Resumen Técnico: Dinámica de Procesos Gaussianos de la Propagación de la Expectativa Diagonal bajo Mediciones Gaussianas con Perfil de Varianza

1. Planteamiento del Problema

Este artículo investiga el comportamiento asintótico de la Propagación de la Expectativa (EP) Diagonal cuando se aplica a problemas de inferencia lineal de alta dimensión con mediciones gaussianas de perfil de varianza. El modelo de inferencia lineal estándar es $y = Ax + v$, donde $A$ es una matriz de detección. Mientras que los análisis clásicos de AMP y EP a menudo asumen que $A$ consiste en entradas gaussianas independientes e idénticamente distribuidas (i.i.d.) o posee invariancia unitaria/rotacional, este trabajo considera un régimen más general donde las entradas de $A$ son gaussianas pero sus varianzas están prescritas por un perfil de varianza determinista $S = (s_{ij})$.

La cuestión central abordada es si el principio estándar de "ruido fresco" (fresh-noise) se mantiene en este entorno. En los modelos tradicionales i.i.d. o rotacionalmente invariantes, el módulo lineal de un algoritmo iterativo, tras una corrección de Onsager o de cavidad apropiada, entrega una observación gaussiana escalar fresca al módulo de la distribución previa (prior). Esto permite una descripción rigurosa de la Evolución de Estado (SE) mediante recursiones escalares. Los autores se preguntan: bajo un perfil de varianza, ¿la cavidad EP diagonal estándar sigue produciendo un canal gaussiano escalar fresco, o el perfil de varianza introduce una dependencia de las iteraciones pasadas que impide tal desacoplamiento simple?

2. Metodología

El artículo emplea un análisis riguroso de sistema grande en tiempo finito ($M, N \to \infty$ con $M/N \to \delta$) basado en el condicionamiento gaussiano y la Teoría de Matrices Aleatorias (RMT). La metodología difiere de los enfoques estándar en los siguientes aspectos:

• Condicionamiento Gaussiano sobre la Historia Lineal: A diferencia de los modelos unitariamente invariantes donde el condicionamiento sobre las iteraciones pasadas deja un componente Haar-aleatorio "fresco", el condicionamiento sobre la historia lineal finita de una matriz gaussiana con perfil de varianza deja un residuo gaussiano correlacionado. La covarianza de este residuo es deformada por el perfil de varianza y la historia revelada.
• Ecuación de Dyson-Matriz Condicionada (MDE): Para controlar el resolvente del módulo lineal condicionado, los autores utilizan un marco de Ecuación de Dyson-Matriz regularizada para matrices aleatorias correlacionadas. Esto proporciona un equivalente determinista para la covarianza y la respuesta del módulo lineal, reemplazando los parámetros de varianza escalar utilizados en la SE estándar.
• Expansión de Complemento de Schur: La salida del módulo lineal se descompone utilizando un complemento de Schur por coordenadas. Esto separa la respuesta instantánea (que la cavidad EP está diseñada para cancelar) de la fluctuación residual.
• Descomposición de Regresión Gaussiana: Los autores identifican que la fluctuación residual forma un proceso gaussiano dependiente de la coordenada. Aplican regresión gaussiana de dimensión finita para descomponer este proceso en un componente de memoria predecible (media condicional dada la historia de los residuos) y una innovación ortogonal (ruido fresco).

3. Contribuciones Clave

El artículo realiza tres contribuciones primordiales:

1. Identificación del Objeto Gaussiano Condicionado: Los autores demuestran que, bajo mediciones con perfil de varianza, el módulo lineal de la EP diagonal genera un proceso gaussiano dependiente de la coordenada en lugar de un canal escalar fresco. La covarianza de este proceso está gobernada por el perfil de varianza y la historia lineal finita del algoritmo, descrita mediante una respuesta de MDE condicionada.
2. Caracterización del Defecto de Memoria: El artículo demuestra que la cavidad diagonal estándar, aunque cancela con éxito la respuesta instantánea, no logra eliminar el componente predecible del residuo actual que está correlacionado con los residuos pasados. Esto resulta en un "defecto de memoria", lo que significa que la observación efectiva entregada al módulo de la distribución previa es una variable gaussiana desplazada, no una fresca.
3. Corrección de Evolución de Estado de Oráculo: Al descomponer el proceso gaussiano en su memoria predecible y su innovación fresca, los autores derivan una corrección a nivel de evolución de estado de oráculo. Esta corrección resta el término de memoria predecible, revelando el canal escalar fresco subyacente. Esto produce una evolución de estado por coordenadas que está quenched (congelada) con respecto al entorno generado por la MDE, en lugar de una simple recursión escalar.

4. Resultados Principales

Los resultados teóricos centrales se resumen de la siguiente manera:

• Teorema 3 (Teorema Dinámico General de Tiempo Finito): Establece que la salida del módulo lineal puede aproximarse mediante un proceso gaussiano con un núcleo de covarianza específico derivado de la MDE condicionada. Se muestra que la salida es la suma de una respuesta lineal determinista, un proceso gaussiano $Z_{t,j}$ y un término de error que tiende a cero.
• Teorema 4 (Defecto de Memoria): Muestra que la salida de la cavidad EP estándar $h_{t,j}$ satisface:
  $$h_{t,j} = \mu_{t,j} + \sqrt{\tau_{t,j}} W_{t,j} + o_{\ell^2_p}(1)$$
  donde $\mu_{t,j}$ es el defecto de memoria (predecible a partir de la historia pasada) y $W_{t,j}$ es una gaussiana estándar fresca. A menos que el perfil de varianza posea simetrías específicas (por ejemplo, invariancia rotacional), $\mu_{t,j} \neq 0$. En consecuencia, la cavidad estándar no es una observación AWGN fresca.
• Teorema 5 (Evolución de Estado Corregida por Memoria): Define una cavidad corregida $\hat{h}_{t,j} = h_{t,j} - \mu_{t,j}$. El teorema demuestra que esta variable corregida se comporta como una observación gaussiana escalar fresca ($\sqrt{\tau_{t,j}} W_{t,j}$). Esto permite una descripción válida de la evolución de estado, pero una que requiere el seguimiento de toda la historia de la covarianza por coordenadas y el entorno de la MDE, en lugar de solo las varianzas escalares.
• Teorema 6 (Reemplazo de Precisión): Cierra la brecha entre la dinámica de "precisión predecible" utilizada en la prueba y el algoritmo real de EP diagonal de "precisión adaptativa". Demuestra que las normas empíricas de las precisiones adaptativas y los errores convergen a sus contrapartes predecibles, validando los resultados teóricos para el algoritmo real.

5. Significado y Reivindicaciones

El artículo sostiene que el supuesto estándar de un "canal gaussiano escalar fresco" no es robusto ante mediciones gaussianas con perfil de varianza. La importancia del trabajo radica en:

• Refinamiento del Principio de Desacoplamiento: Clarifica que, si bien la naturaleza gaussiana de la salida del módulo lineal se preserva bajo perfiles de varianza, la frescura (independencia de las iteraciones pasadas) generalmente se pierde. El objeto límite es una dinámica de procesos gaussianos con memoria dependiente del perfil.
• Límite Teórico de la EP Diagonal: Establece que, para perfiles de varianza generales, el algoritmo de EP diagonal estándar no se desacopla naturalmente en una evolución de estado escalar. La "memoria" del algoritmo es una característica intrínseca del perfil de varianza, no un artefacto del diseño del algoritmo.
• Oráculo vs. Práctico: Los autores son modestos respecto a la aplicación práctica inmediata de sus resultados. Declaran explícitamente que la corrección de memoria derivada es una construcción de oráculo (que requiere el conocimiento del entorno de la MDE y la historia pasada) y no se propone como un algoritmo de muestra finita. El artículo se centra en caracterizar la dinámica límite e identificar el canal "fresco" subyacente dentro del proceso de residuo.

En conclusión, el artículo proporciona una descripción rigurosa en tiempo finito de la EP diagonal bajo mediciones con perfil de varianza, reemplazando la convencional evolución de estado escalar por una dinámica de procesos gaussianos más compleja y dependiente de la memoria, e identificando las condiciones precisas bajo las cuales la intuición estándar de "ruido fresco" falla.