[论文解读] Weak Detection in the Spiked Wigner Model with General Rank

Ji Hyung Jung, Hye Won Chung+1 more|arXiv (Cornell University)|Jan 16, 2020

Random Matrices and Applications参考文献 29被引用 6

一句话总结

本文提出了一种适用于广义秩信号的脉冲 Wigner 模型中弱检测的通用、数据驱动的假设检验方法，基于数据矩阵的线性谱统计量（LSS）。该研究在广义秩下建立了 LSS 的中心极限定理（CLT），证明了在高斯噪声下的最优性，并引入了一种逐元素变换以提升非高斯噪声下的性能，同时提出了一种无需事先知晓信号秩的秩估计算法。

ABSTRACT

We study the statistical decision process of detecting the signal from a `signal+noise' type matrix model with an additive Wigner noise. We propose a hypothesis test based on the linear spectral statistics of the data matrix, which does not depend on the distribution of the signal or the noise. The test is optimal under the Gaussian noise if the signal-to-noise ratio is small, as it minimizes the sum of the Type-I and Type-II errors. Under the non-Gaussian noise, the test can be improved with an entrywise transformation to the data matrix. We also introduce an algorithm that estimates the rank of the signal when it is not known a priori.

研究动机与目标

• 为脉冲 Wigner 模型中信噪比低于经典检测阈值时的弱检测，开发一种通用、数据驱动的假设检验方法。
• 为广义秩的脉冲 Wigner 矩阵建立线性谱统计量（LSS）的中心极限定理（CLT），实现无需事先知晓信号或噪声分布的统计推断。
• 通过将所提检验的误差与似然比（LR）检验进行比较，证明该检验在高斯噪声下具有最优性。
• 通过数据矩阵的逐元素变换提升非高斯噪声下的检测性能，灵感来源于先前针对秩-1 模型的研究。
• 开发一种无需事先知晓信号秩的秩估计算法，利用 LSS 的 CLT。

提出的方法

• 检验基于数据矩阵的线性谱统计量（LSS），定义为 $ L_N(f) = \sum_{i=1}^N f(\mu_i) $，其中 $ \mu_i $ 为数据矩阵的特征值。
• 为广义秩的脉冲 Wigner 矩阵推导出 LSS 的中心极限定理（CLT），使得在原假设和备择假设下检验统计量的渐近正态性得以保证。
• 利用 CLT 构建检验统计量，以估计在 $ H_1 $ 和 $ H_2 $ 下 LSS 的分布，从而实现类似似然比检验的比较，而无需依赖信号或噪声分布的知识。
• 对数据矩阵应用逐元素变换，以提升在非高斯噪声下的检测能力，借鉴了先前关于秩-1 模型的方法。
• 通过使用各向同性局部极限定理和预解分析控制特征值行为，并推导出 CLT，依赖于特征值对半圆律的刚性与收敛性。
• 通过使用基于 LSS 的检验对多个候选秩进行测试并选择最符合数据的秩，开发出一种无需假设真实秩的秩估计算法。

实验结果

研究问题

• RQ1 能否为广义秩的脉冲 Wigner 模型构建一种与信号和噪声分布无关的通用、数据驱动的弱检测检验方法？
• RQ2 所提出的基于 LSS 的检验在高斯噪声下是否最优？其误差与似然比（LR）检验相比如何？
• RQ3 如何改进非高斯噪声下的检验性能？逐元素变换是否能提升检测能力？
• RQ4 当信号脉冲的秩未知时，能否利用 LSS 框架从未知数据中估计出其秩？
• RQ5 广义秩脉冲 Wigner 矩阵的线性谱统计量的渐近分布是什么？在原假设和备择假设下是否收敛到正态分布？

主要发现

• 所提出的基于 LSS 的检验在高斯噪声下的弱检测中实现了最优误差，其渐近误差与已知可最小化第一类与第二类错误之和的似然比（LR）检验一致。
• 建立了广义秩脉冲 Wigner 矩阵的 LSS 的中心极限定理（CLT），表明 LSS 收敛到一个依赖于秩差 $ k_2 - k_1 $ 的正态分布，从而支持有效的统计推断。
• 在非高斯噪声下，通过数据矩阵的逐元素变换可改进检验性能，该变换通过使分布更接近高斯情形而增强检测能力。
• 该检验具有通用性：所有所需量（均值、方差）均可从观测数据中估计，无需事先知晓信号或噪声分布。
• 所提出的秩估计算法成功地从未知真实秩的数据中识别出正确的信号秩，方法是通过基于 LSS 的检验测试多个候选秩。
• 脉冲 Wigner 模型的对数似然比（log-LR）收敛到一个均值和方差依赖于 $ k_1 $ 和 $ k_2 $ 的正态分布，证实了在高斯噪声下 LSS 检验的最优性。