Я пытаюсь найти распределение по случайным векторам, скажем, , на мерной единичной сфере (где ), которое минимизирует при условии ограничения .
Я попробовал некоторые дистрибутивы, и почти все они имеют дисперсию . Например, как распределение, в котором каждая координата каждого независимо и равномерно выбирается из и распределение, в котором каждыйявляется независимым равномерным вектором намерной единичной сфере, имеют дисперсию.
Является ли минимальной дисперсией среди всех распределений?
Ответы:
Я представлю эквивалентную, но более простую на вид формулировку проблемы и покажу нижнюю границу ( n / k - 1) / ( n − 1).
Я также показываю связь с открытой проблемой в квантовой информации.[Изменить в редакции 3: В более ранних редакциях я утверждал, что точная характеристика случаев, в которых достигается нижняя граница, показанная ниже, вероятно, будет трудной, поскольку аналогичный вопрос в сложном случае включает открытую проблему о SIC-POVM в квантовая информация. Однако эта связь с SIC-POVM была неправильной. Подробности см. В разделе «Неправильное подключение к SIC-POVM в квантовой информации» ниже.]Эквивалентная формулировка
Во-первых, как уже указывалось в ответе Даниелло, обратите внимание, что Var ( x i T x j ) = E [( x i T x j ) 2 ] - E [ x i T x j ] 2 = E [( x i T х J ) 2 ]. Таким образом, в оставшейся части ответа мы забываем о дисперсии и вместо этого минимизируем max i ≠ j E [( x i T x j ) 2 ].
Далее, как только мы решим, что наша цель - минимизировать max i ≠ j E [( x i T x j ) 2 ], мы можем игнорировать ограничение, что E [ x i T x j ] = 0. Это потому, что если мы имеем случайный единичные векторы x 1 ,…, x n , тогда мы можем отрицать каждый из них независимо с вероятностью 1/2 для удовлетворения E [ x i T x j ] = 0 без изменения значения целевой функции max i ≠ j E [( x i T x j) 2 ].
Кроме того, изменение целевой функции с max i ≠ j E [( x i T x j ) 2 ] на (1 / ( n ( n − 1))) ∑ i ≠ j E [( x i T x j ) 2 ] не меняет оптимальное значение. Последнее самое большее первое, потому что среднее значение самое большее максимальное. Однако мы всегда можем сделать значения E [( x i T x j ) 2 ] для различных вариантов ( i , j ) ( i ≠j ) равен, переставляя n векторов x 1 ,…, x n случайным образом.
Таким образом, для любых n и k оптимальное значение рассматриваемой задачи равно минимуму (1 / ( n ( n − 1))) ∑ i ≠ j E [( x i T x j ) 2 ], где x 1 ,…, x n - случайные величины, которые принимают единичные векторы в ℝ k в качестве значений.
Однако по линейности ожидания эта целевая функция равна ожидаемому значению E [(1 / ( n ( n − 1))) ∑ i ≠ j ( x i T x j ) 2 ]. Поскольку минимум является максимумом среднего значения, нет необходимости больше рассматривать распределение вероятностей. То есть оптимальное значение вышеуказанной задачи равно оптимальному значению следующего:
Нижняя граница
Используя эту эквивалентную формулировку, мы докажем, что оптимальное значение не менее ( n / k - 1) / ( n − 1).
Для 1≤ i ≤ n пусть X i = x i x i T будет проектором ранга 1, соответствующим единичному вектору x i . Тогда имеет место, что ( x i T x j ) 2 = Tr ( X i X j ).
Пусть Y = ∑ i X i . Тогда оно гласит, что ∑ i ≠ j Tr ( X i X j ) = ∑ i , j Tr ( X i X j ) - n = Tr ( Y 2 ) - n .
Из неравенства Коши – Шварца следует, что Tr ( Y 2 ) ≥ (Tr Y ) 2 / k = n 2 / k и, следовательно, ∑ i ≠ j Tr ( X i X j ) = Tr ( Y 2 ) - n ≥ n 2 / к - н . Делив на n ( n − 1), мы получаем, что целевое значение не меньше ( n / k - 1) / ( n − 1).
В частности, когда n = k + 1, ответ Даниелло находится в пределах 2 от оптимального значения.
Когда эта нижняя граница достижима?
Достигнув этот нижнюю грань ( п / K - 1) / ( п -1) эквивалентно делая Y = ( п / к ) Я . Я не знаю точную характеристику, когда она достижима, но существуют следующие достаточные условия:
Хотя я не проверял детали, кажется, что любой сферический 2-дизайн дает решение, достигающее этой нижней границы.
Неверное подключение к SIC-POVM в квантовой информации
В предыдущих редакциях я заявлял:
Но это отношение было неверным. Я объясню почему.
Пока это было правильно.
Эта часть была неверной. SIC-POVM - это набор из k 2 единичных векторов x 1 ,…, x n ∈ ℂ k, для которых | x i * x j | 2 = 1 / ( k +1) для всех i ≠ j . Обратите внимание, что здесь требование должно выполняться для всех пар i ≠ j , а не только для среднего значения по всем парам i ≠ j . В разделе «Эквивалентная формулировка» мы показали эквивалентность между минимизацией максимума и минимизацией среднего, но это было возможно, потому что x 1,…, X n были случайными величинами, берущими там единичные векторы. Здесь x 1 ,…, x n - просто единичные векторы, поэтому мы не можем использовать один и тот же прием.
источник
источник