[论文解读] Invertibility of random matrices: norm of the inverse

Mark Rudelson|ArXiv.org|Jul 1, 2005

Mathematical Dynamics and Fractals参考文献 7被引用 6

一句话总结

本文建立了具有 i.i.d. 子高斯条目的 n×n 随机矩阵的逆矩阵的算子范数的多项式上界。通过结合 ε-网方法与基于 Halász 方法的精细小球概率估计，证明了在高概率下有 ‖A⁻¹‖ ≤ Cn³/²，从而解决了关于非高斯随机矩阵可逆性理解中的长期存在的空白。

ABSTRACT

Let A be an n by n matrix, whose entries are independent copies of a centered random variable satisfying the subgaussian tail estimate. We prove that the operator norm of A^{-1} does not exceed Cn^{3/2} with probability close to 1.

研究动机与目标

• 为具有 i.i.d. 子高斯条目的随机矩阵的逆矩阵范数提供一个定量估计。
• 填补对非高斯随机矩阵可逆性理解的空白，特别是当条目为离散或有界时。
• 将高斯矩阵中已知的结果（其中 ‖A⁻¹‖ ≤ c√n 几乎必然）推广到一般子高斯条目。
• 建立 ‖A⁻¹‖ 的多项式上界，这对几何泛函分析与巴拿赫空间理论中的应用至关重要。

提出的方法

• 采用 ε-网方法控制单位球面上 ‖Ax‖ 的下确界，使用 ℓ∞-度量中的覆盖数。
• 将球面 Sⁿ⁻¹ 分解为尖峰、奇异和常规三种类型的集合，分别处理不同类型的向量。
• 利用 Halász 方法推导线性形式 ∑βⱼxⱼ 的改进小球概率估计，这对控制 P(|∑βⱼxⱫ| ≤ t) 至关重要。
• 应用子高斯随机变量的矩条件与尾部条件，以控制拉普拉斯变换并推导指数尾部界。
• 通过条件概率与网逼近，结合不同向量类型（尖峰、奇异、常规）的概率估计。
• 建立涉及算子范数、覆盖数与小球概率的一系列不等式，从而导出最终的上界。

实验结果

研究问题

• RQ1 当 A 是具有 i.i.d. 子高斯条目的 n×n 随机矩阵时，A⁻¹ 的最优多项式上界是什么？
• RQ2 对于非高斯矩阵，线性形式 ∑βⱼxⱼ 的小球概率是否能被充分控制，以获得对 ‖A⁻¹‖ 的非平凡上界？
• RQ3 当条目为离散时（例如 ±1），A⁻¹ 的范数行为如何，特别是奇异性的概率仍未完全明确？
• RQ4 ε-网方法能否被调整以适用于方阵，其中标准应用下的小球概率过于微弱？
• RQ5 逆矩阵范数对子高斯矩与矩阵大小 n 的依赖关系如何？

主要发现

• 对于任意具有 i.i.d. 中心化子高斯条目（方差为 1）的 n×n 随机矩阵，A⁻¹ 的算子范数以高概率被 Cn³/² 所控制。
• 只要 n 足够大，该界对任意 ε > 0，其成立概率超过 1−ε。
• 证明依赖于将单位球面新颖地分解为尖峰、奇异与常规三种类型的向量，每类均使用定制的概率工具处理。
• 通过 Halász 方法改进了线性形式的小球概率估计，优于 [KKS] 与 [TV1] 中使用过的先前界。
• 通过在奇异类型集合上结合条件概率，将 ε-网方法调整以应对弱小球概率估计。
• 该结果在非高斯情况下建立了逆矩阵范数的多项式上界，其阶数与高斯矩阵中已知的结果（其中 ‖A⁻¹‖ ≤ c√n 几乎必然）一致，但将其推广至更广泛的分布类。