Résumé Technique : Identification Partielle sous des Résultats Potentiels et des Facteurs de Confusion de Haute Dimension via le Transport Optimal

1. Énoncé du Problème

Le papier traite du défi de l'identification partielle (IP) en inférence causale lorsque les résultats potentiels et les facteurs de confusion sont tous deux de haute dimension. Dans de nombreux contextes causaux, l'identification ponctuelle est impossible car la distribution jointe des résultats potentiels n'est pas déterminée par les données observées. Bien que les covariables pré-traitement puissent restreindre l'ensemble des effets causaux réalisables (l'ensemble d'IP), les méthodes existantes basées sur le Transport Optimal (TO) peinent dans les régimes de haute dimension.

Plus précisément, les bornes classiques basées sur le TO souffrent de la malédiction de la dimensionnalité, ce qui conduit à des estimations statistiquement instables et à des taux de convergence défavorables. Les cadres d'IP assistés par covariables existants font souvent face à un arbitrage :

1. La stratification grossière conduit à des bornes excessivement conservatrices.
2. L'estimation directe par injection (plug-in) des distances de Wasserstein conditionnelles est prohibitive sur le plan computationnel et fragile sur le plan statistique.
3. Les méthodes de projection uniquement (par exemple, la Recherche de Projection de Wasserstein) rejettent l'information résiduelle, produisant systématiquement des bornes inférieures trop lâches lorsqu'un écart de transport non négligeable existe dans le complément orthogonal de l'espace projeté.

Le problème central est la construction d'une quantité de transport adaptative à la dimension et statistiquement stable qui serve de borne inférieure valide pour la distance de Wasserstein quadratique dans les hautes dimensions sans sacrifier la validité théorique.

2. Méthodologie : Décomposition par Sous-Espace Conditionné (CSS)

Les auteurs proposent un nouvel estimateur appelé le certificat de Décomposition par Sous-Espace Conditionné (CSS). Cette approche décompose le problème de transport en deux composantes : un sous-espace de signal de faible dimension et un sous-espace résiduel de haute dimension.

2.1 L'Objectif CSS

Pour un sous-espace candidat de dimension $r$, $V$, et son complément orthogonal $V^\perp$, l'objectif CSS $L(V)$ est défini comme :
$$L(V) = W_2^2(\mu_V, \nu_V) + k \cdot SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$$
où :

• $W_2^2(\mu_V, \nu_V)$ est la distance de Wasserstein quadratique au carré sur le sous-espace de signal projeté $V$.
• $SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$ est la distance de Wasserstein découpée (Sliced Wasserstein) sur le sous-espace résiduel $V^\perp$.
• $k = d - r$ est un facteur d'échelle (dimension de l'espace résiduel).

2.2 Justification Théorique

• Validité : Le Théorème 3.1 prouve que $L(V)$ est une borne inférieure valide pour la véritable distance de Wasserstein au carré $W_2^2(\mu, \nu)$. L'échelle par $k$ est cruciale ; sans elle, le terme découpé décroît en $d^{-1}$ et devient vacante. Avec l'échelle, elle fournit une récupération certifiée de l'énergie de transport résiduelle.
• Étroitesse (Tightness) : Sous un Modèle de Transport à Pointe Étendue (ESTM), où l'énergie de transport se concentre sur un sous-espace de signal de faible dimension et où le résidu est approximativement isotrope, la borne CSS est presque étroite. L'écart entre la distance réelle et la borne est régi par un unique déficit d'anisotropie résiduel.
• Stabilité du Sous-Espace : Le Théorème 3.6 démontre que sous l'ESTM, le sous-espace qui maximise l'objectif CSS reste proche du véritable sous-espace de signal (identifié par les valeurs propres du signal), à condition qu'il existe un écart de valeurs propres suffisant entre les composantes de signal et de résidu.

2.3 Algorithme d'Estimation

L'estimateur par injection proposé (Algorithme 1) suit une stratégie en deux étapes :

1. Récupération du Signal : Utiliser la Recherche de Projection de Wasserstein (WPP) pour trouver le sous-espace optimal de dimension $r$, $\hat{U}$, qui maximise la distance de Wasserstein projetée.
2. Récupération du Résidu : Calculer la distance de Wasserstein découpée sur le complément orthogonal $\hat{U}^\perp$ en utilisant l'échantillonnage de Monte Carlo de projections unidimensionnelles aléatoires.
3. Agrégation : Combiner le terme de signal et le terme résiduel mis à l'échelle pour former la borne inférieure finale.

3. Principales Contributions

Le papier apporte trois contributions majeures :

1. Une Borne Inférieure Certifiée : Il introduit la borne inférieure CSS pour les distances de Wasserstein quadratiques, qui sert de région d'identification partielle adaptative à la dimension. Elle produit des bornes inférieures de transport conditionnelles et inconditionnelles certifiées dans les hautes dimensions.
2. Théorie Structurelle : Il formalise le Modèle de Transport à Pointe Étendue (ESTM), sous lequel la borne CSS est presque étroite et le sous-espace optimal est identifié par la WPP. Il établit que l'écart d'approximation est contrôlé par l'anisotropie du transport résiduel.
3. Garanties en Échantillon Fini : Il fournit des bornes d'erreur non asymptotiques pour l'estimateur CSS. Ces bornes s'adaptent à la dimension intrinsèque (rang du signal) plutôt qu'à la dimension ambiante, assurant la tractabilité statistique. L'analyse d'erreur sépare le taux de la dimension intrinsèque du terme de signal du taux paramétrique du terme découpé résiduel.

4. Résultats Expérimentaux

Les auteurs évaluent l'estimateur CSS par rapport aux bases WPP (projection uniquement) et Full Sliced Wasserstein (moyenne sur tout l'espace ambiant).

• Données Synthétiques :

  • Dans un cadre de poussée gaussienne ($d=30$, rang du signal $r=5$), l'estimateur CSS reste systématiquement plus proche de la vérité terrain $W_2^2$ que la WPP.
  • La WPP sous-estime la distance en rejetant l'énergie résiduelle, tandis que la base Full Sliced la sous-estime en raison de la moyenne sur les directions aléatoires dans tout l'espace.
  • Le CSS récupère avec succès l'énergie de transport "perdue" via le terme découpé mis à l'échelle, même lorsque le paramètre d'anisotropie résiduelle augmente.
  • L'analyse en échantillon fini montre que l'erreur de récupération du sous-espace diminue de manière cohérente avec la taille de l'échantillon $n$, démontant ainsi la stabilité.

• Données Réelles (Jeu de données RHC) :

  • Appliqué à un jeu de données de cathétérisme cardiaque droit comportant un vecteur de résultats de dimension 27.
  • Le CSS produit des certificats inférieurs tenus (held-out) plus élevés (plus informatifs) que la WPP à travers diverses dimensions de sous-espace.
  • L'écart entre le CSS et la WPP est plus prononcé aux petites dimensions où plus de variation de résultat subsiste dans le complément orthogonal.
  • Les deux méthodes surpassent la base Full Scaled Sliced-Wasserstein, soulignant l'importance d'apprendre un sous-espace de signal adapté à la tâche.

5. Signification et Revendications

Le papier affirme fournir une primitive géométrique modulaire et adaptative à la dimension qui peut être intégrée dans les cadres existants d'identification partielle assistée par covariables.

• Complémentarité : Ce travail est complémentaire aux recherches antérieures sur l'IP basée sur le TO (ex. Ji et al., 2024 ; Lin et al., 2025). Alors que les travaux précédents se concentrent sur la robustesse inférentielle, la finesse de la relaxation et la cohérence topologique, ce papier traite du goulot d'étranglement statistique de l'estimation du transport en haute dimension.
• "Lunch Gratuit" (Free Lunch) : Les auteurs caractérisent la méthode comme un "lunch gratuit" principiel : elle remplace un problème de transport de haute dimension par une combinaison de TO de faible dimension et de calculs découpés peu coûteux. Sous des conditions légères (isotropie résiduelle), cela permet de récupérer toute l'énergie de transport sans affaiblir la borne.
• Robustesse : La méthode offre une alternative robuste aux stratégies de projection uniquement, qui rejettent systématiquement l'information résiduelle, et à l'estimation directe de haute dimension, qui est statistiquement instable.

Le papier conclut que l'estimateur CSS comble efficacement l'écart de population à l'échelle du signal avec un surcoût minimal en échantillon fini, offrant une primitive robuste pour l'inférence causale en haute dimension là où l'identification ponctuelle est irréalisable.