Resumen Técnico: Flujos de Doble Corchete Discretos para la Descomposición Espectral Invariante al Ruido Isotrópico

1. Planteamiento del Problema

El artículo aborda el problema de la descomposición espectral sin matriz de base completa para un operador simétrico bajo observaciones en flujo. El modelo de observación viene dado por:
$$C_k = C_{\text{sig}} + \sigma_k^2 I + E_k$$
donde:

• $C_{\text{sig}} \in \mathbb{R}^{n \times n}$ es la covarianza de la señal con valores propios distintos.
• $\sigma_k^2 I$ representa un fondo isotrópico variable en el tiempo, potencialmente ilimitado (piso de ruido).
• $E_k$ es una perturbación anisotrópica.
• El acceso se restringe a productos matriz-vector (MVP) $v \mapsto C_k v$, lo que significa que la matriz completa $C_k$ nunca se almacena ni se forma explícitamente.

El Desafío Central: En regímenes de alto fondo donde $\sigma_k^2 \gg \|C_{\text{sig}}\|_2$, los algoritmos estándar (por ejemplo, iteración de subespacios, regla de Oja, descenso de gradiente euclidiano con retracción QR) sufren una degradación severa. Su estabilidad, tamaños de paso y tasas de contracción se acoplan al piso de ruido $\sigma_k^2$. Por ejemplo, la relación de contracción en la iteración de subespacios se aproxima a la unidad a medida que $\sigma_k^2 \to \infty$, y el tamaño de paso efectivo en QR-Oja colapsa a cero. Esto fuerza a que el número de iteraciones escale como $\Omega(\sigma_k^2 / \Delta)$, volviéndolos poco prácticos para entornos de alto ruido.

2. Metodología

Los autores proponen un Flujo de Doble Corchete Discreto que logra invariancia algebraica ante desplazamientos isotrópicos sin estimar ni restar explícitamente el ruido.

2.1 Invariancia Algebraica mediante Corchetes de Lie

La idea central es que el componente isotrópico $\sigma_k^2 I$ reside en el centro del álgebra de matrices. En consecuencia, se anula bajo la operación de corchete de Lie (conmutador). Los autores construyen un generador dependiente del estado $\Omega(M)$ definido sobre el álgebra de Lie $\mathfrak{so}(n)$:
$$\Omega(M) = [A(M), D(M)] = A(M)D(M) - D(M)A(M)$$
donde:

• $A(M) = M^\top C_k M$
• $D(M) = \text{diag}(A(M))$

Debido a que $[\alpha I, X] \equiv 0$ para cualquier escalar $\alpha$ y matriz $X$, el generador satisface:
$$\Omega(M; C_{\text{sig}} + \sigma_k^2 I + E_k) = \Omega(M; C_{\text{sig}} + E_k)$$
Esto asegura que la dirección de actualización sea puntualmente idéntica independientemente de si la observación incluye el ruido isotrópico o no. El ruido no se filtra; es estructuralmente aniquilado por la definición del generador.

2.2 Actualización Discreta mediante Retracción de Cayley

El algoritmo actualiza la matriz de rotación $M_k \in SO(n)$ utilizando el mapa de Cayley para mantener la ortogonalidad sin descomposiciones SVD o QR costosas:
$$M_{k+1} = M_k \cdot \text{Cay}(\eta_k \Omega_k)$$
donde $\text{Cay}(X) = (I - \frac{1}{2}X)^{-1}(I + \frac{1}{2}X)$.
En entornos sin matriz, la inversa $(I - \frac{\eta}{2}\Omega)^{-1}$ se aproxima mediante una serie de Neumann truncada de orden $K$ (típicamente $K=3$ o $4$), requiriendo solo $O(n)$ MVPs por iteración.

2.3 Extensión al Rastreo de los Top-$k$

El marco se extiende a la variedad de Stiefel $\text{St}(k, n)$ para rastrear los $k$ vectores propios principales. Mediante la introducción de un objetivo ponderado de Brockett $J(M) = \text{tr}(M^\top C M N)$ con una matriz de pesos diagonal estrictamente ordenada $N$, el método aísla un marco de autovalores ordenado mientras preserva la misma propiedad de invariancia ante $\sigma^2$.

3. Contribuciones Clave y Resultados Teóricos

3.1 Invariancia Algebraica y Estabilidad

• Invariancia Puntual: La trayectoria discreta $\{M_k\}$ y los valores de Lyapunov son idénticos para las observaciones $\{C_{\text{sig}} + \sigma_k^2 I + E_k\}$ y $\{C_{\text{sig}} + E_k\}$.
• Umbral de Estabilidad: El tamaño de paso estable máximo $\eta_{\max} = 1/L_C$ depende exclusivamente de la energía de la señal sin traza $\|C_e\|_2$ (donde $C_e = \text{tf}(C_{\text{sig}})$), no de $\sigma_k^2$. Específicamente, $L_C = (4\sqrt{n} + 8)\|C_e\|_2^2$.

3.2 Estabilidad Entrada-Estado (ISS)

Los autores establecen que el algoritmo es Estable Entrada-Estado con respecto a la perturbación sin traza $E_e$.

• Bola de Ruido: El límite del error en estado estacionario (radio de la bola de ruido) está gobernado únicamente por $\|E_e\|$, $\|C_e\|$ y el hueco espectral $\delta$. Es independiente del nivel de ruido isotrópico $\{\sigma_k^2\}$.
• Complejidad de Muestra: Bajo ruido estocástico, la tasa de convergencia es $O(1/k)$, y la complejidad de muestra para alcanzar una precisión $\epsilon$ es $O(\|C_e\|_2^2 \sigma_u^2 / (\delta^2 \epsilon))$, donde $\sigma_u^2$ depende únicamente de los momentos del ruido anisotrópico.

3.3 Convergencia Global

• Geometría de Silla Estricta: La función objetivo en $SO(n)$ no tiene mínimos locales espurios. Todos los puntos críticos no óptimos son sillas estrictas.
• Convergencia Casi Segura de Haar: Para la iteración de Cayley exacta (sin ruido), la inicialización aleatoria (medida de Haar) converge al conjunto de mínimos globales con probabilidad 1.
• Entrada en Tiempo Finito: Bajo perturbaciones sin traza acotadas, la órbita perturbada entra en el dominio espectralmente separado (donde el análisis local ISS es válido) en tiempo finito desde casi cualquier inicialización.

3.4 Complejidad Computacional

• **Base Completa ($SO(n)$):**$O(n)$ MVPs y aritmética densa $O(n^3)$ por paso.
• Top-$k$ ($\text{St}(k, n)$): $O(k)$ MVPs y aritmética $O(nk^2 + k^3)$ por paso, permitiendo escalabilidad hasta $n \sim 10^4$ para $k$ pequeño.

4. Resultados Experimentales

El artículo valida las predicciones teóricas mediante diagnósticos numéricos en lugar de amplias pruebas empíricas:

1. Complejidad de Iteración vs. Ruido: El método de Cayley propuesto requiere un número constante de iteraciones ($\approx 1600$) a través de cuatro órdenes de magnitud de ruido isotrópico ($\sigma^2 \in [0, 1000]$). En contraste, "Oja Crudo" falla completamente para $\sigma^2 \ge 10$, y las líneas base de eliminación de traza (TF-Oja) incurren en una sobrecarga significativa.
2. Corrección Algebraica: La implementación del conmutador satisface identidades algebraicas (por ejemplo, perfiles de escape de Givens, límites de entrada) hasta la precisión de la máquina ($\sim 10^{-15}$).
3. Convergencia Global: De 100 inicializaciones aleatorias de Haar en $SO(15)$, el algoritmo converge al mínimo global en el 100% de los ensayos.
4. Invariancia de Stiefel: Las trayectorias en $\text{St}(5, 50)$ con $\sigma^2 = 10^4$ son indistinguibles de aquellas con $\sigma^2 = 0$ (diferencia $< 2.3 \times 10^{-12}$).

5. Significado y Afirmaciones

El artículo afirma resolver una limitación fundamental en la descomposición espectral en flujo: el acoplamiento de la estabilidad algorítmica al piso de ruido. Al aprovechar la identidad del corchete de Lie $[\alpha I, \cdot] \equiv 0$, el método hace que el ruido isotrópico sea "algebraicamente invisible".

• Estructural vs. Estimación: A diferencia de los enfoques de estimación de traza o eliminación de ruido, este método no intenta estimar ni restar el parámetro de molestia. En su lugar, construye dinámicas donde el ruido no puede existir.
• Robustez: El enfoque proporciona garantías certificadas de convergencia incluso cuando el fondo isotrópico es ilimitado o impulsivo.
• Alcance: Los autores limitan explícitamente su alcance a desplazamientos isotrópicos. Las perturbaciones estructuradas (no isotrópicas) están fuera del marco actual. La variante de base completa permanece en $O(n^3)$, limitándola a $n \lesssim 10^3$, aunque la extensión de Stiefel ofrece escalabilidad para el rastreo de bajo rango.

El trabajo establece un nuevo paradigma para la estimación espectral robusta donde el modelo de ruido se maneja mediante estructura geométrica en lugar de estimación estadística.