[论文解读] Large deviations for the smallest eigenvalue of a deformed GOE with an outlier

Jeanne Boursier, Alice Guionnet|arXiv (Cornell University)|Aug 17, 2024

Random Matrices and Applications被引用 1

一句话总结

本文为带有对角线秩一扰动（异常值）的变形高斯正交系综（GOE）矩阵的最小特征值建立了大偏差原理（LDP），推广了先前关于极端特征值偏差的结果。作者通过大偏差率的不动点泛函方程推导出速率函数，统一了含异常值与不含异常值的情形，并证明LDP在极限异常值阈值以下的所有偏差下均成立，且显式依赖于异常值位置与谱测度。

ABSTRACT

We establish a large deviation principle for the smallest eigenvalue of a random matrix model composed of the sum of a GOE matrix and a diagonal matrix with an outlier. Our result generalizes and unifies previously studied cases.

研究动机与目标

• 为含确定性对角矩阵（含异常值）的变形GOE矩阵的最小特征值建立大偏差原理（LDP）。
• 统一并推广先前关于变形Wigner矩阵与GOE矩阵中极端特征值偏差的研究结果，特别是Ben-Arous-Baik-Péché（BBP）相变类型的结果。
• 将LDP扩展至球面积分倾斜方法无法覆盖的区域，后者仅适用于极限异常值阈值以下的区域。
• 提出一种基于速率函数不动点泛函方程的新方法，即使在特征向量局域化或非普遍行为发生时也适用。
• 通过极端特征值偏差，为p自旋玻璃模型中退火局部极小值数量提供严格的分析框架，依赖于Kac-Rice公式。

提出的方法

• 将随机矩阵模型表述为 $X_N = G_N + B_N$，其中 $G_N$ 为方差为 $t$ 的GOE，$B_N$ 为具有弱收敛于测度 $\nu$ 的特征值且含单个异常值 $\Lambda$ 的确定性矩阵。
• 使用自由卷积 $\sigma_t \boxplus \nu$ 描述 $X_N$ 的极限谱分布，并将极限最小特征值 $\ell^{\Lambda}_{\nu,t}$ 定义为支撑的左端点。
• 引入时间连续插值过程 $X_N(s) = B_N + G_N(s)$，其中 $G_N(s)$ 通过Ornstein-Uhlenbeck动力学演化，将初始 $X_N(0)$ 与时间平均版本 $X_N(N)$ 联系起来。
• 通过分析动力学与浓度不等式下 $\lambda_1(X_N)$ 的密度，推导出大偏差速率函数 $F^{\pm}_{\nu,t}(\Lambda, \lambda)$ 的不动点方程。
• 应用测度集中与指数紧致性，通过矩阵扰动下最小特征值的Lipschitz连续性控制 $\lambda_1(X_N)$ 的波动。
• 证明速率函数在 $\Lambda$ 上连续，在 $\ell^{\Lambda}_{\nu,t}$ 处为零，且下界为二次项，从而通过压缩与指数估计确保LDP成立。

实验结果

研究问题

• RQ1 在超过BBP相变阈值的变形GOE矩阵中，含单个异常值的最小特征值的大偏差行为如何？
• RQ2 能否为变形GOE矩阵中的极端特征值建立统一的大偏差原理，涵盖含异常值与不含异常值两种情形？
• RQ3 此类偏差的速率函数结构为何？其如何依赖于异常值位置 $\Lambda$ 与极限谱测度 $\nu$？
• RQ4 是否可能在不依赖球面积分倾斜法的前提下推导出速率函数，特别是在特征向量局域化或非普遍性发生时？
• RQ5 Ornstein-Uhlenbeck过程在矩阵路径上的动力学如何帮助估计最小特征值的密度并推导速率函数？

主要发现

• 本文为含异常值的变形GOE矩阵的最小特征值 $\lambda_1(X_N)$ 建立了大偏差原理（LDP），且在极限异常值阈值 $\ell^{\Lambda}_{\nu,t}$ 以下的所有偏差下均成立。
• 速率函数 $F^{\pm}_{\nu,t}(\Lambda, \lambda)$ 在 $\Lambda$ 上连续，在 $\ell^{\Lambda}_{\nu,t}$ 处为零，且满足二次下界 $F^{\pm}_{\nu,t}(\Lambda, \lambda) \geq c(\lambda - \ell^{\Lambda}_{\nu,t})^2$（$c > 0$）。
• 速率函数通过一种新颖的不动点泛函方程推导得出，避免了球面积分方法的局限性，且在非普遍性区域中依然适用。
• 该方法统一了此前两个独立的情形：纯秩一扰动（$\nu = \delta_0$）在 [21] 中研究过，以及无异常值情形（$\Lambda = \ell_\nu$）在 [22] 中研究过。
• 作者证明了 $\mathbb{E}[\lambda_1(X_N(N))] \to \ell^{\Lambda}_{\nu,t}$ 且 $\lambda_1(X_N(N))$ 集中于该极限，从而可通过耦合论证控制密度。
• 通过指数估计与浓度不等式，表明 $\mathbb{P}(|\lambda_1(X_N(0)) - x| \leq \delta)$ 可被涉及 $\mathbb{P}(|\lambda_1(X_N(0)) - y| \leq \delta)$ 的项之和有界，确认了以速度 $N$ 的LDP结构。