[论文解读] Bounds for logarithmic Sobolev constants for Gaussian convolutions of compactly supported measures

David Zimmermann|arXiv (Cornell University)|May 11, 2014

Point processes and geometric inequalities参考文献 22被引用 4

一句话总结

本文建立了在 R^n 上紧支集测度与高斯测度卷积的对数 Sobolev 常数的上界，并通过具体例子证明了这些上界的紧性。该研究通过弱化随机矩阵理论中特征值收敛性结果的假设条件，改进了先前的研究成果，表明即使在矩阵元素之间存在轻微长程依赖时， universality 依然成立。

ABSTRACT

We give upper bounds for optimal constants in logarithmic Sobolev inequalities for convolutions of compactly supported measures on $\mathbb{R}^n$ with a Gaussian measure. We investigate tightness of these bounds by examining some examples. We then revisit and improve (by significantly weakening hypotheses) the statement and proof in \cite{Zi13} that, under certain hypotheses, the empirical law of eigenvalues of a sequence of symmetric random matrices converges to its mean in probability. In particular, the universality theorem holds even when there is some mild long range dependence between the entries.

研究动机与目标

• 推导 R^n 上紧支集测度与高斯测度卷积的最优对数 Sobolev 常数的上界。
• 通过显式例子评估这些上界的紧性。
• 重新表述并强化 [Zi13] 中关于对称随机矩阵经验特征值分布收敛于其均值的概率收敛结果。
• 通过显著弱化矩阵元素独立性假设，将特征值分布的 universality 定理推广。
• 证明即使矩阵元素之间存在轻微长程依赖，universality 依然成立。

提出的方法

• 利用函数不等式，特别是对数 Sobolev 不等式，分析卷积后概率测度的正则性。
• 应用信息论与测度集中技术，界定卷积的对数 Sobolev 常数。
• 采用变分表示与熵方法，推导最优对数 Sobolev 常数的上界。
• 通过识别并放松 [Zi13] 证明结构中关于矩阵元素独立性的关键假设，重新审视其证明框架。
• 引入对矩阵元素依赖结构的精细化分析，允许存在轻微长程依赖，同时保持概率收敛性。
• 利用矩阵系综的凸性与对称性，通过矩方法与熵界控制特征值分布。

实验结果

研究问题

• RQ1 在 R^n 上，紧支集测度与高斯测度卷积的最优对数 Sobolev 常数可建立何种上界？
• RQ2 这些上界有多紧？在何种情形下达到等式或近似等式？
• RQ3 能否在弱于先前已知的独立性假设下，证明对称随机矩阵经验特征值分布收敛于其均值的概率收敛？
• RQ4 在保持极限特征值分布 universality 的前提下，矩阵元素之间的长程依赖可容忍到何种程度？
• RQ5 对 [Zi13] 中假设的放松如何影响 universality 定理的鲁棒性与适用性？

主要发现

• 本文建立了紧支集测度与 R^n 上高斯测度卷积的最优对数 Sobolev 常数的显式上界。
• 通过特定例子的分析，证明了这些上界在某些情形下是紧的，表明其在特定参数范围内的最优性。
• 作者通过显著弱化对称随机矩阵元素所需独立性条件，改进了 [Zi13] 的结果。
• 即使矩阵元素表现出轻微长程依赖，极限特征值分布的 universality 依然成立。
• 改进后的定理将随机矩阵理论中 universality 原理的适用范围扩展至更广泛的依赖元素模型。
• 分析结果表明，在放松假设条件下，经验特征值分布收敛于其均值的概率收敛性依然成立，保持了原始结果的核心结论。