UA MATH567 高维统计IV Lipschitz组合9 矩阵函数、半正定序与迹不等式
UA MATH567 高维统计IV Lipschitz组合9 矩阵函数、半正定序与迹不等式
- 矩阵函数
- 半正定序(positive semi-definite order, PSD order)
- 迹不等式
这一讲的目标是提供一些矩阵分析的工具,因为下一讲我们要尝试导出随机矩阵的Bernstein不等式。
矩阵函数
假设XXX是对称矩阵,则XXX的所有特征值都是实数,我们可以写出XXX的谱分解为
X=∑i=1nλiuiuiTX = \sum_{i=1}^n \lambda_i u_iu_i^TX=i=1∑nλiuiuiT
其中λi\lambda_iλi是特征值,uiu_iui是对应的特征向量,假设fff是一个实函数,则我们定义矩阵函数为
f(X)=∑i=1nf(λi)uiuiTf(X) = \sum_{i=1}^n f(\lambda_i)u_iu_i^Tf(X)=i=1∑nf(λi)uiuiT
例 多项式与幂级数
i)称f(X)f(X)f(X)为矩阵多项式如果
f(x)=∑i=0paixi,∀x∈Rf(x) = \sum_{i=0}^p a_ix^i,\forall x \in \mathbb{R}f(x)=i=0∑paixi,∀x∈R
则
f(X)=∑j=1m∑i=0paiλjiuiuiT=∑i=0paiXif(X) =\sum_{j=1}^m \sum_{i=0}^pa_i \lambda_j^i u_iu_i^T = \sum_{i=0}^p a_iX^if(X)=j=1∑mi=0∑paiλjiuiuiT=i=0∑paiXi
ii)称f(X)f(X)f(X)为矩阵的指数函数如果f(x)=exf(x)=e^xf(x)=ex,则
f(X)=∑i=1meλiuiuiT=eXf(X)=\sum_{i=1}^m e^{\lambda_i}u_iu_i^T = e^Xf(X)=i=1∑meλiuiuiT=eX
iii)对一般的解析函数,我们通常不能直接把它的表达式套用到矩阵上,而是只能用它的幂级数来表示,如果
f(x)=∑i=0∞ai(x−x0)if(x) = \sum_{i=0}^{\infty} a_i(x-x_0)^if(x)=i=0∑∞ai(x−x0)i
则
f(X)=∑j=1mf(λj)ujujT=∑i=0∞ai(X−x0In)if(X) = \sum_{j=1}^m f(\lambda_j)u_ju_j^T = \sum_{i=0}^{\infty} a_i(X-x_0I_n)^if(X)=j=1∑mf(λj)ujujT=i=0∑∞ai(X−x0In)i
半正定序(positive semi-definite order, PSD order)
记X≽0X \succcurlyeq 0X≽0,如果XXX是半正定矩阵(也就是λi(X)≥0\lambda_i(X) \ge 0λi(X)≥0),称X≽YX \succcurlyeq YX≽Y如果X−YX-YX−Y是半正定矩阵;这个序关系被称为半正定序,它是一个偏序关系。关于半正定序有下面的结论(下面给出的证明仅供参考):
Before proof, let me state several results:
- ∥A∥=s1(A)=∣λ1(A)∣\left\| A \right\|=s_1(A) = |\lambda_1(A)|∥A∥=s1(A)=∣λ1(A)∣, so ∥A∥≤t\left\| A \right\|\le t∥A∥≤t means ∀i\forall i∀i, ∣λi(A)∣≤t|\lambda_i(A)| \le t∣λi(A)∣≤t
- According to Courant-Fisher’s min-max theorem, λi(A)=maxdimE=iminx∈S(E)⟨Ax,x⟩\lambda_i(A)=\max_{dim E = i}\min_{x \in S(E)}\langle Ax,x\rangleλi(A)=maxdimE=iminx∈S(E)⟨Ax,x⟩. If A⪯BA \preceq BA⪯B, ∀x∈S(E)\forall x \in S(E)∀x∈S(E), ⟨Ax,x⟩≤⟨Bx,x⟩\langle Ax,x\rangle \le \langle Bx,x\rangle⟨Ax,x⟩≤⟨Bx,x⟩. Thus, λi(A)≤λi(B)\lambda_i(A) \le \lambda_i(B)λi(A)≤λi(B)
Part (a)
If ∥X∥≤t\left\| X \right\| \le t∥X∥≤t, ∀i=1,⋯,n\forall i=1,\cdots,n∀i=1,⋯,n, ∣λi(X)∣≤t|\lambda_i(X)| \le t∣λi(X)∣≤t, −t≤λi(X)≤t-t \le \lambda_i(X)\le t−t≤λi(X)≤t. Thus, X+tI⪰0,−X+tI⪰0X+tI\succeq 0,-X+tI \succeq 0X+tI⪰0,−X+tI⪰0, or −tI⪯X⪯tI-tI \preceq X \preceq tI−tI⪯X⪯tI.
If −tI⪯X⪯tI-tI \preceq X \preceq tI−tI⪯X⪯tI, X+tI⪰0,−X+tI⪰0X+tI\succeq 0,-X+tI \succeq 0X+tI⪰0,−X+tI⪰0, by definition, −t≤λi(X)≤t,∀i-t \le \lambda_i(X)\le t,\forall i−t≤λi(X)≤t,∀i, so ∥X∥≤t\left\| X \right\| \le t∥X∥≤t.
Part (b)
If ∥X∥≤K\left\|X \right\| \le K∥X∥≤K, ∀i\forall i∀i, ∣λi(X)∣≤K|\lambda_i(X)| \le K∣λi(X)∣≤K, then f(λi(X))≤g(λi(X)),∀if(\lambda_i(X)) \le g(\lambda_i(X)),\forall if(λi(X))≤g(λi(X)),∀i. So f(X)⪯g(X)f(X) \preceq g(X)f(X)⪯g(X).
Part (c)
If X⪯YX \preceq YX⪯Y, ∀i\forall i∀i, λi(X)≤λi(Y)\lambda_i(X) \le \lambda_i(Y)λi(X)≤λi(Y). Since fff is an increasing function, f(λi(X))≤f(λi(Y))f(\lambda_i(X)) \le f(\lambda_i(Y))f(λi(X))≤f(λi(Y)), so f(X)⪯f(Y)f(X) \preceq f(Y)f(X)⪯f(Y).
Part (d)
X=[1−1−1−1],Y=[−1−1−1−1]X = \left[ \begin{matrix} 1&-1\\-1&-1 \end{matrix}\right],Y=\left[ \begin{matrix} -1&-1\\-1&-1 \end{matrix}\right]X=[1−1−1−1],Y=[−1−1−1−1]λ1(X)=2,λ2(X)=−2,λ1(Y)=0,λ2(Y)=−2λ1(X2)=2,λ2(X2)=0,λ1(Y2)=2,λ2(Y2)=0\lambda_1(X)=\sqrt{2},\lambda_2(X)=-\sqrt{2},\lambda_1(Y)=0,\lambda_2(Y)=-2 \\ \lambda_1(X^2)=2,\lambda_2(X^2)=0,\lambda_1(Y^2)=2,\lambda_2(Y^2)=0λ1(X)=2,λ2(X)=−2,λ1(Y)=0,λ2(Y)=−2λ1(X2)=2,λ2(X2)=0,λ1(Y2)=2,λ2(Y2)=0
Part (e)
If X⪯YX \preceq YX⪯Y, ∀i\forall i∀i, λi(X)≤λi(Y)\lambda_i(X) \le \lambda_i(Y)λi(X)≤λi(Y). Since fff is an increasing function, f(λi(X))≤f(λi(Y))f(\lambda_i(X)) \le f(\lambda_i(Y))f(λi(X))≤f(λi(Y)), so
∑i=1nf(λi(X))≤∑i=1nf(λi(Y))\sum_{i=1}^n f(\lambda_i(X))\le \sum_{i=1}^n f(\lambda_i(Y))i=1∑nf(λi(X))≤i=1∑nf(λi(Y))
Thus, trf(X)⪯trf(Y)trf(X) \preceq trf(Y)trf(X)⪯trf(Y).
Part (f)
If YYY is identity matrix, 0⪯X⪯I0 \preceq X \preceq I0⪯X⪯I, ∀i\forall i∀i, 0≤λi(X)≤10\le \lambda_i(X) \le 10≤λi(X)≤1, and then 1λi(X)≥1\frac{1}{\lambda_i(X)}\ge 1λi(X)1≥1. So X−1⪰IX^{-1}\succeq IX−1⪰I.
For arbitrary invertible YYY, 0⪯(YT)−1/2XY−1/2⪯I0\preceq (Y^T)^{-1/2}XY^{-1/2} \preceq I0⪯(YT)−1/2XY−1/2⪯I, (YT)1/2X−1Y1/2⪰I(Y^T)^{1/2}X^{-1}Y^{1/2}\succeq I(YT)1/2X−1Y1/2⪰I, so X−1⪰Y−1X^{-1}\succeq Y^{-1}X−1⪰Y−1
Part (g)
For any t>0t>0t>0, 0⪯X⪯Y0 \preceq X \preceq Y0⪯X⪯Y, −(X+t)−1⪯−(Y+t)−1-(X+t)^{-1}\preceq -(Y+t)^{-1}−(X+t)−1⪯−(Y+t)−1. For log(X)=∫0∞(1+t)−1−(X+t)−1dt\log(X)=\int_0^{\infty}(1+t)^{-1}-(X+t)^{-1}dtlog(X)=∫0∞(1+t)−1−(X+t)−1dt, log(X)⪯log(Y)\log(X)\preceq \log(Y)log(X)⪯log(Y)
迹不等式
迹不等式在研究随机矩阵的概率不等式时非常有用,最主要的原因就是矩阵的乘法不满足交换律,以Hoeffding不等式的证明为例,对于随机变量,我们有
ex+y=exeye^{x+y} = e^x e^yex+y=exey
于是我们可以把一列随机变量拆分称指数的积或者合并到指数上的和,但对于随机矩阵而言eX+Y=eXeYe^{X+Y}=e^Xe^YeX+Y=eXeY不一定成立,所以我们需要能代替乘法交换律的工具,最容易想到的当然就是矩阵的迹了,因为在迹中做矩阵乘法是可以交换次序的,下面介绍两个常用的迹不等式:
Golden-Thompson不等式 A,BA,BA,B是两个nnn阶对称实矩阵,则
tr(eA+B)≤tr(eAeB)tr(e^{A+B}) \le tr(e^Ae^B)tr(eA+B)≤tr(eAeB)
Lieb不等式 假设HHH是nnn阶对称实矩阵,定义
f(X)=tr(eH+logX)f(X) = tr(e^{H+\log X})f(X)=tr(eH+logX)
则f(X)f(X)f(X)是nnn阶对称实正定矩阵空间(这是一个convex cone)上的concave function,根据Jensen不等式
Ef(X)≤f(EX)Etr(eH+logX)≤tr(eH+logEX)Z=logX,则Etr(eH+Z)≤tr(eH+logEeZ)Ef(X) \le f(EX) \\ Etr(e^{H+\log X}) \le tr(e^{H+\log EX}) \\ Z = \log X,则Etr(e^{H+Z}) \le tr(e^{H+\log Ee^Z})Ef(X)≤f(EX)Etr(eH+logX)≤tr(eH+logEX)Z=logX,则Etr(eH+Z)≤tr(eH+logEeZ)
UA MATH567 高维统计IV Lipschitz组合9 矩阵函数、半正定序与迹不等式相关推荐
- UA MATH567 高维统计IV Lipschitz组合11 社区发现 Spectral Clustering容许的最大随机噪声
UA MATH567 高维统计IV Lipschitz组合11 社区发现 Spectral Clustering容许的最大随机噪声 社区发现的Spectral Clustering算法复习 用矩阵Be ...
- UA MATH567 高维统计IV Lipschitz组合10 随机矩阵的Bernstein不等式
UA MATH567 高维统计IV Lipschitz组合10 随机矩阵的Bernstein不等式 随机矩阵的Bernstein不等式 假设X1,⋯,XNX_1,\cdots,X_NX1,⋯,XN ...
- UA MATH567 高维统计IV Lipschitz组合8 随机投影与John-Lindenstrauss引理
UA MATH567 高维统计IV Lipschitz组合8 随机投影与John-Lindenstrauss引理 John-Lindenstrauss引理 Random Projection John ...
- UA MATH567 高维统计IV Lipschitz组合4 对称群上的均匀分布
UA MATH567 高维统计IV Lipschitz组合4 对称群上的均匀分布 用SnS_nSn表示一个对称群,为简化起见,我们假设SnS_nSn包含{1,2,⋯,n}\{1,2,\cdots, ...
- UA MATH567 高维统计IV Lipschitz组合3 高斯分布的Lipschitz函数
UA MATH567 高维统计IV Lipschitz组合3 高斯分布的Lipschitz函数 首先我们在欧氏空间(Rn,B(Rn))(\mathbb{R}^n,\mathcal{B}(\mathbb ...
- UA MATH567 高维统计IV Lipschitz组合2 Spherical Distribution的Lipschitz函数 Isoperimetric不等式
UA MATH567 高维统计IV Lipschitz组合2 Spherical Distribution的Lipschitz函数 这一讲我们先介绍最简单的高维分布,也就是球面分布的Lipschitz ...
- UA MATH567 高维统计IV Lipschitz组合1 Lipschitz函数
UA MATH567 高维统计IV Lipschitz组合1 Lipschitz函数 高维统计的第二部分与第三部分分别讨论了基于亚高斯性导出的随机向量与随机矩阵的concentration inequ ...
- UA MATH567 高维统计I 概率不等式12 McDiarmid不等式
UA MATH567 高维统计I 概率不等式12 McDiarmid不等式 这一讲我们介绍基于Lipschitz性导出概率不等式的思路,这个思路在下一讲正式进入随机向量之后应用非常广泛.但这一讲我们先 ...
- UA MATH567 高维统计专题3 含L1-norm的凸优化2 Proximal Gradient Descent
UA MATH567 高维统计专题3 含L1-norm的凸优化2 Proximal Gradient Descent Proximal Gradient Descent的公式推导 Proximal O ...
最新文章
- 一次搞懂 Runnable、Callable、Future、FutureTask,不懂不要钱!
- Ubuntu下安装Stanford CoreNLP
- 三次握手+四次挥手,一文搞定所有!历史最佳剖析!
- 图深度学习(GraphDL),下一个人工智能算法热点
- 小程序自定义分享事件及回调函数
- Goods:注册页面保存User功能发送邮件以及激活功实现
- spring-cloud eureka注册发现
- 万字长文让你看够幂级数
- 小型服务器的操作系统,小型机服务器的操作系统
- Netty实战 IM即时通讯系统(五)客户端启动流程
- java常用类-----String类的源码分析、可变和不可变序列
- weblogic 扫描不到jar包的类问题解决方案
- Android应用实现文件关联
- 微服务系列:Dubbo与SpringCloud的Ribbon、Hystrix、Feign的优劣势比较
- 短网址批量生成 v2.0
- cin.get(),cin.getline(),getline(),gets(),getchar()
- oracle报错12516,Oracle连接数太多报错-ORA-12516异常
- Android O后台服务限制总结
- uvm设计分析——tlm
- 设计过程(概要设计和详细设计)
热门文章
- 【Python-ML】SKlearn库特征选择SBS算法
- Java的char数据类型存储一个中文字符
- 算法导论之每对顶点间的最短路径
- Java基础类库四则运算_00JAVA语法基础_四则运算 01
- Redis的常用命令——String的常用命令
- 前端路由||路由的基本概念与原理||在开发中,路由分为: 后端路由 前端路由
- lower_bound()、upper_bound()
- [YTU]_2570 指针练习——变量交换
- hankel--生成Hankel矩阵
- numpy.core.umath failed to import 如何解决