[论文解读] Convergence of the spectral radius of a random matrix through its characteristic polynomial

Charles Bordenave, Djalil Chafaï+1 more|arXiv (Cornell University)|Dec 10, 2020

Random Matrices and Applications参考文献 24被引用 10

一句话总结

本论文证明了，当矩阵维数趋于无穷时，具有独立同分布、均值为零、方差为1的条目且经过归一化的随机矩阵的谱半径以概率收敛于1。该证明采用了一种新颖的方法，利用倒特征多项式收敛于与双曲高斯解析函数相关的随机解析函数的分布，避免了传统的工具如厄米特化或预解方法，转而使用固定幂次迹的联合中心极限定理与紧致性论证。

ABSTRACT

Consider a square random matrix with independent and identically distributed entries of mean zero and unit variance. We show that as the dimension tends to infinity, the spectral radius is equivalent to the square root of the dimension in probability. This result can also be seen as the convergence of the support in the circular law theorem under optimal moment conditions. In the proof we establish the convergence in law of the reciprocal characteristic polynomial to a random analytic function outside the unit disc, related to a hyperbolic Gaussian analytic function. The proof is short and differs from the usual approaches for the spectral radius. It relies on a tightness argument and a joint central limit phenomenon for traces of fixed powers.

研究动机与目标

• 建立归一化i.i.d.随机矩阵的谱半径在维数增长时几乎必然收敛于1。
• 为谱半径收敛提供一种新证明策略，避免使用Girko厄米特化或Gelfand谱半径公式等标准技术。
• 分析归一化矩阵的倒特征多项式的极限行为，并证明其在分布上收敛于一个随机解析函数。
• 证明矩条件 E[|a₁₁|²] = 1 对于谱半径收敛是最优的，无需假设四阶矩存在。
• 通过倒特征多项式的收敛性，建立特征值分布的全局二阶分析。

提出的方法

• 使用倒多项式 qₙ(z) = det(1 - zAₙ/√n) 通过单位圆盘 D 上解析函数的收敛性来分析谱半径。
• 利用行列式在子矩阵行列式上的正交分解，在 H(D)（D 上全纯函数空间）中证明序列 (qₙ)ₙ≥₁ 的紧致性。
• 采用截断论证将分析简化为有界条目情形，从而可应用中心极限定理。
• 建立矩阵固定幂次迹的联合中心极限定理，依赖于路径序列中环结构的组合计数。
• 利用 Isserlis/Wick 公式计算迹乘积的矩，从而实现特征多项式系数的收敛。
• 证明极限对象为随机解析函数 F(z) = Σₖ≥₁ Xₖ zᵏ / √k，其中 {Xₖ} 为独立同分布的复高斯随机变量，满足 E[Xₖ] = 0，E[|Xₖ|²] = 1，E[Xₖ²] = E[a₁₁²]ᵏ，再乘以一个全纯函数 κ(z)。

实验结果

研究问题

• RQ1 在最小矩假设下，归一化i.i.d.随机矩阵的谱半径是否以概率收敛于1？
• RQ2 是否可以在不依赖算子范数或预解方法的前提下建立谱半径的收敛性？
• RQ3 归一化随机矩阵的倒特征多项式的极限行为是什么？
• RQ4 倒多项式的极限解析函数与双曲高斯解析函数等已知随机过程有何关系？
• RQ5 能否利用固定幂次迹的联合中心极限定理推导出特征值分布的全局二阶性质？

主要发现

• 即使不假设四阶矩存在，归一化矩阵 Aₙ/√n 的谱半径 ρₙ 仍以概率收敛于1，当 n → ∞ 时。
• 倒特征多项式 qₙ(z) 在 H(D) 中依分布收敛于 κ(z) exp(−F(z))，其中 F(z) = Σₖ≥₁ Xₖ zᵏ / √k，且 {Xₖ} 为独立同分布的复高斯随机变量，满足 E[Xₖ] = 0，E[|Xₖ|²] = 1，E[Xₖ²] = E[a₁₁²]ᵏ。
• 当 E[a₁₁²] = 0 时，极限函数退化为 exp(−F(z))，其中 F 是双曲高斯解析函数的退化情形，具体为 L=2 Bergman GAF 的原函数。
• 倒多项式收敛意味着经验谱测度的柯西-史蒂尔杰斯变换减去 n/z 在 C ar{D} 上收敛于一个高斯解析函数，其协方差由 Bergman 核给出。
• 该证明通过复分析与柯西积分公式，建立了关于单位圆盘附近解析函数的线性谱统计的中心极限定理。
• 该方法避免使用高阶迹与预解技术，转而依赖组合矩计数与紧致性，关键洞见在于仅有双循环（顶点成对的偶长环）对极限有贡献。