Résumé Technique : Linéarisation de Sinkhorn et le Proxy Spectral

1. Énoncé du Problème

Cet article traite du problème de l'Optimal Transport Inverse (IOT) dans un cadre de coût paramétré par des caractéristiques, $C_\theta(i, j) = -\theta^\top \phi(i, j)$. Contra à les formulations classiques de l'IOT qui supposent souvent des coûts explicites ou de faible dimension, ce travail se concentre sur la récupération du paramètre de coût creux $\theta$ à partir d'opérateurs de transition conditionnels observés (données de transition d'état) induits par un plan de transport optimal entropique (OT).

Le défi central réside dans la relation non linéaire et de haute dimension entre les paramètres de coût et les plans de transport observés, compliquée par :

• La dégénérescence de jauge (Gauge Degeneracy) : Le plan OT est invariant par l'ajout de constantes de lignes et de colonnes au coût (le sous-espace de jauge $G$), ce qui entraîne une non-identifiabilité de $\theta$ dans l'espace de paramétrage original.
• L'inférence statistique : La récupération de $\theta$ à partir d'échantillons finis d'opérateurs de transition nécessite d'établir l'identifiabilité, les taux de récupération de la parcimonie, la stabilité et les garanties de convergence.
• La spécification erronée (Misspecification) : Les données réelles peuvent ne pas suivre strictement le modèle OT, nécessissant une analyse de l'endroit où l'estimateur converge lorsque le mécanisme générateur de données réel s'écarte de l'hypothèse OT.

2. Méthodologie et Contributions Techniques Centrales

L'innovation technique centrale de l'article est la Linéarisation de Sinkhorn et son Proxy Spectral associé.

Linéarisation de Sinkhorn

En appliquant la différenciation implicite aux conditions de Karush-Kuhn-Tucker (KKT) du problème d'OT entropique, les auteurs dérivent la réponse linéaire exacte du plan de transport $\pi$ aux perturbations du coût $C$. La relation est donnée par :
$$\delta x = -B H_T^{-1} B^\top \delta c$$
où $x = \text{vec}(\pi)$, $c = \text{vec}(C)$, $B$ est une base orthonormée pour l'espace tangent de l'polytope de transport, et $H_T$ est le Hessien restreint de l'objectif entropique sur l'espace tangent.

Le Sandwich Spectral et le Proxy

Un lemme critique établit un sandwich spectral pour l'inverse du Hessien restreint :
$$\frac{\pi_{\min}}{\varepsilon} I \preceq H_T^{-1} \preceq \frac{\pi_{\max}}{\varepsilon} I$$
où $\pi_{\min}$ et $\pi_{\max}$ sont les entrées minimale et maximale du plan entropique, et $\varepsilon$ est le paramètre de régularisation.

Pour fournir une transparence géométrique et une efficacité computationnelle, les auteurs introduisent le Proxy Spectral (SSP) :
$$\delta x_{SSP} = -\frac{1}{\varepsilon} P_T D_\pi P_T \delta c$$
Cette formule (projeter sur l'espace tangent $\to$ multiplier élément par élément par $\pi$ $\to$ projeter à nouveau) n'est pas égale élément par élément à la dérivée exacte, mais elle est spectralement exacte, préservant les mêmes bornes de valeurs singulières supérieures et inférieures que la linéarisation exacte. Cela permet à tous les développements statistiques ultérieurs d'être dérivés en utilisant le proxy plus simple.

La Borne Spectrale Centrale

La combinaison du sandwich spectral avec la structure de coût paramétrée par des caractéristiques produit la borne spectrale centrale qui pilote toute la théorie :
$$\sigma_{\min}(J_\theta) \geq \frac{\pi_{\min}}{a_{\max} \varepsilon} \sqrt{\lambda_{\min}(\Sigma)}$$
où $J_\theta$ est le Jacobien de l'opérateur de transition par rapport à $\theta$, $a_{\max}$ est la masse marginale maximale, et $\Sigma$ est la matrice de Gram des vecteurs de caractéristiques nettoyée de la jauge.

3. Résultats Théoriques Clés

L'article établit quatre théorèmes et une observation, tous émanant de la borne spectrale centrale.

T1 : Identifiabilité

• Résultat : Le paramètre $\theta$ est globalement identifiable sur l'espace quotient $F / N_\Phi$ (où $N_\Phi$ est le noyau de jauge), à condition que la dimension des caractéristiques satisfasse $F \leq (K-1)^2$ et que la condition de rang $\text{rank}(\Sigma) = F$ soit respectée.
• Mécanisme : L'identifiabilité est prouvée via un argument de composition en trois étapes : (1) la paramétrisation linéaire est injective modulo la jauge ; (2) la application de Sinkhorn est injective modulo la jauge (en raison de la convexité stricte du dual) ; (3) la normalisation aux opérateurs conditionnels est linéaire et injective.
• Note : L'identifiabilité de l'échelle de couplage $(\theta, \varepsilon) \to (c\theta, c\varepsilon)$ est résolue en fixant $\varepsilon$ ou en imposant une contrainte de normalisation.

T2 : Sparcensité (Sparsistency)

• Résultat : L'estimateur pénalisé par $\ell_1$ récupère le support vrai de $\theta$ avec une probabilité d'échec décroissant exponentiellement.
• Conditions : Nécessite la condition d'irreprésentabilité sur la matrice d'information OT réelle, la concentration du score de toutes les coordonnées, et une condition de sélection globale.
• Taux : La probabilité d'échec décroît comme $\exp(-C_2 n t_n^2)$, où $C_2 = 2/\Delta_{\max}^2$ et $\Delta_{\max}$ est la plage du score par échantillon dérivé du proxy spectral.

T3 : Bien-poséité et Stabilité

• Résultat : L'application inverse de l'opérateur observé vers le paramètre de coût est fortement monotone et Lipschitz continue.
• Local vs Global :
  • Local : La forte monotonie tient sur tout sous-ensemble convexe compact sans nécessiter de compacité globale.
  • Global : Requiert que le domaine des paramètres soit compact pour assurer une borne inférieure uniforme sur $\pi_{\min}$.
• Borne de Lipschitz : L'application inverse possède une constante de Lipschitz $L \leq \frac{\varepsilon \|\Phi^\top S_a\|_{op}}{\pi_{\min} \lambda_{\min}(\Sigma)}$.
• Biais : Si l'estimateur utilise un niveau de régularisation $\varepsilon' \neq \varepsilon$, le biais est de l'ordre de $O(|\varepsilon' - \varepsilon|)$.

T4 : Convergence

• Résultat : L'objectif de l'entropie croisée de la population est localement fortement convexe autour du vrai paramètre $\theta^*$.
• Convergence : La descente de gradient avec un pas suffisamment petit converge de manière monotone vers un minimum local.
• Courbure : Le Hessien à la vérité est défini positif avec une borne inférieure $\mu \geq \frac{\pi_{\min}^2 \lambda_{\min}(\Sigma)}{\varepsilon^2}$. Le Hessien empirique se concentre sur le Hessien de la population à un taux de $O(n^{-1/2})$.

O5 : Analyse de la Spécification Erronée

• Résultat : Sous spécification erronée (données non générées par OT), l'estimateur converge vers la projection de l'opérateur vrai sur l'ensemble du modèle OT.
• Conjecture : La continuité de Hölder de cette application de projection est conjecturée mais non prouvée ; les expériences numériques suggèrent un exposant effectif empirique $\alpha_{eff} \in (0, 1)$.

4. Vérification Expérimentale

Les auteurs fournissent une vérification numérique étendue (Expériences E1–E10) soutenant leurs affirmations théoriques :

• Identifiabilité (T1) : Confirme que le rang est indépendant du nombre de marginales mais se dégrade quand $\varepsilon \to 0$ à cause de $\pi_{\min} \to 0$. Les caractéristiques de jauge pure sont montrées comme étant non identifiables.
• Sparcensité (T2) : Démontre des transitions de phase dans la probabilité de récupération du support et valide le taux de décroissance exponentielle. Il note que si la condition d'irreprésentabilité est suffisante, elle n'est pas strictement nécessaire en pratique pour des caractéristiques non structurées.
• Bien-poséité (T3) : Valide les prédictions de la constante de Lipschitz et observe une forme en "V" dans la fonction de biais lorsque $\varepsilon'$ varie, confirmant la minimalité locale au vrai $\varepsilon$.
• Convergence (T4) : Montre que l'initialisation multi-échelle améliore significativement les taux de succès de convergence par rapport à une initialisation aléatoire, s'alignant sur l'existence de bassins d'attraction locaux.
• Spécification Erronée (O5) : Montre que sous une génération non-OT, l'estimateur projette vers un point pseudo-vrai, et que l'application de projection présente un exposant de Hölder dépendant du contexte.
• Lois d'Échelle : Les expériences révèlent que $\pi_{\min}$ décroît exponentiellement quand $\varepsilon \to 0$, contredisant toute borne inférieure polynomiale uniforme et soulignant le mauvais conditionnement de l'IOT dans le régime de faible régularisation.

5. Signification et Revendications

L'article prétend unifier la théorie statistique et algorithmique de l'IOT paramétré par des caractéristiques à travers un cadre spectral unique. Sa signification réside dans :

1. Réduction de la Complexité : Dériver des propriétés statistiques complexes (identifiabilité, taux de parcimonie, stabilité, convergence) à partir d'une seule borne spectrale centrale dérivée de la linéarisation de Sinkhorn.
2. Constantes Explicites : Fournir des constantes calculables pour des quantités théoriques clés, telles que la borne de dimension des caractéristiques $F \leq (K-1)^2$, la constante de taux exponentiel pour la récupération de la parcimonie, et la constante de Lipschitz pour l'application inverse.
3. Transparence Géométrique : Le proxy spectral offre une alternative géométriquement intuitive et computationnellement efficace à la linéarisation exacte pour les analyses de norme d'opérateur.
4. Fondations Rigoureuses : Aller au-delà des cadres bayésiens ou des approches heuristiques pour établir des garanties fréquentistes (récupération du support, consistance) pour l'IOT, en traitant explicitement les problèmes de dégénérescence de jauge et de spécification erronée souvent négligés dans les travaux antérieurs.

Les auteurs restent modestes concernant les problèmes ouverts, reconnaissant que la forte monotonie globale sur des espaces non bornés, la preuve de la continuité de Hölder pour l'application de projection, et les bornes minimax restent non résolus.