Universal optimality of the double-centred matrix under unitarily invariant norms for dissimilarity data

तकनीकी सारांश: डबल-सेंटर्ड मैट्रिक्स की सार्वभौमिक इष्टतमता (Universal Optimality)

समस्या विवरण
यह शोध पत्र एक दिए गए सममित असतुल्यता मैट्रिक्स (symmetric dissimilarity matrix) $D = (D_{ij})_{i,j=1}^n$ से व्युत्पन्न एक अफ़ाइन परिवार (affine family) के वास्तविक सममित मैट्रिसेस में से एक मानक प्रतिनिधि (canonical representative) चुनने की समस्या को संबोधित करता है। मान लीजिए कि $D^{(2)} = (D_{ij}^2)$ वर्गाकार असतुल्यता का मैट्रिक्स है। लेखक $A(g)$ के मैट्रिसेस के परिवार पर विचार करते हैं जो निम्नलिखित संबंध द्वारा परिभाषित है:
$$D_{ij}^2 = a_{ii} + a_{jj} - 2a_{ij}, \quad i \neq j$$
जहाँ $A(g)$ के विकर्ण प्रविष्टियाँ (diagonal entries) स्वतंत्र पैरामीटर हैं। विशेष रूप से, एक वेक्टर $g \in \mathbb{R}^n$ के लिए, इस परिवार को इस प्रकार पैरामीटराइज़ किया गया है:
$$A(g) = \frac{1}{2} \left( \mathbf{1}g^\top + g\mathbf{1}^\top - D^{(2)} \right)$$
यहाँ, $\mathbf{1}$ एक ऑल-वन्स (all-ones) वेक्टर है। $A(g)$ की विकूर्ण प्रविष्टियाँ $g$ द्वारा निर्धारित होती हैं, जबकि ऑफ-डायगोनल प्रविष्टियाँ असतुल्यता डेटा द्वारा स्थिर रहती हैं।

मुख्य प्रश्न यह है कि क्या $g$ का कोई विशिष्ट चयन मौजूद है जो मैट्रिसेस के एक विस्तृत वर्ग में $A(g)$ के "आकार" (size) को न्यूनतम करता है, विशेष रूप से यूनिटरीली इनवेरिएंट नॉर्म्स (unitarily invariant norms) के संदर्भ में (जिसमें फ्रोबेनियस नॉर्म, स्पेक्ट्रल नॉर्म, न्यूक्लियर नॉर्म, शैटन $p$-नॉर्म और क्य फैन $k$-नॉर्म शामिल हैं)। महत्वपूर्ण रूप से, यह शोध पत्र यह धारणा नहीं बनाता है कि असतुल्यता मैट्रिक्स $D$ किसी यूक्लिडियन विन्यास (Euclidean configuration) से उत्पन्न हुआ है (अर्थात, $D$ एक यूक्लिडियन डिस्टेंस मैट्रिक्स होना आवश्यक नहीं है, और $A(g)$ का पॉजिटिव सेमीडेफिनेट होने की आवश्यकता नहीं है)।

कार्यप्रणाली (Methodology)
लेखक एक विशुद्ध रूप से मैट्रिक्स-सैद्धांतिक दृष्टिकोण अपनाते हैं, जो यूक्लिडियन रियलाइज़ेबिलिटी (Euclidean realizability) की धारणाओं से बचता है। उनकी कार्यप्रणाली तीन मुख्य घटकों पर आधारित है:

1. अफ़ाइन संरचना विश्लेषण (Affine Structure Analysis): लेखक सेंट्रिंग मैट्रिक्स $J = I - \frac{1}{n}\mathbf{1}\mathbf{1}^\top$ के प्रभाव के तहत $A(g)$ की संरचना का विश्लेषण करते हैं। वे एक प्रमुख संरचनात्मक पहचान (लेम्मा 2.2) स्थापित करते हैं:
   $$J A(g) J = -\frac{1}{2} J D^{(2)} J$$
   यह पहचान दर्शाती है कि किसी भी अफ़ाइन परिवार के लिए "सेंटर्ड कंप्रेशन" (centred compression) पैरामीटर $g$ से स्वतंत्र है।

2. फ्रोबेनियस नॉर्म मिनिमाइजेशन (Frobenius Norm Minimization): लेखक पहले फ्रोबेनियस नॉर्म ($\|\cdot\|_F$) के लिए मिनिमाइजेशन समस्या को हल करते हैं। वे सिद्ध करते हैं कि ऑब्जेक्टिव फंक्शन $f(g) = \|A(g)\|_F^2$ एक स्ट्रिक्टली कॉनवेक्स क्वाड्रेटिक (strictly convex quadratic) है जिसका पॉजिटिव-डेफिनिट हेसियन (Hessian) है। प्रथम-क्रम अनुकूलता स्थिति (first-order optimality condition) प्राप्त करके, वे एक अद्वितीय मिनिमाइज़र $g_F$ की पहचान करते है जहाँ $A(g_F)\mathbf{1} = \mathbf{0}$ होता है। इससे $g_F$ का स्पष्ट क्लोज्ड-फॉर्म समाधान प्राप्त होता है:
   $$g_F = \frac{1}{n} D^{(2)}\mathbf{1} - \frac{1}{2n^2}(\mathbf{1}^\top D^{(2)}\mathbf{1})\mathbf{1}$$
   परिणामस्वरूप, अद्वितीय फ्रोबेनियस मिनिमाइज़र डबल-सेंटर्ड मैट्रिक्स है:
   $$A(g_F) = -\frac{1}{2} J D^{(2)} J$$

3. यूनिटरीली इनवेरिएंट नॉर्म्स तक विस्तार: सभी यूनिटरीली इनवेरिएंट नॉर्म्स तक इस परिणाम का विस्तार करने के लिए, लेखक ऑर्थोगोनल पिंचिंग (orthogonal pinching) की कॉन्ट्रैक्टिविटी (contractivity) का उपयोग करते हैं (लेम्मा 2.4)। वे दिखाते हैं कि किसी भी यूनिटरीली इनवेरिएंट नॉर्म $\|\|\cdot\|\|$ के लिए, असमिका $\|\| J A(g) J \|\| \le \|\| A(g) \|\|$ सत्य है। चूंकि $J A(g) J = A(g_F)$ सभी $g$ के लिए सत्य है, इसलिए $A(g_F)$ पूरे परिवार के लिए नॉर्म को न्यूनतम करता है।

प्रमुख परिणाम

• सार्वभौमिक इष्टतमता (Universal Optimality - Theorem 2.5): डबल-सेंटर्ड मैट्रिक्स $A(g_F) = -\frac{1}{2} J D^{(2)} J$ प्रत्येक यूनिटरीली इनवेरिएंट नॉर्म के लिए $\|\| A(g) \|\|$ का एक मिनिमाइज़र है। इसमें स्पेक्ट्रल नॉर्म, न्यूक्लियर नॉर्म, फ्रोबेनियस नॉर्म और सभी शैटन $p$-नॉर्म और क्य फैन $k$-नॉर्म शामिल हैं।
• विशिष्टता संरचना (Uniqueness Structure):
  • स्ट्रिक्टली कॉनवेक्स यूनिटरीली इनवेरिएंट नॉर्म्स के लिए (जैसे फ्रोबेनियस नॉर्म, $1 < p < \infty$ के साथ शैटन $p$-नॉर्म), $g_F$ एक अद्वितीय मिनिमाइज़र है।
  • नॉन-स्ट्रिक्टली कॉनवेक्स नॉर्म्स के लिए (जैसे स्पेक्ट्रल नॉर्म, न्यूक्लियर नॉर्म), मिनिमाइज़र आवश्यक रूप से अद्वितीय नहीं होता है। लेखक एक-आयामी स्लाइस $g(t) = g_F + \frac{t}{n}\mathbf{1}$ के साथ गैर-अद्वितीयता को स्पष्ट करते हैं, यह दिखाते हुए कि $\|A(g(t))\|_2 = \max\{\rho^*, |t|\}$, जहाँ $\rho^* = \|A(g_F)\|_2$ है। अतः, कोई भी $t$ जिसके लिए $|t| \le \rho^*$ हो, एक स्पेक्ट्रल-नॉर्म मिनिमाइज़र प्रदान करता है।
• रैंक स्थिति (Rank Condition - Proposition 2.8): लेखक उस मामले का वर्णन करते हैं जहाँ फ्रोबेनियस और स्पेक्ट्रल मिनिमा मेल खाते हैं (अर्थात, $\|A(g_F)\|_F = \|A(g_F)\|_2$)। यह तभी होता है जब $\text{rank}(J D^{(2)} J) \le 1$ हो। यूक्लिडियन मामले में, यह $n$ बिंदुओं के कोलीनियर (collinear) होने के समतुल्य है। इस अपवाद स्थिति में, $A(g_F)$ के सभी शैटन नॉर्म्स एक समान होते हैं।

महत्व और दावे

यह शोध पत्र डबल-सेंटर्ड मैट्रिक्स के लिए एक शुद्ध वेरिएशनल कैरेक्टराइजेशन (variational characterisation) प्रदान करने का दावा करता है, जो क्लासिकल मल्टी-डायमेंशनल स्केलिंग (CMDS) और प्रिंसिपल कोऑर्डिनेट एनालिसिस (PCoA) में केंद्रीय वस्तु है।

• यूक्लिडियन धारणाओं से स्वतंत्रता: पारंपरिक CMDS सिद्धांत के विपरीत, जिसमें अक्सर यह आवश्यक होता है कि इनपुट डिसिमिलिटीज़ यूक्लिडियन हों (जिसका अर्थ है कि परिणामी मैट्रिक्स पॉजिटिव सेमीडेफिनेट होना चाहिए), यह परिणाम किसी भी मनमाने सममित असतुल्यता डेटा के लिए मान्य है। डबल-सेंटर्ड मैट्रिक्स इस तथ्य के बावजूद एक इष्टतम प्रतिनिधि के रूप में उभरता है कि डेटा यूक्लिडियन है या नहीं।
• नॉर्म स्वतंत्रता: यह परिणाम यह प्रदर्शित करता है कि डबल-सेंटर्ड मैट्रिक्स का चयन केवल फ्रोबेनियस नॉर्म को न्यूनतम करने का एक आर्टिफैक्ट नहीं है। इसके बजाय, यह पूरे यूनिटरीली इनवेरिएंट नॉर्म्स के वर्ग के लिए एक "सार्वभौमिक" मिनिमाइज़र है।
• मैट्रिक्स नियरनेस से संबंध: इस कार्य को मैट्रिक्स नियरनेस समस्या के एक अफ़ाइन संस्करण के रूप में फ्रेम किया गया है। यह मौजूदा साहित्य (जैसे हाईम का काम, जो निकटतम पॉजिटिव सेमीडेफिनेट मैट्रिसेस पर केंद्रित है) के विपरीत है, यह दिखाते हुए कि इस विशिष्ट अफ़ाइन परिवार के लिए, फ्रोबेनियस और स्पेक्ट्रल मिनिमाइजेशन समस्याओं को एक ही मैट्रिक्स द्वारा हल किया जाता है (हालांकि विशिष्टता भिन्न है), और दोनों के लिए एक क्लोज्ड-फॉर्म समाधान मौजूद है।

लेखक नए अनुप्रयोगों का प्रस्ताव नहीं करते हैं, बल्कि संख्यात्मक पारिस्थितिकी (numerical ecology) और माइक्रोबायोम विश्लेषण जैसे क्षेत्रों में डबल-सेंटर्ड मैट्रिक्स के व्यापक उपयोग के लिए एक सैद्धांतिक औचित्य प्रदान करते हैं, जहाँ असतुल्यता माप (जैसे ब्रे-कर्टिस) अक्सर यूक्लिडियन मेट्रिक गुणों को पूरा करने में विफल रहते हैं।