Busemann Functions in the Wasserstein Space: Existence, Closed-Forms, and Applications to Slicing

Este artículo investiga la existencia y el cálculo de funciones de Busemann en el espacio de Wasserstein, estableciendo expresiones cerradas para distribuciones unidimensionales y medidas gaussianas que permiten definir nuevas distancias Sliced-Wasserstein aplicables a problemas de aprendizaje por transferencia.

Lo esencial

¡Hola! Imagina que este artículo es como un manual de instrucciones para navegar en un universo de probabilidades, donde en lugar de moverte por calles y avenidas, te mueves entre "nubes de datos".

Aquí te explico la idea central, los descubrimientos y para qué sirven, usando analogías sencillas:

1. El Escenario: El "Océano de Datos" (Espacio de Wasserstein)

Imagina que tienes dos nubes de puntos. Una nube representa a los clientes de una tienda en Madrid y otra a los de Barcelona.

• En la vida normal, medir la distancia entre dos puntos es fácil (como medir con una cinta métrica).
• Pero, ¿cómo mides la distancia entre dos nubes completas de puntos? ¿Cuánto cuesta "mover" la nube de Madrid para que se parezca a la de Barcelona?

Los matemáticos usan algo llamado Distancia de Wasserstein (o transporte óptimo) para calcular esto. Es como calcular el costo de mudanza más eficiente para transformar una nube en otra. Este "océano" donde viven todas las nubes de datos tiene una geometría curiosa y compleja, no es una línea recta plana.

2. El Problema: ¿Cómo encontrar el "Horizonte"? (Funciones de Busemann)

En un plano normal, si quieres proyectar un punto sobre una línea, usas una regla perpendicular. Pero en este "océano" curvo, las líneas se curvan y a veces desaparecen.

Aquí entra la Función de Busemann.

• La Analogía: Imagina que estás en un desierto infinito y ves un camino que se aleja hacia el horizonte. La función de Busemann es como un GPS que te dice qué tan lejos estás de ese horizonte en cualquier punto del desierto.
• Para qué sirve: Nos permite "proyectar" cualquier nube de datos sobre ese camino infinito. Es como tener un plano de corte que nos dice: "Si quieres ir hacia esa dirección específica, aquí es donde debes estar".

3. El Gran Descubrimiento: Fórmulas Mágicas (Cerradas)

El problema es que calcular esto en un océano curvo es muy difícil y lento (como intentar resolver un rompecabezas gigante cada vez que quieres moverte).

Los autores de este artículo hicieron algo genial: encontraron "atajos" o fórmulas mágicas para dos casos muy importantes:

1. Datos en una sola línea (1D): Si tus datos son como una fila de personas esperando en una fila, la fórmula es simple y rápida.
2. Datos que son "Nubes Gaussianas" (Cajas de datos): Muchas veces, los datos se agrupan en forma de campana (como la altura de las personas o la temperatura). Para estas nubes, también encontraron una fórmula rápida.

¿Por qué es importante? Antes, para hacer esto, la computadora tenía que hacer millones de cálculos lentos. Ahora, con sus fórmulas, puede hacerlo casi al instante.

4. La Aplicación: "Rebanar" los Datos (Slicing)

Imagina que tienes dos montañas de datos (dos bases de datos complejas) y quieres saber qué tan parecidas son.

• El método antiguo (Sliced-Wasserstein): En lugar de comparar las montañas enteras (que es lento), tomas una "rebanada" (una proyección) y comparas las rebanadas. Repites esto muchas veces y promedias. Es como comparar dos pasteles cortándolos en rebanadas finas.
• La novedad de este papel: Usan la "brújula del horizonte" (la función de Busemann) para decidir cómo cortar esas rebanadas.

Esto les permite crear nuevas formas de medir la similitud entre:

• Conjuntos de datos etiquetados (por ejemplo, fotos de gatos vs. fotos de perros).
• Mezclas de distribuciones (como mezclas de diferentes tipos de nubes de datos).

5. ¿Para qué sirve todo esto en la vida real?

Los autores probaron sus ideas en dos escenarios:

1. Transferencia de Aprendizaje (Aprender de un experto a un novato):

   • Imagina que tienes un modelo de IA entrenado con miles de fotos de gatos (datos abundantes) y quieres que aprenda a reconocer perros con solo 5 fotos (datos escasos).
   • Usando sus nuevas fórmulas, pueden "fluir" o transformar las fotos de gatos para que se parezcan más a las de perros, llenando los huecos de información.
   • Resultado: Funciona tan bien como los métodos antiguos, pero es muchísimo más rápido (como cambiar de caminar a usar un cohete).

2. Agrupamiento (Clustering):

   • Ayudan a descubrir cuántos grupos naturales hay en una masa de datos (por ejemplo, ¿cuántos tipos de clientes hay realmente?). Sus métodos detectan estos grupos con gran precisión y velocidad.

En resumen

Este artículo es como si alguien hubiera descubierto que, en lugar de caminar lentamente por un laberinto curvo de datos, podemos usar un túnel mágico (las fórmulas cerradas) para ir directo al punto que nos interesa.

Esto permite a las inteligencias artificiales comparar, transformar y entender grandes cantidades de datos (como imágenes o textos) de una manera más rápida, eficiente y precisa, abriendo la puerta a aplicaciones más inteligentes en el futuro.

Resumen técnico

Resumen Técnico: Funciones de Busemann en el Espacio de Wasserstein

1. Planteamiento del Problema

El aprendizaje geométrico ha demostrado gran interés en extender algoritmos euclidianos a espacios no euclidianos, como variedades riemannianas. En este contexto, la función de Busemann ha surgido como una herramienta fundamental para generalizar la noción de hiperplanos afines y definir proyecciones sobre rayos geodésicos en espacios métricos no compactos.

Sin embargo, muchos datos del mundo real (documentos, células individuales, nubes de puntos, imágenes) se modelan mejor como distribuciones de probabilidad. El espacio natural para estas distribuciones es el Espacio de Wasserstein ($P_2(\mathbb{R}^d)$), dotado de la métrica de Transporte Óptimo ($W_2$). Este espacio posee una estructura riemanniana formal rica, pero presenta un desafío crítico: no es geodésicamente completo. Esto significa que no todas las geodésicas pueden extenderse hasta el infinito en ambas direcciones, lo que impide definir la función de Busemann para cualquier par de medidas.

El problema central de este trabajo es:

1. Determinar bajo qué condiciones existen rayos geodésicos (geodésicas extensibles a infinito en una dirección) en el espacio de Wasserstein.
2. Derivar expresiones en forma cerrada para la función de Busemann en casos específicos.
3. Utilizar estas funciones para definir nuevas distancias cortadas (Sliced-Wasserstein) eficientes para comparar conjuntos de datos etiquetados.

2. Metodología

A. Caracterización de Rayos Geodésicos
Los autores establecen condiciones necesarias y suficientes para que una geodésica entre dos medidas $\mu_0$ y $\mu_1$ sea un rayo (extensible a $t \to \infty$):

• Caso General (Medidas absolutamente continuas): La geodésica es un rayo si y solo si el mapa de Monge (transporte óptimo) entre $\mu_0$ y $\mu_1$ es el gradiente de una función 1-convexa (es decir, $u(x) - \frac{1}{2}\|x\|^2$ es convexa).
• Caso Unidimensional (1D): La geodésica es un rayo si y solo si la diferencia entre las funciones cuantílicas de $\mu_1$ y $\mu_0$ es no decreciente.
• Caso Gaussiano: Para distribuciones gaussianas, la condición se traduce en una desigualdad de orden parcial (orden de Loewner) sobre las matrices de covarianza. Específicamente, si $\mu_0 = \mathcal{N}(m_0, \Sigma_0)$ y $\mu_1 = \mathcal{N}(m_1, \Sigma_1)$, la geodésica es un rayo si y solo si $(\Sigma_0^{1/2} \Sigma_1 \Sigma_0^{1/2})^{1/2} \succeq \Sigma_0$.

B. Cálculo de la Función de Busemann
La función de Busemann $B_\mu(\nu)$ asociada a un rayo geodésico $\mu_t$ se define como el límite de la distancia menos el tiempo:
$$B_\mu(\nu) = \lim_{t \to \infty} W_2(\mu_t, \nu) - t \cdot W_2(\mu_0, \mu_1)$$

Los autores demuestran que:

• En general, su cálculo se reduce a resolver un problema de Transporte Óptimo (OT).
• Formas Cerradas:
  • En 1D: La función se expresa como un producto escalar en $L^2([0,1])$ entre las funciones cuantílicas centradas.
  • Para Gaussianas: Se obtiene una fórmula explícita que involucra los medios y las matrices de covarianza, aprovechando la estructura del espacio de Bures-Wasserstein.

C. Aplicación: Distancias Cortadas (Slicing)
Utilizando las formas cerradas de la función de Busemann, los autores proponen dos nuevas métricas para comparar conjuntos de datos etiquetados (representados como distribuciones sobre $R^d \times P_2(R^d)$):

1. SWB1DG (Sliced-Wasserstein Busemann 1D Gaussian): Proyecta las distribuciones condicionales a 1D y aplica la función de Busemann 1D.
2. SWBG (Sliced-Wasserstein Busemann Gaussian): Aproxima las clases como gaussianas multidimensionales y aplica la función de Busemann gaussiana.

Estas métricas evitan resolver problemas de OT costosos en cada proyección, ya que la proyección se realiza directamente mediante la función de Busemann (que actúa como un "hiperplano" en el espacio de distribuciones).

3. Contribuciones Clave

1. Teoría de Existencia: Se proporcionan condiciones rigurosas para la existencia de rayos geodésicos en el espacio de Wasserstein, conectando la convexidad de los potenciales de Brenier con la extensibilidad de las geodésicas.
2. Fórmulas Analíticas: Derivación de expresiones cerradas para la función de Busemann en casos unidimensionales y gaussianos, eliminando la necesidad de optimización numérica en estos escenarios.
3. Nuevas Métricas de Distancia: Propuesta de SWB1DG y SWBG, distancias cortadas eficientes para conjuntos de datos etiquetados que superan a las aproximaciones existentes (como SOTDD) en correlación con la distancia OTDD (Optimal Transport Dataset Distance) y en eficiencia computacional.
4. Flujos de Gradiente: Demostración de que estas distancias permiten definir flujos de gradiente (Wasserstein over Wasserstein) para tareas de aprendizaje por transferencia y distilación de datos.

4. Resultados Experimentales

Los autores evaluaron sus métodos en varios escenarios:

• Correlación con OTDD: En el conjunto de datos CIFAR10, las nuevas distancias (SWB1DG y SWBG) mostraron una correlación de Spearman y Pearson significativamente más alta con la costosa distancia OTDD (el "estándar de oro") que la distancia Sliced-OTDD (SOTDD) existente. Esto indica que son mejores sustitutos aproximados de OTDD.
• Eficiencia Computacional: Mientras que OTDD requiere resolver $O(C^2)$ problemas de transporte óptimo (donde $C$ es el número de clases), las nuevas distancias tienen una complejidad lineal en el número de proyecciones y son mucho más rápidas.
• Aprendizaje por Transferencia (k-shot): En tareas de transferir datos de MNIST a Fashion-MNIST o USPS con pocos ejemplos por clase ($k=1, 5, 10, 100$):
  • Los flujos de gradiente minimizando SWB1DG lograron una precisión de clasificación comparable o superior a la de SOTDD y OTDD.
  • El tiempo de ejecución de SWB1DG y SOTDD fue similar y drásticamente menor que el de OTDD (ej. ~14 segundos vs ~294 segundos para $k=1$).
• Mezclas Gaussianas: En tareas de detección de clústeres y flujos sobre mezclas gaussianas, las distancias propuestas (BGMSW y B1DGMSW) mostraron un rendimiento similar a las distancias de referencia, validando su aplicabilidad en el espacio de Bures-Wasserstein.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Puente Teórico-Práctico: Conecta conceptos profundos de geometría riemanniana (funciones de Busemann, rayos geodésicos) con problemas prácticos de aprendizaje automático (comparación de datasets, aprendizaje por transferencia).
• Escalabilidad: Ofrece una alternativa viable y escalable a las distancias de Transporte Óptimo para conjuntos de datos grandes y complejos, manteniendo la riqueza geométrica del espacio de Wasserstein.
• Generalización: Abre la puerta a aplicar técnicas de aprendizaje geométrico (como PCA o clasificación) directamente en espacios de distribuciones de probabilidad, superando las limitaciones de completitud geodésica mediante el uso inteligente de rayos y funciones de Busemann.
• Aplicabilidad: Las métricas propuestas son herramientas listas para usar en tareas de distilación de datos, adaptación de dominio y análisis de datos estructurados como distribuciones.

En conclusión, el artículo establece las bases teóricas para el uso de funciones de Busemann en el espacio de Wasserstein y demuestra su utilidad práctica para crear métricas de distancia rápidas y precisas para el análisis de datos modernos.