[论文解读] On the probability that all eigenvalues of Gaussian and Wishart random matrices lie within an interval.

Marco Chiani|arXiv (Cornell University)|Feb 14, 2015

Random Matrices and Applications参考文献 42被引用 4

一句话总结

本文推导出精确的递归公式，用于计算高斯矩阵和Wishart随机矩阵的所有特征值落在给定区间 [a,b] 内的概率，即使在大型矩阵（例如 500×500）下也能高效计算。当特征值被限制在 Marchenko-Pastur 或半圆谱支撑范围内时，该文建立了普适的极限概率——实矩阵为 0.6921，复矩阵为 0.9397，其在压缩感知中有应用价值。

ABSTRACT

We derive the probability $\psi(a,b)=\Pr(a\leq \lambda_{\min}({\bf M}), \lambda_{\max}({\bf M})\leq b)$ that all eigenvalues of a random matrix $\bf M$ lie within an arbitrary interval $[a,b]$, when $\bf M$ is a real or complex finite dimensional Wishart, double Wishart, or Gaussian symmetric/hermitian matrix. We give efficient recursive formulas allowing, for instance, the exact evaluation of $\psi(a,b)$ for Wishart matrices with number of variates $500$ and degrees of freedom $1000$. We also prove that the probability that all eigenvalues are within the limiting spectral support (given by the Marchenko-Pastur or the semicircle laws) tends for large dimensions to the universal values $0.6921$ and $0.9397$ for the real and complex cases, respectively. Applications include improved bounds for the probability that a Gaussian measurement matrix has a given restricted isometry constant in compressed sensing.

研究动机与目标

• 推导出计算随机矩阵所有特征值落在指定区间 [a,b] 内概率的精确且高效的方法。
• 将现有的谱概率理论扩展至 Wishart、双 Wishart 以及高斯对称/厄米特矩阵。
• 确定当矩阵规模趋于无穷时，所有特征值落在渐近谱支撑（Marchenko-Pastur 或半圆律）内的极限概率。
• 为高维随机矩阵集合提供计算上可行的工具，具有在压缩感知中的实际应用价值。

提出的方法

• 基于实与复 Wishart 及高斯矩阵的联合特征值概率密度函数，开发递归算法。
• 利用正交多项式系和弗雷德霍姆行列式表示，表达特征值约束概率 ψ(a,b)。
• 应用渐近谱分析，推导出当矩阵维数趋于无穷时 ψ(a,b) 的普适极限值。
• 采用数值计算技术，精确计算大型矩阵（例如 500 个变量，1000 个自由度）下的 ψ(a,b)。
• 利用特征值间距与确定点过程之间的联系，实现递归计算。
• 通过与大 N 极限下已知的极限律（Marchenko-Pastur 和半圆律）比较，进行验证。

实验结果

研究问题

• RQ1 有限维 Wishart 矩阵的所有特征值落在给定区间 [a,b] 内的精确概率是多少？
• RQ2 随着矩阵维数增加，所有特征值落在极限谱支撑内的概率如何变化？
• RQ3 能否推导出高效的递归公式，以计算大型 Wishart 和高斯随机矩阵的 ψ(a,b)？
• RQ4 在大 N 极限下，实矩阵与复矩阵的 Wishart/高斯矩阵的 ψ(a,b) 的普适极限值是什么？
• RQ5 这些结果如何改进压缩感知应用中受限等距性质的界？

主要发现

• 本文推导出精确的递归公式，可高效计算具有最多 500 个变量和 1000 个自由度的 Wishart 矩阵的 ψ(a,b)。
• 当维数增加时，所有特征值落在 Marchenko-Pastur 或半圆谱支撑内的极限概率收敛于实矩阵的 0.6921 和复矩阵的 0.9397。
• 这些普适值与具体矩阵参数无关，仅取决于对称性类（实 vs. 复）。
• 所推导的方法可精确评估高维情形下的特征值约束概率，而蒙特卡洛方法在此类情形下不可行。
• 结果为压缩感知中高斯测量矩阵的受限等距常数提供了更紧的界。
• 该框架可统一应用于高斯对称/厄米特矩阵、Wishart 矩阵及双 Wishart 矩阵，统一了其特征值约束分析。