Determinantal point process

Ein determinantal point process (deutsch: determinantaler Punktprozess) oder kurz DPP ist ein Punktprozess, dessen $n$ -Punkt-Korrelationsfunktion eine Determinante eines Integralkerns ist. Solche Prozesse trifft man in der Spektraltheorie der Zufallsmatrizen, in der Kombinatorik, sowie im Machine Learning und der Physik an.

In der Theorie der Zufallsmatrizen haben manche dieser Prozesse erstaunliche – sogenannte universelle – Eigenschaften und man erhält in vielen Situation den gleichen Prozess, unabhängig von der darunterliegenden Wahrscheinlichkeitsverteilung. Viele Fragen zu diesem Phänomen sind noch nicht geklärt und Bestandteil moderner mathematischer Forschung.

Definition

Sei $\mathrm {Z}$ ein lokalkompakter polnischer Raum und $K(x,y)$ ein positiver Integralkern eines lokalen Spurklasseoperators $K:L^{2}(\mathrm {Z} ,\mu )\to L^{2}(\mathrm {Z} ,\mu )$ .

Ein simpler Punktprozess $\zeta$ ist ein determinantal point process, falls seine $n$ -Punkt-Korrelationsfunktion $\rho ^{(n)}$ existiert und für jedes $n\geq 1$ gilt

\rho ^{(n)}(\mathrm {d} x_{1},\dots ,\mathrm {d} x_{n})=\operatorname {det} [K(x_{i},x_{j})]_{1\leq i,j\leq n}\prod \limits _{1\leq i\leq n}\mu (\mathrm {d} x_{i})

.

Erläuterungen

Da Korrelationsfunktionen positiv sind, muss zwingend auch $K(x,y)$ positiv sein.

Seien $M_{1},\dots M_{n}\subset \mathrm {Z}$ disjunkt, dann gilt

\mathbb {E} [\zeta (M_{1})\cdots \zeta (M_{n})]=\int _{M_{1}\times \cdots \times M_{n}}\operatorname {det} [K(x_{i},x_{j})]_{1\leq i,j\leq n}\mu (\mathrm {d} x_{1})\cdots \mu (\mathrm {d} x_{n})

.

Pfaffian point processes

Verallgemeinerungen der determinantal point processes sind pfaffian point processes, deren $n$ -Punkt-Korrelationsfunktion Pfaffsche Determinanten sind:

\rho ^{(n)}(\mathrm {d} x_{1},\dots ,\mathrm {d} x_{n})=\operatorname {Pf} [K(x_{i},x_{j})]_{1\leq i,j\leq n}\prod \limits _{1\leq i\leq n}\mu (\mathrm {d} x_{i})

wobei $K(x,y)$ ein $2\times 2$ antisymmetrischer Kernel ist:

K(x,y)={\begin{pmatrix}K_{11}(x,y)&K_{12}(x,y)\\K_{21}(x,y)&K_{22}(x,y)\end{pmatrix}}

und $K(x,y)^{t}=-K(y,x)$ .

Beispiele

Beispiele aus der statistischen Mechanik

Der Fermion process und der Boson process.

Theorie der Zufallsmatrizen

Die empirischen Spektralmaße von einer großen Klasse von unitären Matrizen konvergieren (unter entsprechender Skalierung) zu determinantal point processes mit folgenden Kernen:

Sine₂-Prozess: $\operatorname {K_{Sine}} (x,y):={\frac {\sin(\pi (x-y))}{\pi (x-y)}}$
Airy₂-Prozess

\operatorname {K_{Airy}} (x,y):={\frac {\operatorname {Ai} (x)\operatorname {Ai} '(y)-\operatorname {Ai} '(x)\operatorname {Ai} (y)}{x-y}}

wobei $\operatorname {Ai}$ die Airy-Funktion bezeichnet.

Universalität

Die $\operatorname {Sine} _{\beta }$ , $\operatorname {Airy} _{\beta }$ und $\operatorname {Bessel} _{\beta }$ -Prozesse charakterisieren die Eigenwerte einer großen Klasse von unendlichdimensionaler Zufallsmatrizen.

Literatur

Greg W. Anderson, Alice Guionnet, Ofer Zeitouni: An Introduction to Random Matrices. Cambridge University Press, 2009.

Einzelnachweise

↑ Alex Kulesza, Ben Taskar: Determinantal Point Processes for Machine Learning. Now Publisher Inc, 2012, ISBN 978-1-60198-628-3 (englisch).

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.

[1] Alex Kulesza, Ben Taskar: Determinantal Point Processes for Machine Learning. Now Publisher Inc, 2012, ISBN 978-1-60198-628-3 (englisch).