[论文解读] Multivariate normal approximation using exchangeable pairs

Sourav Chatterjee, Elizabeth Meckes|arXiv (Cornell University)|Jan 16, 2007

Random Matrices and Applications参考文献 40被引用 148

一句话总结

本文提出了一种基于交换对的多元正态近似框架，将Stein方法推广至具有离散与连续对称性的高维情形。建立了正交群与酉群投影的抽象定理，证明当 $k = o(n)$ 时，$O(n)$ 与 $U(n)$ 上Haar测度的秩-$k$ 投影收敛于多元正态分布，且在Hilbert-Schmidt范数与Wasserstein距离下给出了显式的误差界。

ABSTRACT

Since the introduction of Stein's method in the early 1970s, much research has been done in extending and strengthening it; however, there does not exist a version of Stein's original method of exchangeable pairs for multivariate normal approximation. The aim of this article is to fill this void. We present three abstract normal approximation theorems using exchangeable pairs in multivariate contexts, one for situations in which the underlying symmetries are discrete, and real and complex versions of a theorem for situations involving continuous symmetry groups. Our main applications are proofs of the approximate normality of rank $k$ projections of Haar measure on the orthogonal and unitary groups, when $k=o(n)$.

研究动机与目标

• 通过发展交换对技术的多元版本，填补Stein方法在正态近似中的空白。
• 为具有离散与连续对称性的高维问题（如随机矩阵理论中的情形）提供一个理论框架。
• 建立 $O(n)$ 与 $U(n)$ 上Haar测度的秩-$k$ 投影在 $k=o(n)$ 条件下的正态近似误差界。
• 将单变量交换对结果推广至多元情形，涵盖连续对称群的实数与复数版本。

提出的方法

• 提出三个基于交换对的抽象正态近似定理：一个用于离散对称性，另两个分别用于连续对称群的实数与复数情形。
• 利用增量 $\Delta = W - W'$ 的条件矩，推导随机向量与多元正态分布之间Wasserstein距离的误差界。
• 将该方法应用于 $O(n)$ 与 $U(n)$ 上Haar测度的秩-$k$ 投影，通过随机旋转或酉变换构造交换对。
• 利用Hilbert-Schmidt范数估计条件协方差与交叉变差项，以控制近似误差。
• 推导 $\mathbb{E}\|\Gamma\|_{H.S.}$ 与 $\mathbb{E}\|\Lambda\|_{H.S.}$ 的界，其中 $\Gamma$ 与 $\Lambda$ 分别表示条件协方差矩阵与交叉变差矩阵。
• 通过迹运算与Haar测度的性质计算矩，利用Hilbert-Schmidt内积与矩阵范数的特性评估期望值。

实验结果

研究问题

• RQ1 交换对方法能否从单变量情形推广至多元正态近似？
• RQ2 在具有离散与连续对称性的多元情形下，应用交换对所需的抽象定理是什么？
• RQ3 在 $O(n)$ 与 $U(n)$ 上Haar测度的秩-$k$ 投影分布收敛至多元正态分布的速度如何？
• RQ4 此类近似的显式误差界在 $n$ 与 $k$ 的表达下是什么形式？

主要发现

• 本文基于交换对建立了适用于离散对称性的多元正态近似定理，推广了Stein原始的单变量结果。
• 在实数情形下，Wasserstein距离的误差界由 $\mathbb{E}\|\Gamma\|_{H.S.} \leq \frac{k}{(n-1)(n+1)}\sqrt{5 + \frac{2}{n-1}}$ 控制，当 $k=o(n)$ 时为 $O(k/n^2)$。
• 在复数情形下，$\mathbb{E}\|\Lambda\|_{H.S.}$ 的界为 $O(k/n)$，从而在Wasserstein距离下得到 $O(k/n)$ 量级的误差界。
• 证明了 $O(n)$ 与 $U(n)$ 上Haar测度的秩-$k$ 投影收敛速度为 $O(k/n)$，当 $k=o(n)$ 时该速率是最优的。
• 结果表明，此类投影渐近服从多元正态分布，且在Wasserstein距离下具有显式的误差速率。