生成具有预定稀疏模式的对称正定矩阵


9

我正在尝试生成相关矩阵 p×p(对称psd)具有预先指定的稀疏结构(由节点上的图形指定)。图中连接的节点具有相关性,其余全部为0,对角线全部为1。pρü01个

我曾尝试多次生成此矩阵,但很少能获得有效的相关矩阵。

有什么方法可以确保相关矩阵whp吗?请注意,我只能具有正相关,因此等不是一个选择。ρü-1个1个

任何帮助是极大的赞赏!


也许R中的Matrix软件包的nearPD函数可以提供帮助。
niandra82

您为您确定的稀疏度是什么?您的数据应该是二进制数据还是非负连续数据?
ttnphns 2015年

@ niandra82:NearPD不好,因为它将破坏矩阵的稀疏性。
银翼杀手》 2015年

1
通常,不存在此问题中描述的矩阵分布。例如,考虑3×3 具有三个系数的情况 ρστ。如果τ=0ρ>0σ>0, 然后 ρ2+σ2<1个当且仅当矩阵是正定的。但是,那么你不能两者兼得ρü01个σü01个
ub

3
那为什么不先生成相关矩阵呢?然后,为该矩阵创建一个对称索引,在其中将索引元素强制为0。稀疏度将由索引的大小指定,并且可以通过r中的sample等函数合并randommess。无论您将多少对角线元素强制设为0,该Matix仍将是pd
Zachary Blumenfeld

Answers:


2

关闭,但@Rodrigo de Azevedo没有雪茄。

解决方案是使用半定编程来找到最大值, ρmax,以及最小值(取决于非负数), ρmin,共 ρ这样,具有规定的稀疏模式的相关矩阵为正半定(psd)。的所有值ρ 这样 ρmaxρρmax,将产生psd矩阵(供读者练习)

因此,您必须选择 ρ 只能接受值 [ρmax,ρmax],否则您必须使用接受/拒绝并拒绝生成的任何值 ρ 不会产生psd矩阵。

在MATLAB下使用YALMIP的4 x 4矩阵示例

sdpvar rho % declare rho to be a scalar variable
% find maximum value of rho (by minimizing -rho) subject to prescribed matrix being psd.
optimize([1 0 rho 0;0 1 rho 0;rho rho 1 rho;0 0 rho 1] >= 0,-rho) 
% find minimum value of rho subject to prescribed matrix being psd and rho being >= 0.
optimize([[1 0 rho 0;0 1 rho 0;rho rho 1 rho;0 0 rho 1] >= 0,rho >= 0],rho) 

结果:最大rho = 0.57735,最小rho =0。很显然,如果rho为非负值且指定矩阵为psd,则rho的最小值为0,而与维数或稀疏度模式无关。因此,没有必要运行半定优化来找到最小的非负值。ρ


4
这是对该问题的有趣解释:它假定所有非零非对角线系数都相等(从而极大地简化了问题)。尚不清楚这是否是预期的解释,还是所有非零非对角线系数是否应假定为独立于共同分布的实现
ub

那就是我所作的解释。既然您提到了,我可以看到一种不同的解释。至少我的解释具有导致相当明确的问题的优点。我想可以提出一个问题,我尚未研究过它的解决方案,以便找到ρ的最大值,以便可以用不一定相等的非负值≤来填充相关矩阵的一个三角形的所有非零非对角线元素该值,并且必须使完全填充的矩阵为psd。
马克·L·斯通

0

相关矩阵是对称的,正半定的,并且具有 1个在其主要对角线上。可以找到一个ñ×ñ通过求解以下半确定程序(SDP)来建立相关矩阵,其中目标函数是任意的,例如零函数

最小化ØñX服从X11=X22==Xññ=1个XØñ

如果还有其他约束,例如稀疏约束

X一世Ĵ=0 对所有人 一世Ĵž[ñ]×[ñ]

和非负约束, XØñ,然后解决以下SDP

最小化ØñX服从X11=X22==Xññ=1个X一世Ĵ=0 对所有人 一世Ĵž[ñ]×[ñ]XØñXØñ

一个 3×3

假设我们想要 X13=0X12X230。这是MATLAB + CVX脚本,

cvx_begin sdp

    variable X(3,3) symmetric

    minimize( trace(zeros(3,3)*X) )
    subject to

        % put ones on the main diagonal
        X(1,1)==1
        X(2,2)==1
        X(3,3)==1

        % put a zero in the northeast and southwest corners
        X(1,3)==0

        % impose nonnegativity
        X(1,2)>=0
        X(2,3)>=0

        % impose positive semidefiniteness
        X >= 0

cvx_end

运行脚本,

Calling sedumi: 8 variables, 6 equality constraints
------------------------------------------------------------
SeDuMi 1.21 by AdvOL, 2005-2008 and Jos F. Sturm, 1998-2003.
Alg = 2: xz-corrector, Adaptive Step-Differentiation, theta = 0.250, beta = 0.500
eqs m = 6, order n = 6, dim = 12, blocks = 2
nnz(A) = 8 + 0, nnz(ADA) = 36, nnz(L) = 21
 it :     b*y       gap    delta  rate   t/tP*  t/tD*   feas cg cg  prec
  0 :            3.00E+000 0.000
  1 : -1.18E-001 6.45E-001 0.000 0.2150 0.9000 0.9000   1.86  1  1  1.2E+000
  2 : -6.89E-004 2.25E-002 0.000 0.0349 0.9900 0.9900   1.52  1  1  3.5E-001
  3 : -6.48E-009 9.72E-007 0.097 0.0000 1.0000 1.0000   1.01  1  1  3.8E-006
  4 : -3.05E-010 2.15E-009 0.000 0.0022 0.9990 0.9990   1.00  1  1  1.5E-007
  5 : -2.93E-016 5.06E-015 0.000 0.0000 1.0000 1.0000   1.00  1  1  3.2E-013

iter seconds digits       c*x               b*y
  5      0.3   5.8  0.0000000000e+000 -2.9302886987e-016
|Ax-b| =  1.7e-015, [Ay-c]_+ =  6.1E-016, |x|= 2.0e+000, |y|= 1.5e-015

Detailed timing (sec)
   Pre          IPM          Post
1.563E-001    2.500E-001    1.094E-001    
Max-norms: ||b||=1, ||c|| = 0,
Cholesky |add|=0, |skip| = 0, ||L.L|| = 1.
------------------------------------------------------------
Status: Solved
Optimal value (cvx_optval): +0

让我们看看CVX找到了什么解决方案,

>> X

X =

    1.0000    0.4143         0
    0.4143    1.0000    0.4143
         0    0.4143    1.0000

这个矩阵是正半定的吗?正定?

>> rank(X)

ans =

     3

>> eigs(X)

ans =

    1.5860
    1.0000
    0.4140

正如预期的那样,它是肯定的。我们可以通过选择一个非零(线性)目标函数来找到正半定相关矩阵。


因为在此站点上,“生成”将被理解为“从随机分布中抽取”,所以您能否解释一下代码如何产生随机相关矩阵并指出它们遵循的分布?
ub

@whuber OP正在要求不可能的事情。您在2015年1月1日对此进行了评论。如果要生成随机相关矩阵,请生成一个随机平方矩阵,并将其用于上面的半定程序的目标函数中。或者,生成在多维数据集中统一的随机变量的实现
[-1个1个]ñ2
将它们放在(相关)矩阵的非对角项中 1个在主对角线上,并丢弃那些不是正半定的。如果存在非负约束,则对立方体进行均匀采样
[01个]ñ2
Rodrigo de Azevedo

3
@whuber这是3D椭圆形 [png],它映射到3×3相关矩阵。OP想要的是将椭圆与非负八分圆相交,然后与具有以下形式的平面相交X一世Ĵ=0。如果矩阵是0,则它必须在椭圆形内部。使用具有非零目标函数的SDP,可以对椭圆形表面进行采样。由于椭圆形是凸形的,因此表面点的凸形组合也将映射到相关矩阵。
Rodrigo de Azevedo

1
这是描述情况的好方法。
Whuber

3
您对相对体积如何缩小是正确的。这就是为什么这是一个困难的问题。
ub
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.