如何修改正交矩阵采样方法使单位矩阵期望距离一致？能否指定距离生成？
原方法的问题
用高斯随机矩阵做SVD得到正交矩阵的方法，本质是采样Haar分布的正交矩阵（正交群上的均匀分布）。但随着维度n增大，正交群的“体积”急剧膨胀，靠近单位矩阵I或负单位矩阵-I的区域占比越来越小，导致采样样本的余弦相似度（与I）范围不断收窄，越来越难出现接近I或-I的样本，这和你给出的实验结果一致。
问题1：修改采样方法，让任意n下到I的期望距离一致
要实现这一点，核心是打破Haar分布的均匀性，让采样分布不随n的增大而“稀释”在整个正交群上，而是聚焦在与I保持固定期望距离的区域。这里提供两种可行方案：
方案1：固定随机旋转的数量
正交矩阵可以表示为多个Givens旋转（二维平面旋转）的乘积。我们可以固定旋转的次数k（比如k=2），不管n多大，只对随机选取的k组维度对进行旋转，其余维度保持单位矩阵的状态。这样，到I的距离仅由这k次旋转决定，期望距离自然不随n变化。
代码示例：
import numpy as np def random_ortho_fixed_rot(n, k=2): U = np.eye(n) for _ in range(k): # 随机选两个不同维度 i, j = np.random.choice(n, 2, replace=False) # 随机采样旋转角度 theta = np.random.uniform(0, 2 * np.pi) # 构造Givens旋转矩阵 G = np.eye(n) G[i,i] = np.cos(theta) G[i,j] = -np.sin(theta) G[j,i] = np.sin(theta) G[j,j] = np.cos(theta) # 应用旋转 U = U @ G return U
这个方法的优势是计算简单，直观可控，旋转次数k越大，样本离I的期望距离越远。
方案2：归一化反对称矩阵的范数
正交矩阵可以表示为反对称矩阵的矩阵指数（即U = expm(X)，其中X^T = -X）。当X的范数较小时，U ≈ I + X，此时U到I的距离近似等于X的范数。我们可以通过归一化X的Frobenius范数到固定值，让U到I的期望距离保持一致。
代码示例：
import numpy as np from scipy.linalg import expm def random_ortho_fixed_dist(n, target_norm=1.0): # 生成反对称矩阵 upper_tri = np.random.normal(0., 1., (n, n)) X = upper_tri - upper_tri.T # 归一化到目标范数 current_norm = np.linalg.norm(X) X = X / current_norm * target_norm # 矩阵指数得到正交矩阵 return expm(X)
这里target_norm是你希望X保持的固定范数，调整它可以直接控制U到I的期望距离大小。
问题2：直接生成指定距离d的随机正交矩阵
可以实现，但需要先明确距离的定义（这里以常用的Frobenius距离为例）：
Frobenius距离的平方为：
$$||U - I||_F^2 = 2(n - \text{tr}(U))$$
因此，指定距离d等价于指定矩阵的迹tr(U) = n - d²/2，且tr(U)必须满足-n ≤ tr(U) ≤ n（对应d的有效范围是0 ≤ d ≤ 2√n）。
生成思路是：
- 构造具有目标迹的正交矩阵的特征值结构（正交矩阵的特征值是模为1的复数，共轭成对出现）；
- 用随机Haar正交矩阵做相似变换，得到分布均匀的随机正交矩阵。
代码示例：
import numpy as np from scipy.linalg import block_diag def random_ortho_specified_dist(n, d): # 计算目标迹 t = n - (d ** 2) / 2 if not (-n <= t <= n): raise ValueError(f"距离d超出有效范围，应为[0, {2*np.sqrt(n):.2f}]") # 构造特征值对应的块矩阵 blocks = [] if n % 2 == 0: m = n // 2 target_sum = t / 2 # 拒绝采样生成满足余弦和的角度（小m时效率可接受） while True: thetas = np.random.uniform(0, 2*np.pi, m) current_sum = np.sum(np.cos(thetas)) if np.abs(current_sum - target_sum) < 1e-6: break # 生成旋转块 for theta in thetas: blocks.append(np.array([[np.cos(theta), -np.sin(theta)], [np.sin(theta), np.cos(theta)]])) else: m = (n - 1) // 2 # 奇数维时固定一个实特征值为1，其余为复共轭对 target_sum = (t - 1) / 2 while True: thetas = np.random.uniform(0, 2*np.pi, m) current_sum = np.sum(np.cos(thetas)) if np.abs(current_sum - target_sum) < 1e-6: break blocks.append(np.array([[1]])) for theta in thetas: blocks.append(np.array([[np.cos(theta), -np.sin(theta)], [np.sin(theta), np.cos(theta)]])) # 构造块对角矩阵 diag_mat = block_diag(*blocks) # 随机Haar正交矩阵做相似变换 V = np.linalg.svd(np.random.normal(0, 1, (n, n)))[0] U = V @ diag_mat @ V.T return U
对于大维度n，拒绝采样的效率较低，可以替换为更高效的参数化方法生成满足余弦和的角度，但上述代码足以展示核心逻辑。
内容的提问来源于stack exchange，提问作者Genius
