Resumen Técnico: LightSBB-M

Enunciado del Problema

La modelización generativa mediante procesos estocásticos ha dependido en gran medida del Puente de Schrödinger (SB) clásico y de los modelos de difusión. La formulación SB construye una dinámica estocástica controlada que transporta una distribución fuente $\mu_0$ a una distribución objetivo $\mu_T$ minimizando la entropía relativa con respecto a un prior de Browniano. Sin embargo, el marco SB clásico impone un requisito estricto: la distribución objetivo debe tener una entropía relativa finita con respecto a la medida de Wiener ($KL(P \| W_\epsilon) < \infty$). Esta restricción hace que el SB clásico sea inviable para distribuciones objetivo de cola pesada o singulares, ya que el término de entropía diverge en tales casos.

Por el contrario, el transporte de martingala de Bass ofrece flexibilidad al optimizar sobre la volatilidad mientras impone una restricción de deriva nula, pero carece de control explícito de la deriva y se aleja de los mecanismos de difusión estándar. El problema del Puente Schrödinger-Bass (SBB), introducido por Henry-Labordere et al. (2026), unifica estos paradigmas optimizando conjuntamente sobre la deriva y la volatilidad. Introduce un parámetro ajustable $\beta > 0$ que interpola entre el límite del SB clásico ($\beta \to \infty$) y el régimen de transporte de martingala de Bass ($\beta \to 0$). A pesar de sus ventajas teóricas —particularmente su capacidad para manejar objetivos de cola pesada sin la restricción de entropía finita—, el problema SBB ha permanecido computacionalmente intratable en altas dimensiones debido a la complejidad de la volatilidad estocástica y los mapas de transporte implícitos.

Metodología: LightSBB-M

Los autores proponen LightSBB-M, un algoritmo eficiente en simulación diseñado para calcular el plan de transporte SBB óptimo en pocas iteraciones. El método aprovecha una representación dual del objetivo SBB para derivar expresiones analíticas para la deriva y la volatilidad óptimas, evitando la costosa discretización de Ecuaciones Diferenciales Estocásticas (EDE).

Marco Teórico Central

El problema SBB minimiza un costo cuadrático $J(P)$ sobre la deriva $\alpha_t$ y la volatilidad $\sigma_t$:
$$J(P) = \mathbb{E}_P \left[ \int_0^T \left( \|\alpha_t\|^2 + \beta \|\sigma_t - \sqrt{\epsilon}I_d\|^2 \right) dt \right]$$
donde $\beta$ controla el equilibrio entre deriva y volatilidad.

Los autores establecen una representación dual de este problema. Al maximizar un funcional lagrangiano sobre potenciales $(v, \psi)$, derivan políticas de retroalimentación explícitas para los controles óptimos:

1. Deriva Óptima: $\alpha^*_t = \nabla_x v^*(t, x)$
2. Volatilidad Óptima: $\sigma^*_t = \sqrt{\epsilon} \left( I_d - \frac{D^2_x v^*(t, x)}{\beta} \right)^{-1}$

Crucialmente, el sistema SBB puede verse como un Puente de Schrödinger "estirado". Al definir un proceso transformado $Y_t = Y_t(X_t)$, los autores muestran que $Y_t$ sigue un movimiento browniano estándar con volatilidad constante $\sqrt{\epsilon}$ en un espacio transformado, mientras que el proceso original $X_t$ se recupera mediante un mapa de transporte aprendido. Esta transformación convierte una difusión dependiente del estado en el espacio $X$ en un proceso de volatilidad constante en el espacio $Y$.

Implementación Algorítmica

El algoritmo LightSBB-M (Algoritmo 1) opera mediante un procedimiento de optimización alterna:

1. Aprendizaje del Mapa de Transporte: Una red neuronal $Z_{\tilde{\theta}}$ se entrena para aproximar el mapa de transporte inverso $Y_t = Z_{\tilde{\theta}}(t, X_t)$, aprendiendo efectivamente el mapeo desde el espacio original al espacio $Y$ de volatilidad constante.
2. Aprendizaje de la Deriva: Utilizando una parametrización de mezcla gaussiana para el potencial (inspirada en LightSB-M), el algoritmo aprende la deriva de puntuación $s_\theta$ en el espacio $Y$ minimizando una pérdida de coincidencia de puntuación de eliminación de ruido (ajuste de puente).
3. Actualizaciones Alternas: El algoritmo alterna entre actualizar los parámetros de deriva $\theta$ (para coincidir con la dinámica SB en el espacio $Y$) y los parámetros del mapa de transporte $\tilde{\theta}$ (para asegurar que los puntos finales en el espacio $X$ coincidan con $\mu_0$ y $\mu_T$).

Este enfoque permite una muestreo libre de simulación en el momento de la inferencia. Una vez entrenado, se puede muestrear $Y_T$ del acoplamiento aprendido y recuperar $X_T$ mediante el mapa inverso, evitando la necesidad de resolver la EDE compleja para $X_t$ directamente.

Contribuciones Clave

1. Solucionador SBB Escalable: La propuesta de LightSBB-M, un algoritmo práctico que calcula el plan de transporte SBB óptimo de manera eficiente, permitiendo la modelización generativa con deriva y volatilidad aprendidas conjuntamente.
2. Expresiones Analíticas de Control: La derivación de expresiones explícitas y tratables para los controles SBB óptimos, que facilitan el muestreo libre de simulación y evitan la carga computacional de la discretización de EDE.
3. Superioridad Empírica: Extensos experimentos numéricos que demuestran que LightSBB-M logra un rendimiento de vanguardia tanto en conjuntos de datos sintéticos como en conjuntos de datos reales de alta dimensión, superando las líneas base existentes de SB y difusión.

Resultados Experimentales

Conjuntos de Datos Sintéticos

En conjuntos de datos sintéticos de baja dimensión (8gaussians, moons), LightSBB-M se evaluó frente a solucionadores SB de vanguardia (por ejemplo, LightSB-M, DSBM) y modelos basados en flujos.

• Rendimiento: LightSBB-M logró la menor distancia 2-Wasserstein ($W_2$) en todas las tareas de referencia.
• Mejora: El método demostró una mejora promedio del 19% en la precisión del transporte en comparación con las mejores líneas base de SB y difusión, reduciendo al mismo tiempo la varianza de los resultados.
• Manejo de Colas Pesadas: En experimentos transportando una distribución gaussiana a una distribución t de Student (un caso donde el SB clásico está mal planteado debido a la entropía infinita), LightSBB-M recuperó con precisión la distribución objetivo, mientras que el SB clásico produjo artefactos significativos y modos espurios.

Aplicación en el Mundo Real: Traducción de Imagen a Imagen

El marco se aplicó a la traducción no emparejada de imagen a imagen (rostros de adultos a niños) en el conjunto de datos FFHQ (resolución 1024x1024) dentro del espacio latente de un Autoencoder Latente Adversarial (ALAE).

• Traducción de Edad: LightSBB-M mejoró significativamente la calidad de la traducción de edad. Con ruido bajo ($\epsilon=0.1$), el porcentaje de rostros generados estimados como menores de 18 años se duplicó en comparación con la línea base LightSB-M (41.2% vs. 20.7%). Con ruido más alto ($\epsilon=1$), esta métrica se cuadruplicó casi (76.0% vs. 19.3%).
• Preservación de Identidad: Aunque LightSBB-M mostró una disminución modesta en la similitud de identidad (similitud del coseno) en comparación con LightSB-M, esto se atribuye a la generación de rostros genuinamente más infantiles en lugar de un fallo del modelo.
• Fidelidad: La Distancia de Inception Fréchet (FID) se mantuvo comparable a la línea base (20.9 vs. 21.6), confirmando que la mayor diversidad y la traducción de edad mejoradas no comprometieron la calidad de la imagen.
• Eficiencia: A diferencia de los modelos de difusión convencionales que requieren muestreo hacia atrás-hacia adelante, LightSBB-M genera muestras en un solo paso hacia adelante, evitando la acumulación de errores por pasos de difusión inversa.

Significado y Afirmaciones

El artículo posiciona a LightSBB-M como un avance significativo en la intersección de la teoría del transporte óptimo y la modelización generativa moderna. Su principal significado radica en hacer computacionalmente tratable el transporte de volatilidad estocástica a escala.

Los autores afirman que al controlar conjuntamente la deriva y la volatilidad, el marco:

• Amplía la Aplicabilidad: Puede modelar distribuciones objetivo con colas pesadas o singularidades que son inaccesibles para los métodos SB clásicos debido a las restricciones de entropía finita.
• Ofrece Flexibilidad: El parámetro $\beta$ permite a los practicantes interpolar entre el control puro de deriva (SB) y el control puro de volatilidad (Bass), ajustando el equilibrio entre la diversidad de muestras y la fidelidad.
• Mejora el Rendimiento: Proporciona un solucionador escalable y de alta fidelidad que supera a las líneas base existentes tanto en precisión de transporte como en calidad generativa.

Los autores señalan que, aunque el algoritmo converge empíricamente en pocas iteraciones (típicamente 5), una prueba formal de convergencia para el bucle alternante externo sigue siendo una pregunta teórica abierta. Sugieren que el trabajo futuro podría centrarse en estrechar los límites de complejidad de iteraciones y extender el marco a datos de series temporales con heterocedasticidad.