Davis-Kahan定理

Davis-Kahan定理（Davis-Kahan theorem）是随机矩阵分析中的一个重要的基础性定理。它的基本内容是，如果两个矩阵在某种合适的模之下相近，且有足够的特征裂隙，那么它们相应的特征向量子空间也相似。

定理内容

两个线性空间的夹角

考虑两个单位列正交矩阵 ${\displaystyle V,{\hat {V}}\in \mathbb {R} ^{n\times d}}$ （“单位列正交”意为：其满足 ${\displaystyle V^{T}V={\hat {V}}^{T}{\hat {V}}=I_{d}}$） 之列向量分别张成的线性子空间，那么这两个子空间的张角，是由一个矩阵所表示的（显然这是如下熟知的特殊情形之概念上的拓展： ${\displaystyle d=1}$ 时，通常用一个数值表示两个向量之间的张角），式子如下：

${\displaystyle \Theta (V,{\hat {V}})=\mathrm {Diagonal} (\arccos \langle V_{\cdot 1},{\hat {V}}_{\cdot 1}\rangle ,\ldots ,\arccos \langle V_{\cdot d},{\hat {V}}_{\cdot d}\rangle )}$

上式中，“${\displaystyle \Theta }$”是一个数学运算，表示线性空间之间的张角。

定理的经典版本

有了线性空间之间张角的定义，便可以开始陈述定理内容。设 ${\displaystyle \Sigma ,{\hat {\Sigma }}\in \mathbb {R} ^{p\times p}}$是两个对称的随机矩阵，其特征值记为 ${\displaystyle \lambda _{1}\geq \cdots \geq \lambda _{p}}$ 和 ${\displaystyle {\hat {\lambda }}_{1}\geq \cdots \geq {\hat {\lambda }}_{p}}$。对任何 ${\displaystyle (r,s):1\leq r\leq s\leq p}$ ，考虑第 ${\displaystyle \{\lambda _{r},\ldots ,\lambda _{s}\}}$ 这总共 ${\displaystyle s-r+1}$ 个特征值之对应的特征向量所张成的线性子空间，将它记为 ${\displaystyle V}$，类似地定义 ${\displaystyle {\hat {V}}}$。

下面定义定理中最重要的量，即特征裂隙 ${\displaystyle \delta }$：

${\displaystyle \delta =\inf \left\{|{\hat {\lambda }}-\lambda |:\lambda \in [\lambda _{s},\lambda _{r}],{\hat {\lambda }}\in (-\infty ,{\hat {\lambda }}_{s+1}]\cup [{\hat {\lambda }}_{r-1},\infty )\right\}}$

定理的结论是，如果 ${\displaystyle \delta >0}$ ，那么有如下不等式：

${\displaystyle \|\sin \Theta ({\hat {V}},V)\|_{F}\leq {\frac {\|{\hat {\Sigma }}-\Sigma \|_{F}}{\delta }}}$

其中 ${\displaystyle \|\cdot \|_{F}}$ 表示Frobenius范数，即将矩阵的所有元素平方求和后，再开根号。^[1]

定理的Yu-Wang-Samworth变体版本

Davis-Kahan定理的经典版本有一些可改进之处，主要在于正特征裂隙假设，是一个同时牵涉两个矩阵的特征值 ${\displaystyle \lambda }$ 和 ${\displaystyle {\hat {\lambda }}}$ 的条件，这对其应用的方便性造成负面影响。余怡、王腾耀和Richard Samworth于2014年发现如下变体^[2]，其最大特色是其只需其中一个矩阵满足正特征裂隙条件。

沿用上面经典版本定理的记号，另记 ${\displaystyle d=s-r+1}$ ，并用如下的特征裂隙条件代替原定理中的 ${\displaystyle \delta >0}$：

${\displaystyle \min(\lambda _{r-1}-\lambda _{r},\lambda _{s}-\lambda _{s+1})>0}$

Yu-Wang-Samworth定理的结论，按经典版的 ${\displaystyle \sin \Theta }$ 语言，陈述如下：

${\displaystyle \|\sin \Theta ({\hat {V}},V)\|_{F}\leq {\frac {2\min \left(d^{1/2}\|{\hat {\Sigma }}-\Sigma \|,\|{\hat {\Sigma }}-\Sigma \|_{F}\right)}{\min(\lambda _{r-1}-\lambda _{r},\lambda _{s}-\lambda _{s+1})}}}$

其中，${\displaystyle \|\cdot \|}$ 表示矩阵的谱范数，即其最大奇异值。

进一步，按矩阵论语言，有如下更显式的结论：存在一个正交矩阵 ${\displaystyle {\hat {O}}\in \mathbb {R} ^{d\times d}}$ （“正交”是指其满足 ${\displaystyle O^{T}O=I_{d}}$），使得：

${\displaystyle \|{\hat {V}}{\hat {O}}-V\|_{F}\leq {\frac {2^{3/2}\min \left(d^{1/2}\|{\hat {\Sigma }}-\Sigma \|,\|{\hat {\Sigma }}-\Sigma \|_{F}\right)}{\min(\lambda _{r-1}-\lambda _{r},\lambda _{s}-\lambda _{s+1})}}}$

注意事项

虽然Davis-Kahan定理大多数的应用是套用到随机矩阵上，但要注意定理本身并不局限于随机矩阵，无论定理内容中出现的矩阵是常数矩阵还是随机矩阵（抑或是一个确定一个随机），只要假设条件满足，定理的结论都成立（而非仅以大概率成立或渐近成立）。

应用

Davis-Kahan定理拥有广泛的应用，是谱聚类方法的理论基础，在统计学习和统计网络分析的很多涉及聚类问题的研究中，占据重要地位。^[3][4]

参见

特征裂隙

参考文献

1. G. Stewart; Ji-Guang Sun. Matrix perturbation theory. Academic Press. ISBN 9780126702309.
2. Yu, Y.; Wang, T.; Samworth, R. J. A useful variant of the Davis–Kahan theorem for statisticians. Biometrika. 2015-06, 102 (2): 315–323. doi:10.1093/biomet/asv008.
3. Rohe, Karl; Chatterjee, Sourav; Yu, Bin. Spectral clustering and the high-dimensional stochastic blockmodel. The Annals of Statistics. 2011-08, 39 (4): 1878–1915. doi:10.1214/11-AOS887.
4. Lei, Jing; Rinaldo, Alessandro. Consistency of spectral clustering in stochastic block models. The Annals of Statistics. 2015-02, 43 (1): 215–237. doi:10.1214/14-AOS1274.