Resumo Técnico: Dinâmica de Processo Gaussiano de Diagonal Expectation Propagation sob Medições Gaussianas de Perfil de Variância

1. Enunciado do Problema

Este artigo investiga o comportamento assintótico do Diagonal Expectation Propagation (EP) quando aplicado a problemas de inferência linear de alta dimensão com medições Gaussianas de perfil de variância. O modelo de inferência linear padrão é $y = Ax + v$, onde $A$ é uma matriz de sensoriamento. Enquanto as análises clássicas de Approximate Message Passing (AMP) e EP frequentemente assumem que $A$ consiste em entradas Gaussianas independentes e identicamente distribuídas (i.i.d.) ou possui invariância unitária/rotacional, este trabalho considera um regime mais geral onde as entradas de $A$ são Gaussianas, mas suas variâncias são prescritas por um perfil de variância determinístico $S = (s_{ij})$.

A questão central abordada é se o princípio padrão de "ruído novo" (fresh-noise) se mantém neste cenário. Nos modelos tradicionais i.i.d. ou rotacionalmente invariantes, o módulo linear de um algoritmo iterativo, após uma correção de Onsager ou de cavidade apropriada, entrega uma observação Gaussiana escalar fresca ao módulo de prior. Isso permite uma descrição rigorosa de Evolução de Estado (SE) usando recursões escalares. Os autores questionam: sob um perfil de variância, o diagonal EP de cavidade padrão ainda produz um canal Gaussiano escalar fresco, ou o perfil de variância introduz uma dependência de iterações passadas que impede tal desacoplamento simples?

2. Metodologia

O artigo emprega uma análise rigorosa de sistema grande em tempo finito ($M, N \to \infty$ com $M/N \to \delta$) baseada em condicionamento Gaussiano e Teoria de Matrizes Aleatórias (RMT). A metodologia diverge das abordagens padrão das seguintes formas:

• Condicionamento Gaussiano sobre a História Linear: Diferente dos modelos unitariamente invariantes onde o condicionamento sobre iterações passadas deixa um componente Haar-aleatório "fresco", o condicionamento sobre a história linear finita de uma matriz Gaussiana com perfil de variância deixa um resíduo Gaussiano correlacionado. A covariância deste resíduo é deformada pelo perfil de variância e pela história revelada.
• Equação de Matriz-Dyson Condicionada (MDE): Para controlar o resolvente do módulo linear condicionado, os autores utilizam um framework de Equação de Matriz-Dyson regularizada para matrizes aleatórias correlacionadas. Isso fornece um equivalente determinístico para a covariância e a resposta do módulo linear, substituindo os parâmetros de variância escalar usados na SE padrão.
• Expansão de Complemento de Schur: A saída do módulo linear é decomposta usando um complemento de Schur por coordenada. Isso separa a resposta instantânea (que a cavidade EP é projetada para cancelar) da flutuação residual.
• Decomposição de Regressão Gaussiana: Os autores identificam que a flutuação residual forma um processo Gaussiano dependente de coordenadas. Eles aplicam regressão Gaussiana de dimensão finita para decompor este processo em um componente de memória previsível (média condicional dada os resíduos passados) e uma inovação ortogonal (ruído fresco).

3. Principais Contribuições

O artigo apresenta três contribuições primárias:

1. Identificação do Objeto Gaussiano Condicional: Os autores provam que, sob medições de perfil de variância, o módulo linear do diagonal EP gera um processo Gaussiano dependente de coordenadas, em vez de um canal escalar fresco. A covariância deste processo é governada pelo perfil de variância e pela história linear finita do algoritmo, descrita via uma resposta de MDE condicionada.
2. Caracterização do Defeito de Memória: O artigo demonstra que a cavidade diagonal padrão, embora consiga cancelar com sucesso a resposta instantânea, falha em remover o componente previsível do resíduo atual que está correlacionado com resíduos passados. Isso resulta em um "defeito de memória", significando que a observação efetiva entregue ao módulo de prior é uma variável Gaussiana deslocada, não uma fresca.
3. Correção de Evolução de Estado de Oráculo: Ao decompor o processo Gaussiano em sua memória previsível e inovação fresca, os autores derivam uma correção de nível de evolução de estado de oráculo. Esta correção subtrai o termo de memória previsível, revelando o canal Gaussiano escalar subjacente. Isso resulta em uma evolução de estado por coordenada que é quenched em relação ao ambiente gerado pela MDE, em vez de uma simples recursão escalar.

4. Principais Resultados

Os resultados teóricos centrais são resumidos como segue:

• Teorema 3 (Teorema Dinâmico Geral de Tempo Finito): Estabelece que a saída do módulo linear pode ser aproximada por um processo Gaussiano com um kernel de covariância específico derivado da MDE condicionada. A saída é mostrada como uma soma de uma resposta linear determinística, um processo Gaussiano $Z_{t,j}$ e um termo de erro que tende a zero.
• Teorema 4 (Defeito de Memória): Mostra que a saída da cavidade EP diagonal padrão $h_{t,j}$ satisfaz:
  $$h_{t,j} = \mu_{t,j} + \sqrt{\tau_{t,j}} W_{t,j} + o_{\ell^2_p}(1)$$
  onde $\mu_{t,j}$ é o defeito de memória (previsível a partir da história passada) e $W_{t,j}$ é um ruído Gaussiano padrão fresco. A menos que o perfil de variância possua simetrias específicas (ex: invariância rotacional), $\mu_{t,j} \neq 0$. Consequentemente, a cavidade padrão não é uma observação AWGN fresca.
• Teorema 5 (Evolução de Estado Corrigida por Memória): Define uma cavidade corrigida $\hat{h}_{t,j} = h_{t,j} - \mu_{t,j}$. O teorema prova que esta variável corrigida se comporta como uma observação Gaussiana escalar fresca ($\sqrt{\tau_{t,j}} W_{t,j}$). Isso permite uma descrição válida de evolução de estado, mas uma que requer o rastreamento de todo o histórico de covariância por coordenada e o ambiente da MDE, em vez de apenas variâncias escalares.
• Teorema 6 (Substituição de Precisão): Faz a ponte entre a dinâmica de "precisão previsível" teórica usada na prova e o algoritmo real de diagonal EP de "precisão adaptativa". Prova que as normas empíricas das precisões adaptativas e dos erros convergem para seus equivalentes previsíveis, validando os resultados teóricos para o algoritmo real.

5. Significância e Alegações

O artigo afirma que a suposição padrão de um "canal Gaussiano escalar fresco" em algoritmos de passagem de mensagens não é robusta a medições Gaussianas de perfil de variância. A significância do trabalho reside em:

• Refinamento do Princípio de Desacoplamento: Ele esclarece que, embora a natureza Gaussiana da saída do módulo linear seja preservada sob perfis de variância, a frescura (independência de iterações passadas) é geralmente perdida. O objeto limite é uma dinâmica de processo Gaussiano com memória dependente do perfil.
• Limite Teórico do Diagonal EP: Estabelece que, para perfis de variância gerais, o algoritmo diagonal EP padrão não se desacopla naturalmente em evolução de estado escalar. A "memória" do algoritmo é uma característica intrínseca do perfil de variância, não um artefato do design do algoritmo.
• Oráculo vs. Prático: Os autores são modestos quanto à aplicação prática imediata de seus resultados. Eles declaram explicitamente que a correção de memória derivada é uma construção de oráculo (exigindo conhecimento do ambiente MDE e da história passada) e não é proposta como um algoritmo de amostra finita. O foco do artigo é caracterizar a dinâmica limite e identificar o canal "fresco" subjacente oculto dentro do processo residual.

Em conclusão, o artigo fornece uma descrição rigorosa de tempo finito para o diagonal EP sob medições de perfil de variância, substituindo a convencional evolução de estado escalar por uma dinâmica de processo Gaussiano mais complexa e dependente de memória, e identificando as condições precisas sob as quais a intuição de "ruído fresco" padrão falha.