Résumé Technique : Flots à Double Crochets Discrets pour une Décomposition Spectrale Invariante au Bruit Isotrope

1. Énoncé du Problème

L'article aborde le problème de la décomposition spectrale sans matrice complète (full-basis matrix-free) d'un opérateur symétrique sous des observations en flux continu. Le modèle d'observation est donné par :
$$C_k = C_{\text{sig}} + \sigma_k^2 I + E_k$$
où :

• $C_{\text{sig}} \in \mathbb{R}^{n \times n}$ est la covariance du signal avec des valeurs propres distinctes.
• $\sigma_k^2 I$ représente un bruit de fond isotrope variant dans le temps, potentiellement non borné (plancher de bruit).
• $E_k$ est une perturbation anisotrope.
• L'accès est restreint aux produits matrice-vecteur (PMV) $v \mapsto C_k v$, ce qui signifie que la matrice complète $C_k$ n'est jamais stockée ni formée explicitement.

Le Défi Central : Dans les régimes à fort bruit de fond où $\sigma_k^2 \gg \|C_{\text{sig}}\|_2$, les algorithmes standards (par exemple, itération de sous-espace, règle d'Oja, descente de gradient euclidienne avec rétraction QR) souffrent d'une dégradation sévère. Leur stabilité, leurs tailles de pas et leurs taux de contraction deviennent couplés au plancher de bruit $\sigma_k^2$. Par exemple, le taux de contraction dans l'itération de sous-espace tend vers l'unité lorsque $\sigma_k^2 \to \infty$, et la taille de pas effective dans QR-Oja s'effondre vers zéro. Cela force le nombre d'itérations à évoluer comme $\Omega(\sigma_k^2 / \Delta)$, les rendant impraticables dans des environnements à fort bruit.

2. Méthodologie

Les auteurs proposent un Flot à Double Crochets Discret qui réalise une invariance algébrique aux décalages isotropes sans estimer ni soustraire explicitement le bruit.

2.1 Invariance Algébrique via les Crochets de Lie

L'idée centrale est que la composante isotrope $\sigma_k^2 I$ réside dans le centre de l'algèbre matricielle. Par conséquent, elle s'annule sous l'opération de crochet de Lie (commutateur). Les auteurs construisent un générateur dépendant de l'état $\Omega(M)$ défini sur l'algèbre de Lie $\mathfrak{so}(n)$ :
$$\Omega(M) = [A(M), D(M)] = A(M)D(M) - D(M)A(M)$$
où :

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

Comme $[\alpha I, X] \equiv 0$ pour tout scalaire $\alpha$ et toute matrice $X$, le générateur satisfait :
$$\Omega(M; C_{\text{sig}} + \sigma_k^2 I + E_k) = \Omega(M; C_{\text{sig}} + E_k)$$
Cela garantit que la direction de mise à jour est point par point identique que l'observation inclue ou non le bruit isotrope. Le bruit n'est pas filtré ; il est structurellement annihilé par la définition du générateur.

2.2 Mise à Jour Discrète via la Rétraction de Cayley

L'algorithme met à jour la matrice de rotation $M_k \in SO(n)$ en utilisant l'application de Cayley pour maintenir l'orthogonalité sans décompositions SVD ou QR coûteuses :
$$M_{k+1} = M_k \cdot \text{Cay}(\eta_k \Omega_k)$$
où $\text{Cay}(X) = (I - \frac{1}{2}X)^{-1}(I + \frac{1}{2}X)$.
Dans des contextes sans matrice, l'inverse $(I - \frac{\eta}{2}\Omega)^{-1}$ est approximé via une série de Neumann tronquée d'ordre $K$ (généralement $K=3$ ou $4$), ne nécessitant que $O(n)$ PMV par itération.

2.3 Extension au Suivi des $k$ Premiers

Le cadre est étendu à la variété de Stiefel $\text{St}(k, n)$ pour le suivi des $k$ premières vecteurs propres. En introduisant un objectif pondéré de Brockett $J(M) = \text{tr}(M^\top C M N)$ avec une matrice de poids diagonale strictement ordonnée $N$, la méthode isole un cadre de valeurs propres ordonné tout en conservant la même propriété d'invariance vis-à-vis de $\sigma^2$.

3. Contributions Clés et Résultats Théoriques

3.1 Invariance Algébrique et Stabilité

• Invariance Point par Point : La trajectoire discrète $\{M_k\}$ et les valeurs de Lyapunov sont identiques pour les observations $\{C_{\text{sig}} + \sigma_k^2 I + E_k\}$ et $\{C_{\text{sig}} + E_k\}$.
• Seuil de Stabilité : La taille de pas maximale stable $\eta_{\max} = 1/L_C$ dépend exclusivement de l'énergie du signal sans trace $\|C_e\|_2$ (où $C_e = \text{tf}(C_{\text{sig}})$), et non de $\sigma_k^2$. Plus précisément, $L_C = (4\sqrt{n} + 8)\|C_e\|_2^2$.

3.2 Stabilité Entrée-État (ISS)

Les auteurs établissent que l'algorithme est stable entrée-état par rapport à la perturbation sans trace $E_e$.

• Boule de Bruit : La borne d'erreur à l'état stationnaire (rayon de la boule de bruit) est régie uniquement par $\|E_e\|$, $\|C_e\|$ et l'écart spectral $\delta$. Elle est indépendante du niveau de bruit isotrope $\{\sigma_k^2\}$.
• Complexité Échantillonnaire : Sous un bruit stochastique, le taux de convergence est $O(1/k)$, et la complexité échantillonnaire pour atteindre une précision $\epsilon$ est $O(\|C_e\|_2^2 \sigma_u^2 / (\delta^2 \epsilon))$, où $\sigma_u^2$ dépend uniquement des moments du bruit anisotrope.

3.3 Convergence Globale

• Géométrie à Saddle Strict : La fonction objectif sur $SO(n)$ n'a pas de minima locaux spurieux. Tous les points critiques non optimaux sont des selles strictes.
• Convergence Presque Sûre (Haar) : Pour l'itération de Cayley exacte (sans bruit), une initialisation aléatoire (mesure de Haar) converge vers l'ensemble du minimum global avec une probabilité de 1.
• Entrée en Temps Fini : Sous des perturbations sans trace bornées, l'orbite perturbée pénètre dans le domaine séparé spectralement (où l'analyse ISS locale est valable) en temps fini depuis presque n'importe quelle initialisation.

3.4 Complexité Computationsnelle

• **Base Complète ($SO(n)$) :**$O(n)$ PMV et $O(n^3)$ arithmétique dense par étape.
• Top-$k$ ($\text{St}(k, n)$) : $O(k)$ PMV et $O(nk^2 + k^3)$ arithmétique par étape, permettant une évolutivité jusqu'à $n \sim 10^4$ pour de petits $k$.

4. Résultats Expérimentaux

L'article valide les prédictions théoriques par des diagnostics numériques plutôt que par des benchmarks empiriques larges :

1. Complexité d'Itération vs Bruit : La méthode de Cayley proposée nécessite un nombre constant d'itérations ($\approx 1600$) sur quatre ordres de grandeur de bruit isotrope ($\sigma^2 \in [0, 1000]$). En revanche, "Raw Oja" échoue complètement pour $\sigma^2 \ge 10$, et les bases de soustraction de trace (TF-Oja) entraînent une surcharge significative.
2. Correction Algébrique : L'implémentation du commutateur satisfait les identités algébriques (par exemple, profils d'échappement de Givens, bornes d'entrée) avec une précision machine ($\sim 10^{-15}$).
3. Convergence Globale : À partir de 100 initialisations aléatoires de Haar sur $SO(15)$, l'algorithme converge vers le minimum global dans 100 % des essais.
4. Invariance Stiefel : Les trajectoires sur $\text{St}(5, 50)$ avec $\sigma^2 = 10^4$ sont indiscernables de celles avec $\sigma^2 = 0$ (différence $< 2.3 \times 10^{-12}$).

5. Importance et Revendications

L'article prétend résoudre une limitation fondamentale dans la décomposition spectrale en flux continu : le couplage de la stabilité algorithmique au plancher de bruit. En exploitant l'identité de crochet de Lie $[\alpha I, \cdot] \equiv 0$, la méthode rend le bruit isotrope "algébriquement invisible".

• Structurel vs Estimation : Contrairement aux approches d'estimation de trace ou de débruitage, cette méthode ne tente pas d'estimer ni de soustraire le paramètre parasite. Elle construit plutôt des dynamiques où le bruit ne peut pas exister.
• Robustesse : L'approche fournit des garanties de convergence certifiées même lorsque le fond isotrope est non borné ou impulsionnel.
• Portée : Les auteurs limitent explicitement leur portée aux décalages isotropes. Les perturbations structurées (non isotropes) sont hors du cadre actuel. La variante à base complète reste en $O(n^3)$, la limitant à $n \lesssim 10^3$, bien que l'extension de Stiefel offre une évolutivité pour le suivi de rang faible.

Le travail établit un nouveau paradigme pour l'estimation spectrale robuste où le modèle de bruit est géré via la structure géométrique plutôt que par l'estimation statistique.