Resumen Técnico: Linealización de Sinkhorn y el Proxy Espectral

1. Planteamiento del Problema

Este artículo aborda el problema del Transporte Óptimo Inverso (IOT, por sus siglas en inglés) bajo una configuración de coste parametrizado por características, $C_\theta(i, j) = -\theta^\top \phi(i, j)$. A diferencia de las formulaciones clásicas de IOT que suelen asumir costes explícitos o de baja dimensión, este trabajo se centra en la recuperación del parámetro de coste disperso $\theta$ a partir de operadores de transición condicional observados (datos de transición de estado) inducidos por un plan de transporte óptimo entrópico (OT).

El desafío central radica en la relación no lineal y de alta dimensión entre los parámetros de coste y los planes de transporte observados, complicada por:

• Degeneración de Calibre (Gauge Degeneracy): El plan de OT es invariante ante la adición de constantes de fila y columna al coste (el subespacio de calibre $G$), lo que conduce a la no identificabilidad de $\theta$ en el espacio de parámetros original.
• Inferencia Estadística: La recuperación de $\theta$ a partir de muestras finitas de operadores de transición requiere establecer la identificabilidad, las tasas de recuperación de la dispersión, la estabilidad y las garantías de convergencia.
• Especificación Errónea (Misspecification): Los datos del mundo real pueden no seguir estrictamente el modelo de OT, lo que requiere un análisis de hacia dónde converge el estimador cuando el mecanismo real de generación de datos difiere del supuesto de OT.

2. Metodología y Contribuciones Técnicas Centrales

La innovación técnica central del artículo es la Linealización de Sinkhorn y su asociado Proxy Espectral.

Linealización de Sinkhorn

Al aplicar la diferenciación implícita a las condiciones de Karush-Kuhn-Tucker (KKT) del problema de OT entrópico, los autores derivan la respuesta lineal exacta del plan de transporte $\pi$ ante perturbaciones en el coste $C$. La relación viene dada por:
$$\delta x = -B H_T^{-1} B^\top \delta c$$
donde $x = \text{vec}(\pi)$, $c = \text{vec}(C)$, $B$ es una base ortonormal para el espacio tangente del politopo de transporte, y $H_T$ es el Hessiano restringido del objetivo entrópico sobre el espacio tangente.

El Sándwich Espectral y el Proxy

Un lema crítico establece un sándwich espectral para la inversa del Hessiano restringido:
$$\frac{\pi_{\min}}{\varepsilon} I \preceq H_T^{-1} \preceq \frac{\pi_{\max}}{\varepsilon} I$$
donde $\pi_{\min}$ y $\pi_{\max}$ son las entradas mínima y máxima del plan entrópico, y $\varepsilon$ es el parámetro de regularización.

Para proporcionar transparencia geométrica y eficiencia computacional, los autores introducen el Proxy Espectral (SSP):
$$\delta x_{SSP} = -\frac{1}{\varepsilon} P_T D_\pi P_T \delta c$$
Esta fórmula (proyectar al espacio tangente $\to$ multiplicar elemento a elemento por $\pi$ $\to$ proyectar de vuelta) no es igual elemento a elemento a la derivada exacta, pero es espectralmente exacta, preservando los mismos límites de valores singulares superiores e inferiores que la linealización exacta. Esto permite que todos los límites estadísticos subsiguientes se deriven utilizando el proxy más simple.

El Límite Espectral Central

Combinando el sándwich espectral con la estructura de coste parametrizado por características, se obtiene el límite espectral central que impulsa toda la teoría:
$$\sigma_{\min}(J_\theta) \geq \frac{\pi_{\min}}{a_{\max} \varepsilon} \sqrt{\lambda_{\min}(\Sigma)}$$
donde $J_\theta$ es el Jacobiano del operador de transición con respecto a $\theta$, $a_{\max}$ es la masa marginal máxima, y $\Sigma$ es la matriz de Gram de los vectores de características limpiada de calibre.

3. Resultados Teóricos Clave

El artículo establece cuatro teoremas y una observación, todos ellos emanados del límite espectral central.

T1: Identificabilidad

• Resultado: El parámetro $\theta$ es globalmente identificable en el espacio cociente $F / N_\Phi$ (donde $N_\Phi$ es el núcleo de calibre), siempre que la dimensión de las características satisfaga $F \leq (K-1)^2$ y se cumpla la condición de rango $\text{rank}(\Sigma) = F$.
• Mecanismo: La identificabilidad se demuestra mediante un argumento de composición de tres pasos: (1) la parametrización lineal es inyectiva módulo calibre; (2) el mapa de Sinkhorn es inyectivo módulo calibre (debido a la convexidad estricta del dual); (3) la normalización a operadores condicionales es lineal e inyectiva.
• Nota: La identificabilidad de la escala de acoplamiento $(\theta, \varepsilon) \to (c\theta, c\varepsilon)$ se resuelve fijando $\varepsilon$ o imponiendo una restricción de normalización.

T2: Sparsistency (Consistencia de la Dispersión)

• Resultado: El estimador penalizado con $\ell_1$ recupera el soporte real de $\theta$ con una probabilidad de fallo que decae exponencialmente.
• Condiciones: Requiere la condición de irrepresentabilidad en la matriz de información de OT real, la concentración de la puntuación de todas las coordenadas y una condición de selección global.
• Tasa: La probabilidad de fallo decae como $\exp(-C_2 n t_n^2)$, donde $C_2 = 2/\Delta_{\max}^2$ y $\Delta_{\max}$ es el rango de la puntuación por muestra derivada del proxy espectral.

T3: Bien Poseimiento y Estabilidad

• Resultado: El mapa inverso del operador observado al parámetro de coste es fuertemente monótono y Lipschitz continuo.
• Local vs. Global:
  • Local: La fuerte monotonía se mantiene en cualquier subconjunto convexo compacto sin requerir compacidad global.
  • Global: Requiere que el dominio del parámetro sea compacto para asegurar un límite inferior uniforme en $\pi_{\min}$.
• Límite Lipschitz: El mapa inverso tiene una constante Lipschitz $L \leq \frac{\varepsilon \|\Phi^\top S_a\|_{op}}{\pi_{\min} \lambda_{\min}(\Sigma)}$.
• Sesgo: Si el estimador utiliza un nivel de regularización $\varepsilon' \neq \varepsilon$, el sesgo es $O(|\varepsilon' - \varepsilon|)$.

T4: Convergencia

• Resultado: El objetivo de entropía cruzada poblacional es localmente fuertemente convexo alrededor del verdadero parámetro $\theta^*$.
• Convergencia: El descenso de gradiente con un tamaño de paso suficientemente pequeño converge monótonamente a un mínimo local.
• Curvatura: El Hessiano en la verdad es positivo definido con un límite inferior $\mu \geq \frac{\pi_{\min}^2 \lambda_{\min}(\Sigma)}{\varepsilon^2}$. El Hessiano empírico se concentra en el Hessiano poblacional a una tasa de $O(n^{-1/2})$.

O5: Análisis de Especificación Errónea

• Resultado: Bajo especificación errónea del modelo (datos no generados por OT), el estimador converge a la proyección del operador real sobre el conjunto del modelo OT.
• Conjetura: Se conjetura, pero no se demuestra, la continuidad de Hölder de este mapa de proyección; los experimentos numéricos sugieren un exponente efectivo empírico $\alpha_{eff} \in (0, 1)$.

4. Verificación Experimental

Los autores proporcionan una extensa verificación numérica (Experimentos E1–E10) que respalda las afirmaciones teóricas:

• Identificabilidad (T1): Confirma que el rango es independiente del número de marginales pero se degrada a medida que $\varepsilon \to 0$ debido a $\pi_{\min} \to 0$. Se muestra que las características de calibre puro son no identificables.
• Sparsistency (T2): Demuestra transiciones de fase en la probabilidad de recuperación de soporte y valida la tasa de decaimiento exponencial. Observan que, si bien la condición de irrepresentabilidad es suficiente, no es estrictamente necesaria en la práctica para características no estructuradas.
• Bien Poseimiento (T3): Valida la predicción de la constante Lipschitz y observa una forma de "V" en la función de sesgo cuando $\varepsilon'$ varía, confirmando la minimalidad local en el verdadero $\varepsilon$.
• Convergencia (T4): Muestra que la inicialización multiescala mejora significativamente las tasas de éxito de convergencia en comparación con la inicialización aleatoria, alineándose con la existencia de cuencas de atracción locales.
• Especificación Errónea (O5): Muestra que bajo generación no-OT, el estimador proyecta a un punto pseudo-verdadero, y el mapa de proyección exhibe un exponente de Hölder dependiente del entorno.
• Leyes de Escala: Los experimentos revelan que $\pi_{\min}$ decae exponencialmente a medida que $\varepsilon \to 0$, contradiciendo cualquier límite inferior polinomial uniforme y resaltando el mal condicionamiento de IOT en el régimen de baja regularización.

5. Significado y Reivindicaciones

El artículo afirma unificar la teoría estadística y algorítmica del IOT parametrizado por características a través de un único marco espectral. Su importancia radica en:

1. Reducción de la Complejidad: Derivar propiedades estadísticas complejas (identificabilidad, tasas de dispersión, estabilidad, convergencia) a partir de un único límite espectral central derivado de la linealización de Sinkhorn.
2. Constantes Explícitas: Proporcionar constantes computables para cantidades teóricas clave, como el límite de la dimensión de características $F \leq (K-1)^2$, la constante de decaimiento exponencial para la recuperación de la dispersión y la constante Lipschitz para el mapa inverso.
3. Transparencia Geométrica: El proxy espectral ofrece una alternativa geométricamente intuitiva y computacionalmente eficiente para los análisis de norma de operador frente a la linealización exacta.
4. Fundamentos Rigurosos: Ir más allá de los marcos bayesianos o enfoques heurísticos para establecer garantías frecuentistas (recuperación de soporte, consistencia) para IOT, abordando explícitamente la degeneración de calibre y los problemas de especificación errónea que a menudo se pasan por alto en trabajos previos.

Los autores mantienen la modestia respecto a los problemas abiertos, reconociendo que la fuerte monotonía global en espacios no acotados, la prueba de la continuidad de Hölder para el mapa de proyección y los límites de minimax siguen sin resolverse.