The anisotropic local law for sample covariance matrices under quadratic-form concentration

技术摘要：在二次型集中性下的各向异性局部律

1. 问题陈述

本文研究了在比例机制（proportional regime，即维度 $n$ 与样本量 $N$ 同阶，$n \asymp N$）下样本协方差矩阵 $K = N^{-1}XX^*$ 的谱分析。列向量 $x_1, \dots, x_N \in \mathbb{R}^n$ 是独立的、中心化的随机向量，具有共同的协方差矩阵 $\Sigma = \mathbb{E}[x_i x_i^*]$。至关重要的是，作者并未假设列向量具有独立的坐标（即“可分离”情形）；相反，坐标之间可能存在强烈的非线性依赖关系。

主要目标是建立各向异性局部律（anisotropic local law），该定律为复谱参数 $z = E + i\eta$ 提供精确近似，其尺度可下探至最优的 $\eta \ge N^{-1+\tau}$。具体而言，本文旨在证明对于确定性单位向量 $u, v$：
$$|u^* R(z) v - u^* \Pi(z) v| \prec \Psi(z)$$
其中 $\Pi(z)$ 是由变形的 Marchenko–Pastur 定律导出的确定性等价物，而 $\Psi(z)$ 是最优误差率。

先前的工作由 Fan, Ma, Paquette, 和 Wang (2026) [FMPW26] 完成，他们在二次型集中性（Assumption 2）的假设下建立了该定律，但需要一个关于高阶累积量张量衰减的额外且限制性的假设（Assumption 3）。驱动本项工作的核心问题在于：仅靠二次型集中性假设是否足以推导出各向异性局部律，从而消除对高阶累积量结构性假设的需求。

2. 方法论

证明过程采用了由 Cipolloni, Erdős, 和 Schröder [CES24] 引入的锯齿形策略（zig-zag strategy），这是一种针对具有相关性坐标的样本协方差矩阵的动力学方法。该策略涉及沿着随机流演化随机矩阵，同时使谱参数沿着相关 Dyson 方程的特征线移动。

关键技术组件：

• 分块线性化 (Block Linearization)： 作者并非直接处理 $K$，而是利用涉及数据矩阵 $X$ 的厄米分块矩阵 $L(X; Z, \beta)$ 对问题进行线性化。这使得使用矩阵 Dyson 方程 (MDE) 框架成为可能。确定性等价物被构造为 MDE 的分块对角解 $M$。
• 协方差保持的 Ornstein–Uhlenbeck (OU) 流： 列向量根据 OU 流 $dX_t = -\frac{1}{2}X_t dt + \Sigma^{1/2} dB_t$ 进行演化。该流在引入高斯平滑的同时，保持了协方差结构 $\Sigma$。
• “锯”步骤 (Zig Step, 前向比较)： 留数沿 OU 流演化，同时源参数 $(Z, \beta)$ 沿着由 MDE 导出的特定特征曲线移动。源的运动被设计为抵消领先阶的 Itô 校正项。误差通过 Ward 等式以及借鉴自 [FмPW26] 的静态波动平均论证进行控制。
• “锯”步骤 (Zag Step, 后向比较)： 这是本文的创新贡献。源被固定，流从平滑状态反向演化回原始系综。不同于以往依赖于单个矩阵元素累积量展开的方法（这类方法在处理相关坐标时会失效），此步骤将每个列视为一个整体进行处理。
  • 作者沿 OU 流对波动矩 $\mathbb{E}|u^*(R - M)u|^{2L}$ 进行微分。
  • 利用 Schur 补公式，将留数对特定列 $x_i$ 的依赖性（在给定其他列的条件下）表示为一个线性型 $x_i^* b_i$ 和一个二次型 $x_i^* A_i x_i$ 的有理函数。
  • OU 流的生成元分解为单列生成元 $L_i$ 之和。作者证明了 $L_i$ 保持了由这些线性型和二次型构成的观测类。
  • 至关重要的是，对这些形式的控制仅依赖于二次型集中性假设（Assumption 2）。不需要展开为坐标，也不需要对高阶累积量做假设。领先的抵消来自于这些形式的中心化性质（即 $\mathbb{E}[x_i^* b_i] = 0$ 且 $\mathbb{E}[x_i^* A_i x_i - \text{Tr}(\Sigma A_i)] = 0$）。

3. 主要贡献与结果

主定理 (Theorem 2.4 / Theorem 1.1)：
在 Assumption 1（$\Sigma$ 的正则性及比例机制）和 Assumption 2（二次型集中性及多项式范数矩）下，最优各向异性局部律成立：
$$|u^* (R(z) - \Pi(z)) v| \prec \sqrt{\frac{\text{Im } m_0(z)}{N\eta}} + \frac{1}{N\eta}$$
该结论在远离原点的正则谱域内对 $z$ 均匀成立。该结果适用于完整的线性化留数，并蕴含了相同的标准样本协方差留数 $R(z)$ 和 Gram 留数 $\tilde{R}(z)$ 的界。

移除累积量假设：
本文明确移除了 [FMPW26] 中所需的更高阶累积量张量假设（Assumption 3）。这解决了该项工作中提出的开放性问题，即二次型集中性是否足以支撑各向异性局部律。

应用与示例：
作者验证了其假设适用于广泛的非可分离模型（即坐标间存在非线性依赖的模型），包括：

• 凸集中 (Convex Concentration)： 满足无维数对数索博列夫不等式或具有次多项式常数的凸集中性质的向量。
• 对数凹列 (Log-Concave Columns)： 来自中心化对数凹分布（例如凸体上的均匀分布）的独立样本。
• 高斯测度的非线性倾斜 (Nonlinear Tilts of Gaussian Measures)： 形如 $e^{-\frac{1}{2}x^*\Lambda x - W(x)}$ 的分布，其中 $W$ 具有有界 Hessian 矩阵，允许坐标之间存在稠密耦合而无需结构稀疏性。
• 深层随机特征 (Deep Random Features)： 具有 Lipschitz 激活函数和固定深度的模型 $x = \sigma_L(T_L \dots \sigma_1(T_1 y))$。
• 球面 $p$-Spin 模型： 球面上的高温 Gibbs 测度。作者指出，对于 4-spin 模型，其四阶累积量张量是无序的，违反了 [FMPW26] 的累积量条件，但在其新框架下，各向异性局部律依然成立。

推论：
作为各向异性局部律的直接结果，本文确立了在正则谱部分内，特征向量在每一个确定性方向上的去定域化（delocalization）。

4. 意义与主张

本文声称提供了一种关于实列矩阵各向异性局部律的全新动力学证明，该证明不依赖于限制性的可分离性假设或高阶累积量结构。

• 普适性： 通过仅依赖于二次型集中性，该结果适用于“无序累积量”向量，而此类向量在以往方法中难以处理。这显著扩大了随机矩阵论的适用范围，使其能够涵盖现代统计学和机器学习（如深度神经网络和随机特征模型）中发现的复杂的、非线性依赖的高维分布。
• 方法论创新： Zag 估计中的“整列”比较步骤代表了与逐元素累积量展开方法的重要技术转向。它表明，留数的 Schur 补结构结合 OU 流微分，足以在不将随机向量展开为坐标的情况下控制波动。
• 最优性： 误差率 $\Psi(z)$ 和谱尺度 $\eta \ge N^{-1+\tau}$ 是最优的，与已知最优秀的（可分离情况下的）结果（Knowles 和 Yin [KY17]）相匹配。

作者对开放问题保持审慎，指出将结果扩展到接近原点（硬边缘/hard edge）的区域，以及证明一般相关列的边缘普适性（edge universality），仍是需要进一步分析的挑战。