第 10 部分：后续深入阅读路线
第 10 部分：后续深入阅读路线
这不是泛泛的书单，而是从当前笔记出发的专题回看路线。第一遍主线阅读、第二遍证明精读和第三遍习题与应用见 全书分层阅读路线；本页负责“为了读某类论文，应该回看哪些章节和文献”。
路线 A：概率集中与随机矩阵
| 顺序 | 先读/复习 | 目标 |
|---|---|---|
| 1 | 第 2 章 Hoeffding、Chernoff、Bernstein | 熟悉 MGF + Markov + 优化参数。 |
| 2 | 第 5 章矩阵 Bernstein | 把标量集中升级到 Loewner order。 |
| 3 | 第 6 章 Hanson-Wright 与 symmetrization | 掌握二次型和随机矩阵范数的基础工具。 |
| 4 | References [52]、[209]、[327]、[25]-[27] | 进入现代矩阵集中与 sharp bound。 |
适合目标：读 covariance estimation、随机矩阵范数、谱方法、PCA、矩阵补全。
路线 B：随机过程、chaining 与学习理论
| 顺序 | 先读/复习 | 目标 |
|---|---|---|
| 1 | 第 7 章 Gaussian process 与 comparison | 建立 canonical metric、Slepian、Gordon。 |
| 2 | 第 8 章 Dudley inequality | 会用 covering number 控制上确界。 |
| 3 | 第 8 章 VC theory 与 learning | 把经验过程转成泛化误差。 |
| 4 | 第 8 章 generic chaining | 理解 $\gamma_2$ 何时优于 Dudley。 |
| 5 | References [114]、[115]、[315]-[317]、[332]-[333] | 进入 empirical process 与 majorizing measure。 |
适合目标：读 uniform law of large numbers、VC generalization、statistical learning、Talagrand comparison。
路线 C：几何恢复与压缩感知
| 顺序 | 先读/复习 | 目标 |
|---|---|---|
| 1 | 第 7 章 Gaussian width / effective dimension | 会把集合复杂度量化为 $w(T)^2$。 |
| 2 | 第 9 章 matrix deviation | 掌握集合上随机矩阵偏差主定理。 |
| 3 | 第 9 章 $M^*$ bound 与 escape theorem | 理解随机核空间如何避开坏集合。 |
| 4 | 第 9 章 exact sparse recovery / RIP | 把几何条件转成恢复保证。 |
| 5 | References [127]、[290]、[341]、[18]、[267] | 进入 compressed sensing 与 conic geometry。 |
适合目标：读 sparse recovery、basis pursuit、nullspace property、RIP、random projections。
路线 D：凸几何与 Banach 空间方向
| 顺序 | 先读/复习 | 目标 |
|---|---|---|
| 1 | Appetizer 近似 Caratheodory 与 Carl-Pajor | 建立 convex hull / covering 的直觉。 |
| 2 | 第 4 章 covering/packing/net | 熟悉 metric entropy。 |
| 3 | 第 7 章 Gaussian width 与 random projections | 学会用随机方向看凸体。 |
| 4 | 第 8 章 Chevet inequality | 连接 Gaussian process 与 Banach 空间张量结构。 |
| 5 | 第 9 章 Dvoretzky-Milman | 进入随机投影和近 Euclidean 结构。 |
| 6 | References [21]、[23]、[134]、[242]-[247]、[272] | 系统学习 asymptotic convex geometry。 |
适合目标：读 Dvoretzky、Chevet、Banach space geometry、random sections。
路线 E：数据科学应用
| 顺序 | 先读/复习 | 目标 |
|---|---|---|
| 1 | 第 4 章 stochastic block model 与 Davis-Kahan | 看懂“信号 + 噪声 + 谱扰动”。 |
| 2 | 第 7 章 random projections | 掌握降维保结构。 |
| 3 | 第 8 章 learning theory | 理解泛化误差来源。 |
| 4 | 第 9 章 high-dimensional linear models | 连接稀疏/低秩先验和恢复误差。 |
| 5 | References [1]、[2]、[157]、[344]、[223]、[325]-[326] | 进入图模型、统计学习和 randomized numerical linear algebra。 |
适合目标：读 spectral clustering、Lasso、low-rank approximation、matrix sketching。
全书分层阅读顺序
| 时间 | 任务 |
|---|---|
| 第一遍：主线阅读 | 第 2、4、7、8、9 章主定理链：subgaussian -> net -> Gaussian width -> chaining -> matrix deviation。 |
| 第二遍：证明精读 | 只看核心证明：Hanson-Wright、Slepian/Gordon、Dudley、generic chaining、matrix deviation、escape theorem。 |
| 第三遍：习题与应用 | 只做应用：SBM、covariance estimation、JL、learning、sparse recovery、Dvoretzky。 |
| 专题回看 | 结合 习题提示索引，优先挑“高价值挑战”题和依赖前章结论的证明链继续补强。 |