有次高斯条目的矩形随机矩阵的谱测度的最优集中界是什么？其依赖于矩阵维数的程度如何？
• RQ4 在相同的矩条件假设下，Wigner矩阵的LDP结果在多大程度上可推广至具有次高斯条目的样本协方差矩阵？
• RQ5 在次高斯尾部条件下，矩形自由卷积中的次序函数行为如何？能否在矩阵规模上实现一致有界？

主要发现

• 本文在速度$n^2$下为具有次高斯条目的样本协方差矩阵的经验谱测度建立了大偏差原理，将Bordenave与Caputo对Wigner矩阵的结果推广至样本协方差矩阵。
• 推导出矩形自由卷积中次序函数的定量界，这对分析信息加噪声模型中极限谱测度至关重要。
• 预解式$S = (zI - AA^*)^{-1}$在其算子范数及其导数上满足一致的$L^p$型有界性，从而支持集中分析。
• 谱测度$\mu_{XX^*}$在$\mathcal{P}(\mathbb{R})$上的弱收敛拓扑下满足大偏差原理，其良好速率函数为下半连续且具有紧水平集。
• 关键技术创新在于推导出预解式$S$的显式导数公式，包括至三阶导数，这些公式通过Stein方法用于控制波动。
• 本文表明，矩形矩阵的渐近自由性在次序函数中具有显式误差界，这对于在次高斯假设下证明LDP至关重要。