Inexact Proximal Point and Tseng Algorithms with Nonsummable Errors to Solve Monotone Inclusions

Este artículo establece, por primera vez, la convergencia de los algoritmos prácticos de Punto Proximal Inexacto y de Tseng para resolver inclusiones monótonas en espacios de Hilbert bajo errores no sumables mediante el aprovechamiento de la regularización de Tikhonov, las propiedades de contracción y la teoría de la R-continuidad.

Lo esencial

Imagina que estás intentando encontrar el centro exacto de una habitación oscura y con niebla (la "solución"). Tienes una brújula (un algoritmo) que te señala hacia el centro. En un mundo perfecto, tu brújula sería impecable y caminarías directamente hacia el centro.

Sin embargo, en el mundo real, tu brújula es un poco inestable. A veces apunta ligeramente a la izquierda, otras veces ligeramente a la derecha. Esta "inestabilidad" es lo que los matemáticos llaman error.

Durante mucho tiempo, los matemáticos creyeron que, para que eventualmente llegaras al centro, estos errores de inestabilidad tendrían que hacerse cada vez más pequeños hasta desaparecer por completo. Pensaban que la cantidad total de "tambaleo" en todo tu viaje tenía que sumar un número diminuto y finito. Si el tambaleo continuaba ocurriendo a un nivel constante y perceptible para siempre, pensaban que nunca dejarías de vagar en círculos y, lo más importante, que nunca podrías acercarte lo suficiente al centro exacto.

Este artículo dice: "No necesariamente... pero tampoco llegas al centro exacto".

Los autores, Ba Khiet Le, Boris S. Mordukhovich y Michel Théra, han descubierto una nueva forma de navegar que funciona incluso si tu brújula sigue temblando con una cantidad de error constante y no evanescente. Así es como lo hicieron, utilizando metáforas sencillas:

1. El Problema: La regla de la "sumabilidad"

Tradicionalmente, para garantizar que encontraras el centro exacto, la regla era: Los errores deben desaparecer eventualmente.
Piensa en esto como caminar hacia un objetivo mientras el viento te empuja. Si el viento se debilita cada vez más hasta detenerse, eventualmente alcanzarás el objetivo exacto. Pero si el viento sigue soplando a una velocidad constante y molesta (error no sumable), la matemática tradicional decía que nunca llegarías allí. De hecho, con vientos constantes, la matemática antigua decía que no había forma de garantizar ni siquiera una posición estable cerca del objetivo.

2. La Solución: Añadir una "atracción magnética" (Regularización de Tikhonov)

El arma secreta de los autores es la regularización de Tikhonov.
Imagina que, en lugar de caminar sobre un suelo plano, caminas sobre una pendiente suave y curva que conduce directamente al centro. Incluso si el viento (el error) te empuja lateralmente, la pendiente (la "atracción" matemática) te arrastra constantemente de vuelta al camino.

En su matemática, añaden una pequeña "fuerza" artificial (representada por $\epsilon$) al problema. Esta fuerza hace que el paisaje sea más "empinado" y definido. Convierte el suelo plano y resbaladizo en una forma de cuenco. Aquí está la clave: con errores constantes, no te detienes exactamente en el centro del cuenco. En su lugar, la atracción magnética te mantiene atrapado en un pequeño círculo alrededor del centro. Te mueves un poco, te alejas un poco, pero la pendiente te impide irte muy lejos. Te quedas "atrapado" en una zona segura muy cercana al objetivo, pero nunca te asientas exactamente en el punto central exacto mientras el viento constante siga soplando.

3. Los Dos Algoritmos: El Excursionista y el Guía

El artículo pone a prueba esta idea en dos tipos específicos de "excursionistas" (algoritmos):

• El Algoritmo de Punto Proximal Inexacto (IPPA): Este es como un excursionista que da un paso, consulta el mapa y corrige su trayectoria. Los autores demuestran que, incluso si el mapa tiene un pequeño desenfoque constante, la "pendiente magnética" asegura que el excursionista termine oscilando dentro de una distancia pequeña y predecible del objetivo, sin alejarse nunca más allá de ese límite.
• El Algoritmo de Tseng Inexacto (ITA): Este es un excursionista más complejo que tiene que lidiar con dos tipos de terreno diferentes al mismo tiempo. Los autores demuestran que, incluso con esta complejidad y errores constantes, la "pendiente magnética" mantiene al excursionista dentro de esa zona segura cercana al centro, sin prometer que llegará al centro exacto.

4. La Red de Seguridad de la "R-continuidad"

Para demostrar que esto funciona, utilizan un concepto llamado R-continuidad.
Piensa en esto como una red de seguridad que dice: "Si estás cerca del objetivo, tus pasos serán predecibles". Garantiza que la "atracción magnética" no se comporte de manera errática. Siempre que el mapa no gire repentinamente de una forma loca cerca del centro, el excursionista se mantendrá dentro de una distancia predecible del objetivo.

5. El Resultado: "Suficientemente bueno" es suficiente (pero no es "exacto")

El artículo demuestra que con este nuevo método:

• No necesitas que los errores desaparezcan.
• No necesitas que los errores sumen un número diminuto.
• Solo necesitas que los errores se mantengan dentro de un límite fijo y manejable (como una brújula que siempre está desviada no más de 2 grados).

Si configuras tus parámetros correctamente, el excursionista dejará de vagar por toda la habitación y se establecerá dentro de una distancia pequeña y predecible del verdadero centro. Sin embargo, seguirá moviéndose ligeramente dentro de ese pequeño círculo para siempre. El artículo llama a esto una "solución aproximada".

La diferencia crucial:

• Si quieres llegar al centro exacto, necesitas la vieja regla: los errores deben desaparecer (viento que se detiene).
• Si los errores nunca desaparecen (viento constante), la nueva regla te garantiza que te quedarás atrapado en un círculo pequeño y seguro alrededor del centro, pero nunca tocarás el centro exacto.

Por qué esto es importante (según el artículo)

En los cálculos computacionales del mundo real, es imposible hacer que los errores desaparezcan por completo; siempre hay un poco de "ruido" o "error de redondeo" que nunca se va.

Este artículo es vital porque nos dice que no necesitamos esperar a que el error sea cero para tener resultados útiles. En su lugar, podemos usar una regla práctica y fácil de verificar: "Mantén cada error individual por debajo de un límite pequeño y fijo". Si logras eso, el algoritmo te dará una respuesta "suficientemente buena" que se mantendrá estable cerca de la solución, aunque nunca sea matemáticamente perfecta. Esto cambia el enfoque de la "precisión perfecta inalcanzable" a "resultados estables y prácticos" que podemos confiar en el mundo real.

En resumen: El artículo nos enseña que, incluso si tus herramientas son imperfectas y los errores nunca se detienen, aún puedes encontrar una posición "suficientemente buena" cambiando la forma del problema para que los errores no puedan desviarte demasiado. Pero ten en cuenta: con errores constantes, nunca llegarás al centro exacto, solo te quedarás oscilando muy cerca de él.

Resumen técnico

Resumen Técnico: Algoritmos de Punto Proximal Inexactos y de Tseng con Errores No Sumables

Planteamiento del Problema
El artículo aborda el problema de resolver inclusiones monótonas de la forma $0 \in Ax$ en un espacio de Hilbert real $H$, donde $A: H \rightrightarrows H$ es un operador multivaluado maximalmente monótono. El enfoque principal se centra en la convergencia de versiones inexactas prácticas de dos algoritmos clásicos: el Algoritmo de Punto Proximal (PPA) y el Algoritmo de Tseng (para inclusiones compuestas $0 \in Ax + Bx$).

Una restricción crítica de este trabajo es el tratamiento de los errores computacionales. A diferencia de la mayor parte de la literatura existente, que asume que las secuencias de error son sumables (es decir, $\sum \|y_k\| < \infty$, lo que implica que los errores desaparecen asintóticamente), este artículo investiga algoritmos bajo errores acotados y no sumables. Específicamente, la secuencia de error $(y_k)$ satisface $\|y_k\| \le \delta$ para una tolerancia fija $\delta > 0$. Esta condición es más realista para computaciones de precisión finita donde los errores pueden persistir pero permanecer acotados. En la práctica, dado que el error $y_k$ nunca tiende a cero, se requieren criterios de error adecuados: los criterios de error relativo son difíciles de verificar, mientras que los errores absolutamente acotados son fáciles de verificar; este trabajo adopta la condición de error absolutamente acotado.

Metodología
Los autores proponen un enfoque novedoso que evita la dependencia de la sumabilidad de los errores. En su lugar, la metodología se basa en tres componentes principales:

1. Regularización de Tikhonov: El problema de inclusión original se regulariza añadiendo un término fuertemente monótono $\epsilon I$ (donde $\epsilon > 0$). Para el PPA, el operador es $\tilde{A} = A + \epsilon I$. Para el problema compuesto, la inclusión regularizada es $0 \in \tilde{A}x + Bx$. Esta regularización asegura que los operadores resolventes asociados posean propiedades de contracción fuerte.
2. Propiedades de Contracción: Al utilizar la monotonía fuerte inducida por el término de regularización, los autores demuestran que los operadores resolventes (y el mapeo asociado de Tseng) se vuelven contractivos. Esto permite el control de la propagación del error sin requerir que los errores decaigan a cero.
3. Teoría de R-continuidad: El análisis de convergencia aprovecha la teoría recientemente desarrollada de la R-continuidad para mapeos multivaluados. Específicamente, los autores asumen que el operador inverso (por ejemplo, $A^{-1}$ o $(A+B)^{-1}$) es R-continuo en el origen. Esta propiedad permite a los autores acotar la distancia entre la solución del problema regularizado y el conjunto de soluciones del problema original.

Contribuciones Clave y Resultados

• Algoritmo de Punto Proximal Inexacto (IPPA):
  El artículo analiza el IPPA definido por $x_{k+1} = J_{\gamma \tilde{A}}x_k + y_{k+1}$ bajo el supuesto de error acotado $\|y_{k+1}\| \le \delta$, donde $y_{k+1}$ representa el error computacional (inexactitud) en la evaluación del operador resolvente en la iteración $k+1$. Es crucial destacar que, bajo errores no sumables, la secuencia $(x_k)$ no converge a una solución exacta de la inclusión original. En su lugar, el resultado establece que los iterados permanecen asintóticamente dentro de una distancia explícitamente acotada del conjunto de soluciones $S = \text{zer}(A)$.

  • Resultado: Se deriva una cota superior constructiva para la distancia asintótica al conjunto de soluciones:
    $$\limsup_{k \to \infty} d(x_k, S) \le \delta(1 + \gamma^{-1}\epsilon^{-1}) + \rho(\epsilon a)$$
    donde $\rho$ es el módulo de R-continuidad de $A^{-1}$ en 0, y $a$ es la norma del elemento de norma mínima en $S$. Esto representa una "solución aproximada" estable en el sentido de un vecindario acotado, no la convergencia a un punto solución exacto.
  • Condición de Convergencia: La verdadera convergencia (débil) de $x_k$ hacia una solución exacta del problema original no se garantiza en este marco; tal conclusión más fuerte requiere la condición clásica de errores sumables ($\sum \|y_k\| < \infty$), la cual no está presente aquí. Sin embargo, al elegir $\delta = \epsilon^2$, la cota superior desaparece cuando $\epsilon \to 0$, asegurando que el algoritmo pueda producir soluciones aproximadas arbitrariamente precisas ajustando los parámetros.

• Algoritmo de Tseng Inexacto (ITA):
  El enfoque se extiende al problema compuesto $0 \in Ax + Bx$, donde $B$ es unívoco, monótono y Lipschitz continuo. El ITA se aplica al problema regularizado por Tikhonov.

  • Resultado: Bajo el supuesto de que $(A+B)^{-1}$ es R-continuo en 0, los autores prueban que la secuencia del ITA no converge a un punto solución, sino que permanece asintóticamente acotada cerca del conjunto de soluciones. La cota de error derivada es:
    $$\limsup_{k \to \infty} d(x_k, S) \le \delta(1 + 2\gamma^{-1}\epsilon^{-1}) + \rho(\epsilon a)$$
  • De manera similar al IPPA, establecer $\delta = \epsilon^2$ permite que la distancia asintótica al conjunto de soluciones tienda a cero a medida que el parámetro de regularización $\epsilon$ se aproxima a cero, pero la convergencia puntual de la secuencia a una solución exacta sigue dependiendo de la sumabilidad de los errores, condición que no se cumple en este estudio.

Significancia y Reivindicaciones
El artículo afirma ser el primero en la literatura en establecer el comportamiento asintótico de los algoritmos prácticos de PPA y Tseng inexactos bajo el único supuesto de errores acotados y no sumables.

Los autores enfatizan que su análisis revela que la monotonía fuerte inducida por el término de regularización de Tikhonov, en lugar de la clásica sumabilidad de los errores, es el mecanismo esencial que asegura la estabilidad y la buena formulación (well-posedness) de estos algoritmos en presencia de perturbaciones persistentes. Argumentan que el supuesto estándar de sumabilidad es a menudo difícil de garantizar en la práctica, mientras que la condición de error acotado es computacionalmente realista.

Las técnicas propuestas se presentan como un marco flexible que puede extenderse para analizar otros algoritmos inexactos para problemas relacionados con la optimización que involucren perturbaciones no sumables. El artículo no propone nuevas aplicaciones o validaciones experimentales, sino que se centra estrictamente en la justificación teórica de estos algoritmos bajo condiciones de error relajadas, aclarando explícitamente que la convergencia a una solución exacta no se obtiene sin la condición de errores sumables.