在矩阵论中，特征裂隙（eigen gap）指的是一组相邻的特征值（或奇异值）所构成的集合，与其它特征值（或奇异值）之间的豪斯多夫距离。
特征裂隙的概念，一般只在矩阵的全部特征值（或奇异值）都是实数之语境下提出和研讨。
定义
假设矩阵 A\in\mathbb{R}^{m\times n}, m\geq n 的特征值（或奇异值）都是实数，从大到小排序如下： \lambda_1\geq \cdots\geq \lambda_n，对任意给定的 (r,s): 1\leq r\leq s\leq n，考虑第 r 至第 s 个特征值（或奇异值）构成的集合 {\cal S}: \{\lambda_i: r\leq i\leq s\}，那么该集合 {\cal S} 的特征裂隙定义为：
:\delta = \min(\lambda_{r-1}-\lambda_r, \lambda_s-\lambda_{s+1})
其中为方便，不妨设 \lambda_0=+\infty, \lambda_{n+1}=-\infty.
重要性
特征裂隙是对矩阵的线性子空间进行误差分析的基础。特征裂隙较大的 {\cal S}，其对应的特征向量所张成的线性子空间，在矩阵元素被误差项（往往是随机误差）所污染时，具有较好的稳定性。反之，若特征裂隙为0，则由线性代数知， {\cal S} 对应的特征向量所张成的线性子空间不是唯一的。特征裂隙较小的 {\cal S} 不具有抗拒随机误差的稳定性。
在机器学习中，对谱聚类算法的理论性质进行研究时，建立足够的特征裂隙一般来说属于理论分析的核心部分。
需要注意的是，如果目标是估计矩阵的线性子空间，那么特征裂隙具有核心的重要地位。但如果目标是为矩阵本身降噪，那么特征裂隙是不重要的，流行的矩阵估计方法也并不需要任何特征裂隙条件。
参见
*Davis-Kahan定理
*
参考文献
评论 (0)