UA MATH567 高维统计IV Lipschitz组合7 Grassman流形与Haar测度
这一讲我们介绍Grassman流形与Grassman流形上的均匀分布,并尝试导出Grassman流形上的均匀分布的Lipschitz函数具有亚高斯性。
Grassman流形基础
Grassman流形与度量
Grassman流形是代数几何的基本工具之一,为了在Grassman流形上定义均匀分布,我们先介绍一点Grassman流形的基本概念,然后在Grassman流形上定义度量概率空间。简单理解的话,Grassman流形是一个向量空间的给定维数的子空间组成的集合,比如三维欧氏空间中所有直线的组合就是一个Grassman流形。用 V V V表示向量空间,假设 d i m V = n dimV=n dimV=n,记它所有的 m m m维子空间组成的Grassman流形是 G n , m G_{n,m} Gn,m。
要定义 G n , m G_{n,m} Gn,m中任意两个子空间的距离,我们可以考虑用子空间的正交投影, ∀ E ∈ G n , m \forall E \in G_{n,m} ∀E∈Gn,m,称线性算子 P E P_E PE是它的正交投影如果
- P E 2 = P E P_E^2=P_E PE2=PE
- C ( P ) ⊥ N ( P ) C(P) \perp N(P) C(P)⊥N(P)(即列空间与核空间正交)
给定子空间,正交投影具有存在唯一性,于是对 ∀ E , F ∈ G n , m \forall E,F \in G_{n,m} ∀E,F∈Gn,m,定义
d ( E , F ) = ∥ P E − P F ∥ d(E,F) = \left\| P_E - P_F \right\| d(E,F)=∥PE−PF∥
这里的范数是算子范数,这样 ( G n , m , d ) (G_{n,m},d) (Gn,m,d)就成了一个度量空间,接下来我们在这个度量空间上定义测度。
Haar测度
我们再来理解一下Grassman流形上的点,每一个点代表一个线性子空间,每一个线性子空间对应一个正交投影,于是我们可以把Grassman流形中的元素理解为一个正交投影变换。
引入一个概念:测度的变换不变性。在度量空间 ( G n , m , d ) (G_{n,m},d) (Gn,m,d)上我们可以定义开集,进而导出Borel代数,记为 B ( G n , m ) \mathcal{B}(G_{n,m}) B(Gn,m)。设 μ \mu μ是可测空间 ( G n , m , B ( G n , m ) ) (G_{n,m},\mathcal{B}(G_{n,m})) (Gn,m,B(Gn,m))上的一个测度,称 μ \mu μ关于正交投影变换具有不变性,如果 ∀ B ∈ B ( G n , m ) \forall B \in \mathcal{B}(G_{n,m}) ∀B∈B(Gn,m), ∀ E ∈ S O ( n ) \forall E \in SO(n) ∀E∈SO(n),
μ ( B ) = μ ( P E B ) \mu(B) = \mu(P_EB) μ(B)=μ(PEB)
既然我们把 G n , m G_{n,m} Gn,m理解为 n n n维向量空间到 m m m维线性子空间的正交投影的集合,那就很容易验证它在正交投影变换的和与积的意义下是一个群。在变换群上,满足这个条件的测度是唯一的,我们称这个测度为Haar测度,用 P P </