嗨，你的问题刚好戳中了高斯图拉索（Graphical Lasso）优化里的一个核心基础点——最优解的存在性，咱们一步步拆解来看：

首先，你定义的目标函数是在对称正定矩阵集合上最小化：
$$\langle \Theta, \hat \Sigma \rangle - \log \det \Theta + \lambda_n \lVert \Theta \rVert_{1, \text{off}}$$
其中内积$\langle A,B \rangle = \text{tr}(A^T B)$，$\lVert \Theta \rVert_{1, \text{off}}$是矩阵非对角元素的L1范数（也就是所谓的“off-diagonal L1 penalty”）。你已经推导出来的KKT条件是对的：最优解$\hat \Theta$需要满足$\hat \Sigma - \hat \Theta^{-1} + \lambda_n \hat Z = 0$，其中$\hat Z$是$\lVert \hat \Theta \rVert_{1, \text{off}}$在$\hat \Theta$处的次梯度。

现在回到你关心的存在性问题，核心确实和强制函数（coercive function）以及凸优化的基本性质有关，咱们从几个关键角度验证：

1. 目标函数是凸函数 #

先确认一个前提：这个目标函数是凸的，理由很简单：

• $\langle \Theta, \hat \Sigma \rangle$是线性函数，天然凸；
• $-\log \det \Theta$在对称正定矩阵集合（记为$\mathbb{S}_{++}^p$，$p$是矩阵维度）上是凸函数——你可以通过验证它的Hessian矩阵正定，或者用凸函数的定义直接推导；
• $\lambda_n \lVert \Theta \rVert_{1, \text{off}}$是L1范数的变体，显然也是凸函数；
  凸函数的和还是凸函数，所以整个目标函数$f(\Theta)$是凸的。

2. 优化集合的闭包处理 #

对称正定矩阵集合$\mathbb{S}{++}^{p$是**开集**，但我们可以把优化范围扩展到它的闭包$\mathbb{S}_+}p$（对称半正定矩阵集合）——因为当$\Theta$是半正定奇异矩阵时，$\log \det \Theta = -\infty$，所以$-\log \det \Theta = +\infty$，目标函数值会趋向无穷大，不可能成为最小值点。所以问题等价于在闭凸集$\mathbb{S}+^p$上最小化$f(\Theta)$。

3. 验证目标函数的强制性 #

凸优化里有个关键结论：如果凸函数在非空闭凸集上是强制的（也就是当$\Theta$的范数趋向无穷大时，$f(\Theta)$趋向$+\infty$），那么这个函数一定存在最小值点。咱们来验证$f(\Theta)$的强制性：

当$|\Theta| \to \infty$时，分两种情况讨论：

• 情况1：$\Theta$的迹$\text{tr}(\Theta) \to \infty$：
  此时$\langle \Theta, \hat \Sigma \rangle = \text{tr}(\Theta \hat \Sigma)$，而$\hat \Sigma$作为样本协方差矩阵，通常是正定的（只要样本量足够），所以$\text{tr}(\Theta \hat \Sigma) \geq \lambda_{\text{min}}(\hat \Sigma) \cdot \text{tr}(\Theta)$，其中$\lambda_{\text{min}}(\hat \Sigma)$是$\hat \Sigma$的最小特征值（正数）。这一项会随着$\text{tr}(\Theta)$线性趋向无穷大。
  而$-\log \det \Theta$的增长速度是对数级的：根据AM-GM不等式，$\det \Theta \leq (\text{tr}\Theta / p)^p$，所以$-\log \det \Theta \geq -p \log(\text{tr}\Theta / p)$，对数增长远慢于线性增长。
  至于$\lambda_n \lVert \Theta \rVert_{1, \text{off}}$，它的增长速度最多是多项式级，同样赶不上线性增长的$\langle \Theta, \hat \Sigma \rangle$。所以整体$f(\Theta) \to +\infty$。
• 情况2：$\Theta$的迹有界，但$|\Theta| \to \infty$：
  这种情况根本不可能发生——对于半正定对称矩阵，$|\Theta|_F^2 = \text{tr}(\Theta^2) \leq (\text{tr}\Theta)^2$（因为所有特征值非负，平方和不超过和的平方），所以迹有界的话，Frobenius范数也有界，算子范数等其他范数自然也有界，不可能趋向无穷。

哪怕$\hat \Sigma$是半正定的（比如样本量不足导致协方差矩阵奇异），只要$\hat \Sigma$不是零矩阵，同样能推导$f(\Theta)$的强制性：当$|\Theta| \to \infty$时，要么$\langle \Theta, \hat \Sigma \rangle$趋向无穷（如果$\Theta$在$\hat \Sigma$的支撑方向上有分量），要么$\Theta$的特征值趋向0，但此时$\Theta$的范数不会趋向无穷，所以$f(\Theta)$依然会趋向无穷。

结论 #

既然$f(\Theta)$是闭凸集$\mathbb{S}+^p$上的凸强制函数，那么根据凸优化的基本定理，它一定存在最小值点$\hat \Theta$，而且这个最小值点必然在$\mathbb{S}{++}^p$里（因为闭包上的奇异矩阵处函数值无穷大），所以你推导的KKT条件对应的$\hat \Theta$是一定存在的。

备注：内容来源于stack exchange，提问作者Phil