Minimax Optimal Estimation of Transport-Growth Pairs in Unbalanced Optimal Transport

Resumen Técnico: Estimación Minimax Óptima de Pares Transporte-Crecimiento en Transporte Óptimo Desbalanceado

Enunciado del Problema
El Transporte Óptimo Desbalanceado (UOT) extiende el Transporte Óptimo (OT) clásico a escenarios donde las masas totales de las medidas de origen y destino difieren, o donde la creación/destrucción de masa es intrínseca al fenómeno. Aunque los marcos computacionales para UOT (por ejemplo, formulaciones de transporte entrópico, solucionadores tipo Sinkhorn) están bien establecidos, la teoría estadística para estimar objetos de tipo Monge en UOT sigue subdesarrollada.

En el OT balanceado, el objetivo estadístico es un mapa de transporte $T$. En UOT, sin embargo, el objetivo poblacional natural no es un mapa por sí solo, sino un par transporte-crecimiento $(T_0, \lambda_0)$, donde $T_0$ es el mapa de transporte y $\lambda_0$ es un factor de crecimiento (peso) que reescala la masa después del transporte para conciliar las discrepancias de masa. El artículo aborda la estimación estadística de este par a partir de muestras finitas, con el objetivo de establecer tasas de convergencia minimax óptimas y proporcionar una base rigurosa para la estimación de tipo Monge en el contexto de UOT.

Metodología
Los autores estudian UOT con costo cuadrático y penalizaciones marginales de Kullback-Leibler (KL). Proponen dos estimadores distintos para el par transporte-crecimiento, adaptados a diferentes regímenes de datos:

1. Estimador Basado en Planos (1NN):

   • Enfoque: Resuelve el problema discreto de Kantorovich bajo medidas empíricas para obtener una matriz de plan de transporte óptimo. Luego construye el mapa de transporte mediante proyección de Fréchet (proyección baricéntrica) de las filas del plan y estima el factor de crecimiento utilizando la relación entre las masas de las filas ajustadas y las masas de origen empíricas, ajustadas por el costo de transporte.
   • Extensión: Las estimaciones discretas en los puntos de la muestra se extienden a todo el dominio utilizando un método de vecino más cercano (Voronoi).
   • Aplicabilidad: Diseñado para casos generales, incluidos datos de alta dimensión donde no se asume suavidad de la densidad.

2. Estimador Basado en Núcleos:

   • Enfoque: Asume que las medidas tienen densidades suaves en un hipercubo $\Omega = [0, 1]^d$. Primero estima las densidades utilizando un estimador de densidad de núcleo adaptado a la frontera basado en una base coseno (núcleo de Neumann), lo cual evita las suposiciones de periodicidad requeridas por los métodos de Fourier estándar.
   • Estimación: El par transporte-crecimiento se estima resolviendo el problema UOT entre las estimaciones de densidad suavizadas (enfoque plug-in).
   • Aplicabilidad: Adaptable a la suavidad de las densidades subyacentes, ofreciendo tasas de convergencia más rápidas en regímenes suaves.

Contribuciones Técnicas Clave
La innovación técnica principal del artículo es una reducción de estabilidad basada en valores. A diferencia del OT balanceado, donde los potenciales semi-duales pueden usarse para acotar directamente los errores de transporte, UOT implica un mapa de crecimiento que complica el análisis de errores. Los autores:

• Derivan una expansión de primer orden del objetivo UOT bajo perturbaciones de las marginales.
• Establecen un límite de estabilidad que convierte las perturbaciones del valor UOT en riesgos separados para el mapa de transporte y el factor de crecimiento.
• Introducen una "condición de brecha UOT" (Lema 2) que relaciona la brecha del potencial dual con la distancia al cuadrado entre los mapas de transporte estimados y reales, aislando los pasos analíticos específicos de UOT de la elección del estimador marginal.

Resultados Principales
Los autores derivan cotas superiores para el error de estimación de ambos estimadores y prueban cotas inferiores coincidentes para establecer la optimalidad minimax.

• Tasas del Estimador Basado en Planos: El error de estimación converge a una tasa determinada por la distancia de Wasserstein de las medidas empíricas. Para dimensión $d \ge 5$, la tasa es $\tilde{O}(N^{-2/d})$, donde $N = \min(n, m)$. Esto coincide con la tasa para OT balanceado en altas dimensiones, pero aplica a la estimación conjunta de los mapas de transporte y crecimiento.
• Tasas del Estimador Basado en Núcleos: Bajo suposiciones de suavidad (clase de Hölder $C^\alpha$), el estimador de núcleo logra una tasa de $\tilde{O}(N^{-2\alpha/(2\alpha - 2 + d)})$. Esta tasa mejora al estimador basado en planos al mitigar la maldición de la dimensionalidad mediante la suavidad de la densidad.
• Optimalidad Minimax: El artículo establece una cota inferior minimax para el régimen de hipercubo suave que coincide con la cota superior del estimador basado en núcleos (hasta factores logarítmicos). Esto confirma que los estimadores propuestos son estadísticamente óptimos.
• Estimación de Masa: El análisis cuenta explícitamente con el error en la estimación de masas totales ($M_\mu, M_\nu$), mostrando que si los estimadores de masa convergen a tasas paramétricas, no degradan la tasa de convergencia general del par transporte-crecimiento.

Significado y Afirmaciones
El artículo afirma proporcionar la primera base estadística para la estimación de tipo Monge en transporte óptimo desbalanceado. Su importancia radica en:

1. Reencuadre del Objetivo: Identificar correctamente el par transporte-crecimiento como el objeto estadístico fundamental en UOT, en lugar de solo un mapa de transporte.
2. Optimalidad: Demostrar que los estimadores pueden lograr tasas óptimas minimax, mejorando las evaluaciones existentes (por ejemplo, [VV22, VV23]) que se centraron en potenciales semi-duales o proporcionaron tasas subóptimas para mapas de Monge.
3. Avance Metodológico: Introducir una técnica de prueba basada en estabilidad que elude las limitaciones de los argumentos de potenciales semi-duales en presencia de penalizaciones de masa, permitiendo la evaluación de la optimalidad para la solución completa de tipo Monge.

Validación Experimental
Los resultados teóricos están respaldados por simulaciones con datos sintéticos y una aplicación a la finalización de formas 3D.

• Datos Sintéticos: Los experimentos confirman que los estimadores plug-in (núcleo y wavelet) alcanzan tasas de aprendizaje que coinciden estrechamente con las cotas superiores teóricas y superan a los estimadores basados en planos y a las líneas base existentes (SSUOT) en términos de Error Cuadrático Medio (MSE).
• Finalización de Formas 3D: Aplicado al conjunto de datos Completion3D, el estimador de núcleo basado en planos reconstruye con éxito las formas y rechaza implícitamente los valores atípicos (coches) asignando pesos de crecimiento cercanos a cero, demostrando la utilidad práctica del mapa de crecimiento para manejar datos no emparejados con ruido.

Limitaciones
Los autores señalan que su configuración actual no cubre la regularización entrópica, que es una herramienta computacional común en UOT, identificando esto como una dirección para trabajos futuros. El análisis teórico también se restringe a costos cuadráticos y geometrías de dominio específicas (dominios convexos acotados e hipercubos).