[论文解读] Large deviations for the largest eigenvalues and eigenvectors of spiked random matrices

Giulio Biroli, Alice Guionnet|arXiv (Cornell University)|Apr 3, 2019

Random Matrices and Applications参考文献 20被引用 6

一句话总结

本文建立了在尖刺高斯随机矩阵中，最大特征值及其对应特征向量在秩一扰动方向上的联合波动的大偏差原理（LDP）。对于 $\theta > 1$，它表明当特征向量分量 $u < 1 - 1/\theta$ 时，罕见事件会引发第二个特征值从 Wigner 半圆分布中脱离，并推导出控制这些典型偏差行为的精确速率函数，将结果扩展至 Wishart 系综及多重特征值。

ABSTRACT

We consider matrices formed by a random $N imes N$ matrix drawn from the Gaussian Orthogonal Ensemble (or Gaussian Unitary Ensemble) plus a rank-one perturbation of strength $θ$, and focus on the largest eigenvalue, $x$, and the component, $u$, of the corresponding eigenvector in the direction associated to the rank-one perturbation. We obtain the large deviation principle governing the atypical joint fluctuations of $x$ and $u$. Interestingly, for $θ&gt;1$, in large deviations characterized by a small value of $u$, i.e. $u&lt;1-1/θ$, the second-largest eigenvalue pops out from the Wigner semi-circle and the associated eigenvector orients in the direction corresponding to the rank-one perturbation. We generalize these results to the Wishart Ensemble, and we extend them to the first $n$ eigenvalues and the associated eigenvectors.

研究动机与目标

• 理解尖刺随机矩阵模型中最大特征值及其关联特征向量分量的大偏差行为。
• 刻画最大特征值 $x$ 与特征向量分量 $u$ 在秩一扰动方向上的联合非典型波动。
• 将大偏差分析从高斯正交/酉系综（GOE/GUE）扩展至 Wishart 系综，以及前 $n$ 个特征值与特征向量。
• 阐明这些偏差在高维能量景观与相关矩阵分析中的几何与统计意义。

提出的方法

• 通过显式计算特征值-特征向量联合密度，推导出尖刺 GOE/GUE 矩阵中最大特征值 $x$ 与特征向量分量 $u$ 的联合大偏差原理（LDP）。
• 利用特征值与特征向量的显式联合分布，计算 $x$ 与 $u$ 联合波动的良定义速率函数（GRF）。
• 分析第二大海量特征值 $y(u)$ 作为 $u$ 的函数的行为，以识别 LDP 中的相变，特别是当 $y(u)$ 低于半圆律支持范围时。
• 证明当 $\theta > 1$ 时，速率函数的最小值出现在 $u_\theta = \frac{\theta x - \sqrt{(\theta x)^2 - 4\theta^2}}{2\theta^2}$，且当 $x \geq 2$ 时该值严格小于 $1/\theta$。
• 通过推导在尖刺协方差结构下特征值与特征向量的联合分布，将方法适配至 Wishart 系综，利用 Wishart 矩阵密度并条件化于特征值顺序。
• 将相同的 LDP 框架应用于前 $n$ 个特征值及其关联特征向量，将结果推广至超越最大特征值的范围。

实验结果

研究问题

• RQ1 在尖刺 GOE/GUE 矩阵中，最大特征值与其特征向量分量联合波动的大偏差速率函数是什么？
• RQ2 当特征向量分量 $u$ 较小时，第二大海量特征值在大偏差下的行为如何？
• RQ3 扰动强度 $\theta$ 的临界阈值是多少，使得最大特征值从半圆律中脱离？
• RQ4 在 Wishart 系综中，当信号嵌入样本协方差矩阵时，结果如何扩展？
• RQ5 大偏差原理能否推广至尖刺模型中前 $n$ 个特征值及其关联特征向量？

主要发现

• 当 $\theta > 1$ 时，第二大海量特征值 $y(u)$ 随 $u$ 增大而减小，且当 $\theta(1 - u) < 1$ 时低于半圆律支持范围（即低于 2），表明特征值谱中存在相变。
• 速率函数的最小值出现在 $u_\theta = \frac{\theta x - \sqrt{(\theta x)^2 - 4\theta^2}}{2\theta^2}$，当 $x \geq 2$ 时该值严格小于 $1/\theta$，且仅当 $x \geq 1 + \theta^{-2}$ 时为非负。
• 当 $\theta \geq 1$ 且 $x > \theta + 1/\theta$ 时，速率函数随 $u$ 减小至 $u_\theta$，之后增加，表明在 $u_\theta$ 处存在唯一最小值。
• 当 $\theta < 1$ 时，速率函数的最小值位于 $u = 0$ 或 $u_\theta$，取决于 $u_\theta$ 是否为正，且第二特征值对所有 $u$ 保持为 2。
• 当 $x_2 = 2$ 时，$u_2$ 上速率函数的最小值在 $u_2 = 0$ 处取得，表明当第二特征值处于半圆边缘时，特征向量分量被抑制。
• 将结果推广至 Wishart 系综时，得到最大特征值 $\lambda_M$ 与 $|\langle e, u_M \rangle|^2 = u$ 的联合 LDP，其速率函数涉及其余特征值的条件期望，以及修正的逆温度参数 $\theta = \gamma/(1 + \gamma)$。