[论文解读] Perturbation bounds on the extremal singular values of a matrix after appending a column

Stéphane Chrétien, Sébastien Darses|arXiv (Cornell University)|Jun 20, 2014

Matrix Theory and Algorithms参考文献 29被引用 4

一句话总结

本文通过箭头形矩阵的特征值分析，为在矩阵中追加一列后其极值奇异值提供了新的扰动界。推导了对称块矩阵极值特征值的紧致上下界，应用于压缩感知、随机矩阵理论及复杂网络控制理论。

ABSTRACT

In this paper, we study the perturbation of the extreme singular values of a matrix in the particular case where it is obtained after appending an arbitrary column vector. Such results have many applications in bifurcation theory, signal processing, control theory and many other fields. In the first part of this paper, we review and compare various bounds from recent research papers on this subject. We also present a new lower bound and a new upper bound on the perturbation of the operator norm is provided. Simple proofs are provided, based on the study of the characteristic polynomial rather than on variational methods, as e.g. in \\cite{Li-Li}. In a second part of the paper, we present applications to signal processing and control theory.

研究动机与目标

• 推导在追加一列后矩阵极值奇异值的精确界，重点关注所得矩阵的最大与最小特征值。
• 提出一种基于特征多项式分析而非变分法的新颖分析框架，改进了现有扰动界。
• 将推导出的界应用于压缩感知、谱图理论及复杂网络控制理论中的关键问题。
• 利用特征值扰动理论，建立网络化系统可控制性的充分条件。
• 通过分析具有显式依赖于向量范数和矩阵特征值的箭头形矩阵结构，推广先前关于秩一更新的结果。

提出的方法

• 分析对称块矩阵 $ A = \begin{bmatrix} c & a^t \\ a & M \end{bmatrix} $ 的特征值结构，其中 $ M $ 为对称矩阵，$ a \in \mathbb{R}^d $，$ c \in \mathbb{R} $。
• 利用特征多项式分析推导 $ \lambda_{\max}(A) $ 与 $ \lambda_{\min}(A) $ 的界，避免使用变分技术。
• 应用 Weyl 不等式与特征值交错性，对秩一更新下极值特征值的扰动进行界定。
• 推导 $ \sigma L + \kappa P $ 的最小正特征值的迭代界，其中 $ L $ 为拉普拉斯矩阵，$ P $ 为秩-$ r $ 投影矩阵。
• 采用 Cholesky 分解，将一般矩阵形式与原始矩阵追加问题关联起来。
• 通过确保扰动拉普拉斯矩阵的最小正特征值远离零，建立网络化系统可控制性的充分条件。

实验结果

研究问题

• RQ1 当单列被追加到矩阵中时，其极值奇异值如何变化？
• RQ2 对称箭头形矩阵的最大与最小特征值是否存在紧致且可解析处理的界？
• RQ3 是否可以在不依赖变分法或迹不等式的情况下，对极值特征值的扰动进行界定？
• RQ4 在联网系统中，何种条件可确保扰动拉普拉斯矩阵的最小正特征值远离零？
• RQ5 这些界如何应用于保证复杂联网控制系统的可控制性？

主要发现

• 本文建立了界 $ \lambda_{\max}(A) \leq \max\{c, \lambda_{\max}(M)\} + \|a\|_2 $，为追加列后最大特征值提供了精确的上界。
• 推导出 $ \sigma L + \kappa P $ 的最小正特征值的下界为 $ \sigma \lambda_{\min>0}(L) - \frac{\sum_{i=1}^r \mathrm{deg}_i}{\kappa - \sigma \lambda_{\min>0}(L)} $，这对可控制性分析至关重要。
• 通过迭代应用定理 3.4（分析连续秩一更新）获得 $ \lambda_{\min>0}(\sigma L + \kappa P) $ 的界。
• 推导出一个可控制性的充分条件：$ \kappa \geq \frac{\sum_{i=1}^r \mathrm{deg}_i}{\sigma \lambda_{\min>0}(L) - \frac{2\|F_{\xi,\tilde{\xi}}\| \|Q\|}{\lambda_{\min}(QB + B^t Q^t)}} + \sigma \lambda_{\min>0}(L) $，确保最小正特征值保持在某一阈值以上。
• 结果表明在压缩感知中具有应用价值，有助于控制受限等距常数；在谱图理论中可用于边删除与网络鲁棒性分析。
• 该方法通过特征多项式系统分析秩一扰动，相较于经典变分方法，提供了更紧致且更具可解释性的界。