尖峰模型與 BBP 轉變（spiked model and the BBP transition）

尖峰模型是訊號偵測的隨機矩陣理論，而 BBP 轉變是其核心且優美銳利的結果：一個相變，支配一個埋在高維雜訊中的低維訊號究竟能否從譜中被偵測。這是高維主成分分析的嚴格骨幹，並回答每位實務者面對的問題：我資料的頂端特徵值突出於雜訊體相之上——那是真實的訊號方向，還是純雜訊的一次幸運波動？

尖峰共變異數模型把母體共變異數取為單位矩陣加上幾個大的「尖峰」方向的擾動：Sigma = I + theta v v^*，其中 v 為單位向量、theta > 0 為訊號強度（一個秩一尖峰，可推廣到數個尖峰）。你觀測 n 個樣本並形成樣本共變異數 S = (1/n) X X^*，長寬比 y = p/n。純雜訊部分填滿 [a, b] 上的馬爾欽科-帕斯圖爾體相，其中 b = (1 + sqrt(y))^2。BBP 轉變（Baik、Ben Arous、Peche，2005）陳述存在一個臨界訊號強度 theta_c = sqrt(y)。若 theta <= sqrt(y)（次臨界、弱尖峰），最大樣本特徵值被吸入體相：它收斂到 MP 邊緣 b 且在統計上與雜訊無法區分——尖峰從譜中無法偵測。若 theta > sqrt(y)（超臨界、強尖峰），最大樣本特徵值脫離並躍出邊緣之上，收斂到一個確定性的離群位置 (1 + theta)(1 + y/theta) > b。更引人注目的是，對應的頂端特徵向量只與真實方向 v 有部分相關：平方重疊 |<u_hat, v>|^2 收斂到一個嚴格小於 1 的值（它是 1 - (y/theta^2)/(1 + y/theta)，在門檻處恰為 0，並隨 theta 增長趨向 1），故即使被偵測到的尖峰也給出其自身方向的偏誤、衰減的估計。

BBP 轉變重組了高維統計。它精確告訴你 PCA 何時奏效、何時失效，並解釋了實務者經驗上觀察到的現象——低於某訊雜比門檻時頂端主成分是純雜訊，而即使在其之上估計的方向也被系統性地旋轉偏離真值。它支撐訊號處理中的偵測門檻、金融與基因體學中因子數目的估計，以及張量 PCA 與網路社群偵測的現代相變結果。一個脫離的離群值之波動是高斯（而非 Tracy-Widom——後者是無尖峰情形的體相邊緣律）。一個須牢記的注意事項：門檻 theta_c = sqrt(y) 與離群公式依賴於長寬比 y = p/n，所以「一個訊號須多強才能被看見」根本上是你問題有多高維的函數——每樣本更多變數會抬高偵測門檻。而在門檻之下訊號並未從資料中消失，只是從譜中消失；它仍可能被使用超出領頭特徵值的方法所恢復。