[论文解读] No-gaps delocalization for general random matrices

Mark Rudelson, Roman Vershynin|arXiv (Cornell University)|Jun 12, 2015

Random Matrices and Applications参考文献 34被引用 4

一句话总结

本文建立了通用随机矩阵特征向量的无间隙局域化（no-gaps delocalization），证明了以高概率，任意大小至少为 $\varepsilon n$ 的坐标子集均携带特征向量 $\ell_2$ 范数的非可忽略部分。作者提出一种几何方法，利用随机矩阵的可逆性、小球概率以及最小公倍分母（LCD）等工具，将局域化结果从高斯分布和威格纳系综推广至具有独立或对称分布的矩阵，包括实部与虚部独立的复矩阵。

ABSTRACT

We prove that with high probability, every eigenvector of a random matrix is delocalized in the sense that any subset of its coordinates carries a non-negligible portion of its $\ell_2$ norm. Our results pertain to a wide class of random matrices, including matrices with independent entries, symmetric and skew-symmetric matrices, as well as some other naturally arising ensembles. The matrices can be real and complex; in the latter case we assume that the real and imaginary parts of the entries are independent.

研究动机与目标

• 建立一般随机矩阵特征向量的局域化性质，即任何大小为 $\varepsilon n$ 的坐标子集均不携带可忽略的 $\ell_2$ 范数。
• 将局域化结果从高斯分布和威格纳矩阵推广至更广泛的随机矩阵类，包括具有独立、对称或反对称分布的矩阵。
• 通过证明特征向量局域化（特别是无间隙局域化）在非高斯、非分布不变系综中依然成立，来解释随机矩阵理论中的普遍性现象。
• 提出一种基于可逆性与距离估计的几何框架，以控制核向量与特征向量的结构。
• 通过引入一种对连续与离散分布均适用的稳健方法，统一并推广先前关于特征向量局域化的成果。

提出的方法

• 通过几何与概率技术，将特征向量局域化问题转化为随机矩阵在子空间上限制的可逆性问题。
• 利用最小公倍分母（LCD）的小球概率估计，控制随机向量接近固定子空间的概率。
• 通过在有界 LCD 且受控实部-虚部相关性的向量上构造网（net）来处理离散情形。
• 使用弱 $L^p$ 估计与弱三角不等式，控制随机向量到子空间的逆距离之和。
• 通过固定虚部并独立处理实部与虚部，应用条件化方法处理复矩阵。
• 结合随机向量与子空间之间距离的结果与核结构分析，推导出一般分布下的可逆性界。

实验结果

研究问题

• RQ1 能否在高斯与威格纳情形之外，为一般随机矩阵的特征向量建立无间隙局域化？
• RQ2 在何种最弱分布假设下，特征向量仍保持局域化，即在 $\ell_2$ 范数上无显著质量集中？
• RQ3 如何在所有子空间上统一控制随机矩阵的可逆性，以确保任一特征向量不集中在任何坐标子集上？
• RQ4 小球概率方法在多大程度上可适应非连续、离散或依赖的矩阵条目？
• RQ5 基于距离与核结构的几何方法能否推广至实部与虚部独立的复矩阵？

主要发现

• 对任意 $\varepsilon \in (0,1)$，以高概率，任意一般随机矩阵的特征向量 $v$ 满足：对所有大小至少为 $\varepsilon n$ 的子集 $J \subset [n]$，有 $\left(\sum_{j \in J} |v_j|^2\right)^{1/2} \geq \phi(\varepsilon)\|v\|_2$，其中 $\phi(\varepsilon)$ 是仅依赖于 $\varepsilon$ 的正函数。
• 作者证明，随机矩阵在维数为 $\varepsilon n$ 的子空间上限制的最小奇异值，以高概率有下界，其依据是指数为 $\varepsilon n$ 的小球概率估计。
• 对于一般分布，最小奇异值小于 $t\sqrt{n}$ 的概率衰减为 $\left[C \varepsilon^{-1.4} t^{0.45}\right]^{\varepsilon n}$，表明质量具有强集中性。
• 该方法适用于具有独立条目的矩阵、对称与反对称矩阵，以及实部与虚部独立的复矩阵。
• 结果对所有特征向量一致成立，不仅限于谱的体部；在满足弱矩条件时，也适用于具有离散或非同分布条目的矩阵。
• 证明表明，随机矩阵的核以高概率为不可压缩（incompressible），这是排除质量在小坐标集上集中现象的关键。