[论文解读] Spectral gap of sparse bistochastic matrices with exchangeable rows with application to shuffle-and-fold maps

Charles Bordenave, Yanqi Qiu+1 more|arXiv (Cornell University)|May 16, 2018

Random Matrices and Applications参考文献 36被引用 6

一句话总结

本文建立了通过均匀随机置换矩阵 $ M $ 共轭固定双随机矩阵 $ Q $ 所生成的随机稀疏双随机矩阵的第二大方根模（谱隙）的严格上界。在 $ Q $ 满足稀疏性和正则性条件时，证明了以高概率有 $ |λ_2(MQ)| \leq (1+\varepsilon)\rho $，其中 $ \rho = \|Q\|_{\mathrm{HS}} \vee \|Q\|_{1\to\infty}^{(\delta)} $，且 $ \varepsilon = c_1 \frac{\log d}{\sqrt{\log n}} $，$ d = \|Q^\top Q\|_{1\to 0} $。该结果适用于随机正则有向图上的随机游走，并改进了可逆链的谱界。

ABSTRACT

We consider a random bistochastic matrix of size $n$ of the form $M Q$ where $M$ is a uniformly distributed permutation matrix and $Q$ is a given bistochastic matrix. Under mild sparsity and regularity assumptions on $Q$, we prove that the second largest eigenvalue of $MQ$ is essentially bounded by the normalized Hilbert-Schmidt norm of $Q$ when $n$ grows large. We apply this result to random walks on random regular digraphs and to shuffle-and-fold maps of the unit interval popularized in fluid mixing protocols.

研究动机与目标

• 推导随机矩阵 $ P = MQ $ 的第二大方根模的高概率上界，其中 $ M $ 是均匀随机置换矩阵，$ Q $ 是固定双随机矩阵。
• 量化 $ P = MQ $ 的谱隙如何依赖于 $ Q $ 的内在参数，特别是其归一化的希尔伯特-施密特范数和放松的 $ \ell^{1} \to \ell^{\infty} $ 范数。
• 建立 $ P $ 的谱隙显著优于 $ Q $ 的谱隙的条件，尤其当 $ Q $ 稀疏且正则时。
• 将结果应用于随机正则有向图上的随机游走，以及动力系统中洗牌折叠映射的分析。
• 将结果推广至其他随机置换模型（如匹配），在类似结构假设下保持成立。

提出的方法

• 作者分析了随机矩阵 $ P = MQ $，其中 $ M $ 是均匀随机排列 $ \sigma \in \mathbb{S}_n $ 的置换矩阵，$ Q $ 是固定的双随机矩阵。
• 他们定义了关键参数：$ \rho = \|Q\|_{\mathrm{HS}} \vee \|Q\|_{1\to\infty}^{(\delta)} $，以及 $ d = \|Q^\top Q\|_{1\to 0} $，分别表示 $ Q $ 的稀疏性和正则性。
• 利用概率论与谱图理论技术，包括对不一致弧的界和奇异值的分析，推导出 $ |\lambda_2(P)| $ 的高概率上界。
• 证明依赖于集中不等式和随机置换的结构特性，特别是不一致弧的数量以概率方式被 $ c(g + m) $ 控制，其中 $ g $ 和 $ m $ 是图参数。
• 他们证明了 $ \|P\|_{\mathrm{HS}} = \|Q\|_{\mathrm{HS}} $，$ \|P^\top P\|_{1\to 0} = \|Q^\top Q\|_{1\to 0} $，且 $ P $ 和 $ Q $ 的奇异值完全相同，从而实现边界的传递。
• 该结果被扩展至 $ \mathbb{S}_n $ 上的非均匀测度，如匹配的均匀测度，通过适配关于弧不一致性的关键引理。

实验结果

研究问题

• RQ1 随机矩阵 $ P = MQ $ 的谱隙（其中 $ M $ 是随机置换矩阵，$ Q $ 是固定双随机矩阵）如何依赖于 $ Q $ 的结构？
• RQ2 在 $ Q $ 满足稀疏性和正则性等条件下，何时能以高概率对第二大方根模 $ |\lambda_2(P)| $ 进行尖锐界定？
• RQ3 当 $ Q $ 是可逆且稀疏时，$ P $ 的谱隙是否能显著优于 $ Q $ 的谱隙？
• RQ4 该结果在多大程度上可推广至非均匀置换模型（如匹配）？
• RQ5 $ Q $ 的归一化希尔伯特-施密特范数与放松的 $ \ell^{1} \to \ell^{\infty} $ 范数如何控制 $ P $ 的谱行为？

主要发现

• 以高概率有 $ \mathbb{P}(|\lambda_2(MQ)| \geq (1+\varepsilon)\rho) \leq n^{-c_0} $，其中 $ \varepsilon = c_1 \frac{\log d}{\sqrt{\log n}} $，且 $ \rho = \|Q\|_{\mathrm{HS}} \vee \|Q\|_{1\to\infty}^{(\delta)} $，对任意 $ 0 < c_0 < \delta \leq 1 $ 成立。
• 矩阵 $ P = MQ $ 的谱隙本质上由 $ \rho $ 控制，而 $ \rho $ 通常远小于 $ Q $ 的第二大特征值模，尤其当 $ Q $ 稀疏且可逆时。
• 对于出度为 $ r $ 的随机正则有向图，其关联的马尔可夫链的谱隙满足 $ |\lambda_2| \leq (1+\varepsilon) \cdot \max(1/\sqrt{r}, 1/r) $，以高概率成立，优于朴素界。
• 即使 $ Q $ 不对称，该界依然成立：其仅依赖于 $ \|Q\|_{\mathrm{HS}} $ 和 $ \|Q\|_{1\to\infty}^{(\delta)} $，而不依赖于 $ Q $ 的特征值结构。
• 该方法可推广至其他随机置换模型（如均匀匹配），只要不一致弧的数量保持以概率方式有界。
• 在洗牌折叠映射的背景下，关联转移算子的谱隙由 $ \rho $ 控制，且 $ \rho \sim 1/\sqrt{r} $，该结果在温和条件下蕴含指数混合。