📊 statistics

Two-Sided Bounds for Entropic Optimal Transport via a Rate-Distortion Integral

यह शोध पत्र यह स्थापित करता है कि पारस्परिक सूचना (म्युचुअल इन्फॉर्मेशन) बाधाओं के तहत एक यादृच्छिक सदिश (रैंडम वेक्टर) और एक मानक सामान्य सदिश (स्टैंडर्ड नॉर्मल वेक्टर) के बीच अधिकतम अपेक्षित आंतरिक उत्पाद (एक्सपेक्टेड इनर प्रोडक्ट), सार्वभौमिक स्थिरांकों तक, दर-विकृति फलन (रेट-डिस्टॉर्शन फंक्शन) के एक खंडित समाकल (ट्रंकेटेड इंटीग्रल) के समकक्ष है, जो एक लिफ्टिंग तकनीक और मेजराइजिंग मेजर थ्योरम के माध्यम से सिद्ध किया गया है।

मूल लेखक: Jingbo Liu

प्रकाशित 2026-04-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Jingbo Liu

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: एक बजट के साथ पहाड़ों को हिलाना

कल्पना कीजिए कि आपके पास रेत के दो ढेर हैं। एक ढेर पूरी तरह से चिकना और गोल है (इसे गौसियन (Gaussian) ढेर कहें, जो एक मानक, अनुमानित वितरण का प्रतिनिधित्व करता है)। दूसरा ढेर एक अजीब, ऊबड़-खाबड़ आकार का है (यह टारगेट (Target) ढेर है, जो किसी भी रैंडम डेटा का प्रतिनिधित्व करता है जिसे आपके पास हो सकता है)।

ऑप्टिमल ट्रांसपोर्ट (Optimal Transport) वह समस्या है जिसमें यह पता लगाना शामिल है कि चिकने ढेर से ऊबड़-खाबड़ ढेर तक रेत ले जाने का सबसे कुशल तरीका क्या है। आप चाहते हैं कि रेत के कणों को इस तरह ले जाया जाए कि उनके द्वारा तय की गई कुल दूरी यथासंभव कम हो।

हालाँकि, यह पेपर एक नया मोड़ जोड़ता है: सूचना बजट (Information Budget)।
कल्पना कीजिए कि आप एक लॉजिस्टिक्स मैनेजर हैं। आप रेत को अपनी मर्जी से कहीं भी नहीं ले जा सकते; आपके पास इस काम को समन्वित करने के लिए कितनी "सूचना" या "संचार" का उपयोग किया जा सकता है, इसकी एक सख्त सीमा है।

बहुत अधिक संचार: आप रेत को बिल्कुल सटीक रूप से, एक-एक कण करके ले जा सकते हैं, लेकिन इसमें बहुत अधिक लागत आती है (उच्च "म्युचुअल इंफॉर्मेशन")।
बहुत कम संचार: आप रेत को सस्ते में ले जाते हैं, लेकिन वह गलत जगह पहुँच जाती है।

यह पेपर पूछता है: यदि हमें एक विशिष्ट सूचना बजट के भीतर रहने के लिए मजबूर किया जाता है, तो हमें सबसे अच्छा संभव "इनर प्रोडक्ट" (एक फैंसी तरीका यह कहने का कि "दो ढेर आपस में कितनी अच्छी तरह मेल खाते हैं") क्या मिल सकता है?

मुख्य खोज: संरेखण के लिए एक "स्पीडोमीटर"

लेखक, जिंगबो लियू (Jingbo Liu), एक आश्चर्यजनक गणितीय सूत्र सिद्ध करते हैं। वह दिखाते हैं कि ऊपर दिए गए प्रश्न का उत्तर सीधे रेट-डिस्टॉर्शन फंक्शन (Rate-Distortion Function) से जुड़ा हुआ है।

उपमा: द कम्प्रेशन नॉब (The Compression Knob)
रेट-डिस्टॉर्शन फंक्शन को एक म्यूजिक प्लेयर पर लगे "कम्प्रेशन नॉब" की तरह समझें।

यदि आप नॉब को लो क्वालिटी (Low Quality) (उच्च डिस्टॉर्शन) पर घुमाते हैं, तो फ़ाइल का आकार (सूचना) बहुत छोटा होता है, लेकिन संगीत बहुत खराब सुनाई देता है।
यदि आप नॉब को हाई क्वालिटी (High Quality) (कम डिस्टॉर्शन) पर घुमाते हैं, तो फ़ाइल का आकार बहुत बड़ा होता है, लेकिन संगीत एकदम सटीक होता है।

पेपर कहता है: आपके दो रेत के ढेरों के बीच अधिकतम संरेखण (Alignment) गणितीय रूप से इस कम्प्रेशन नॉब के वक्र (Curve) के नीचे के क्षेत्र के बराबर है।

यह कहने जैसा है कि: "आप जो सर्वश्रेष्ठ कर सकते हैं वह केवल एक अंदाज़ा नहीं है; यह ठीक से निर्धारित है कि आपको अपने बजट में फिट होने के लिए डेटा को कितना कंप्रेस करना होगा।"

यह पेपर क्यों विशेष है? ("टू-साइडेड" का रहस्य)

इस पेपर से पहले, गणितज्ञों को इस समस्या के लिए एक अपर बाउंड (Upper Bound) (एक ऊपरी सीमा या सीलिंग) पता था। वे जानते थे, "आप X से बेहतर नहीं कर सकते।" लेकिन उनके पास एक ठोस लोअर बाउंड (Lower Bound) (एक निचली सीमा या फ्लोर) नहीं थी जिससे यह साबित हो सके कि आप Y से बुरा नहीं कर सकते।

पुराना दृष्टिकोण: "हम जानते हैं कि आप लॉटरी नहीं जीत सकते, लेकिन हमें यह नहीं पता कि आप दिलासा देने वाले इनाम जीतने की कितनी संभावना रखते हैं।"
नया दृष्टिकोण (यह पेपर): "हम जानते हैं कि आप अधिकतम कितना जीत सकते हैं और न्यूनतम कितना हार सकते हैं। उत्तर एक तंग बॉक्स के भीतर कैद है।"

यह पेपर सिद्ध करता है कि उत्तर दो मानों के बीच सैंडविच (Sandwiched) है जो लगभग एक समान हैं। इसे "टू-साइडेड बाउंड" कहा जाता है। इसका मतलब है कि फॉर्मूला केवल एक मोटा अनुमान नहीं है; यह एक छोटा सा स्थिरांक कारक (Constant Factor) होने तक सटीक सत्य है।

गुप्त हथियार: ओवरफिटिंग से बचने के लिए "रैंडम सैंपलिंग"

लेखक ने इसे कैसे सिद्ध किया? उन्होंने लिफ्टिंग (Lifting) नामक एक चतुर तकनीक का उपयोग किया।

कल्पना कीजिए कि आप एक शहर के लोगों की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं।

पुराना तरीका (टाइप क्लास - Type Class): आप हर उस संभावित संयोजन को देखते हैं जो एक निश्चित विवरण में फिट बैठता है। यह पूरी आबादी को देखने जैसा है। यह सटीक है, लेकिन यदि आप एक साथ सभी लोगों के लिए समन्वय करने की कोशिश करते हैं, तो आप अपने "सूचना बजट" का उपयोग बहुत तेज़ी से कर देंगे। आप "ओवरफिट" हो जाते हैं—आप भीड़ को बहुत अधिक बारीकी से याद कर लेते हैं, जो महंगा है।
नया तरीका (रैंडम सबसेट - Random Subset): लेखक कहते हैं, "आइए हम सभी को न देखें। आइए हम लोगों का एक रैंडम सबसेट (Random Subset) चुनें।"
- क्योंकि सबसेट रैंडम है, इसलिए यह अब पूरी तरह से सममित (Symmetrical) नहीं है।
- हालाँकि, लेखक सिद्ध करते हैं कि यदि आप सही आकार का सबसेट चुनते हैं, तो यह व्यवहार लगभग वैसा ही करता है जैसे कि यह पूरी तरह से सममित होता।
- जादू: इस रैंडम सबसेट का उपयोग करके, वह "ओवरफिटिंग" की लागत से बच जाते हैं। वह सूचना बजट को उड़ाए बिना कुशलतापूर्वक समन्वय कर सकते हैं, फिर भी एक ऐसा परिणाम प्राप्त कर सकते हैं जो गणितीय रूप रूप से पूर्ण, महंगी विधि के समान है।

"एन्ट्रोपिक" कनेक्शन: आपको इसकी परवाह क्यों करनी चाहिए?

आप सोच सकते हैं, "इसका AI से क्या लेना-देना है?"

आधुनिक मशीन लर्निंग (जैसे कि इमेज जेनरेट करने वाला या भाषा अनुवाद करने वाला AI) में, हम अक्सर सिंकहॉर्न एल्गोरिदम (Sinkhorn's Algorithm) नामक एक विधि का उपयोग करते हैं। यह एल्गोरिदम "रेत हिलाने" वाली समस्या को हल करता है लेकिन गणित को आसान और तेज़ बनाने के लिए इसमें थोड़ा सा "शोर" या "एन्ट्रॉपी" जोड़ देता है।

यह पेपर उस शोर के लिए एक नया "नियम पुस्तिका" प्रदान करता है।

यह इंजीनियरों को बताता है कि एक विशिष्ट परिणाम प्राप्त करने के लिए उन्हें कितना "शोर" जोड़ने की आवश्यकता है।
यह सिद्ध करता है कि यह विधि केवल एक भाग्यशाली जुगाड़ नहीं है; यह सूचना सिद्धांत (Information Theory) के मौलिक नियमों में गणितीय रूप से गहराई से जुड़ी हुई है।

एक वाक्य में सारांश

यह पेपर सिद्ध करता है कि डेटा को एक आकार से दूसरे आकार में ले जाने का सबसे अच्छा तरीका, जबकि आप कितना "संचार" उपयोग कर सकते है इसकी सख्त सीमा रखते हैं, यह ठीक से निर्धारित होता है कि आपको उस डेटा को कितना कंप्रेस करना होगा, और वह एक चतुर रैंडम सैंपलिंग ट्रिक का उपयोग करके ऐसा करता है ताकि बहुत अधिक विवरण में उलझने से बचा जा सके।

मुख्य निष्कर्ष (Takeaway): चाहे आप रेत हिला रहे हों, फ़ाइलें कंप्रेस कर रहे हों, या एक AI को प्रशिक्षित कर रहे हों, आप कितना जानते हैं (सूचना) और आप चीजों को कितनी अच्छी तरह संरेखित कर सकते हैं (ट्रांसपोर्ट) के बीच एक मौलिक, अटूट संबंध है। इस पेपर ने अंततः उस लिंक के लिए सटीक समीकरण लिख दिया है।

यहाँ Jingbo Liu के शोध पत्र "Two-Sided Bounds for Entropic Optimal Transport via a Rate-Distortion Integral" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एन्ट्रोपिक ऑप्टिमल ट्रांसपोर्ट (Entropic Optimal Transport - EOT) और सूचना-प्रतिबंधित ऑप्टिमल ट्रांसपोर्ट (Information-Constrained Optimal Transport) के लिए दो-तरफा बाउंड्स (ऊपरी और निचली दोनों) स्थापित करने की समस्या को संबोधित करता है।

विशेष रूप से, लेखक एक मानक गॉसियन वेक्टर $Y \sim \mathcal{N}(0, I_n)$ और एक यादृच्छिक वेक्टर $Z$ (जो एक मनमाने माप $\mu$ के अनुसार वितरित है, जिसका परिमित द्वितीय क्षण/finite second moments है) के बीच अधिकतम अपेक्षित आंतरिक उत्पाद (expected inner product) की जांच करते हैं, जो उनके पारस्परिक सूचना (mutual information) $I(Y; Z) \le R$ के प्रतिबंध के अधीन है। इस मात्रा को इस प्रकार दर्शाया जाता है:
$w(\gamma, \mu, R) := \sup_{P_{YZ} \in \Pi(\gamma, \mu): I(Y; Z) \le R} \mathbb{E}[\langle Y, Z \rangle]$
जहाँ $\Pi(\gamma, \mu)$ उन कपलिंग्स ( $\gamma$ और $\mu$ के बीच) का सेट है।

लेखक रेगुलराइज्ड संस्करण (एन्ट्रोपिक रेगुलराइजेशन) पर भी विचार करते हैं, जिसे लेजेंड्रे-फेंचेल रूपांतरण (Legendre-Fenchel transform) के माध्यम से परिभाषित किया गया है:
$f(\gamma, \mu, \beta) := \sup_{R > 0} \{ w(\gamma, \mu, R) - \beta R \}$

मुख्य चुनौती:
पिछले कार्यों (विशेष रूप से [1]) ने अनियंत्रित मामले ( $R = \infty$ ) के लिए एक "रेट-डिस्टॉर्शन इंटीग्रल" सूत्र स्थापित किया था, जो रेट-डिस्ट्रेशन फंक्शन $R_\mu(\sigma^2)$ वाले इंटीग्रल के साथ समानता दर्शाता है। हालाँकि, इसे प्रतिबंधित/रेगुलराइज्ड मामले तक विस्तारित करना एक खुला प्रश्न था। चुनौती यह सिद्ध करने में निहित है कि जब पारस्परिक सूचना सीमित होती है, तो केवल एक ऊपरी बाउंड प्रदान करने के बजाय, क्या एक समान इंटीग्रल प्रतिनिधित्व (integral representation) दो-तरफा बाउंड्स (यूनिवर्सल कांस्टेंट्स के साथ समानता) के साथ कायम रह सकता है।

2. कार्यप्रणाली (Methodology)

इसका प्रमाण एक परिष्कृत लिफ्टिंग तकनीक (lifting technique) को मेथड ऑफ टाइप्स (Method of Types) और मेजरिंग मेजर थ्योरी (Majorizing Measure Theory) के साथ जोड़कर आधारित है।

A. टाइप क्लास के यादृच्छिक उपसमुच्चय में लिफ्टिंग (Lifting to a Random Subset of the Type Class)

निरंतर मापों (continuous measures) के साथ सीधे काम करने के बजाय, लेखक मेथड ऑफ टाइप्स का उपयोग करके समस्या को एक उच्च-आयामी असतत स्थान (high-dimensional discrete space) में लिफ्ट करते हैं:

विविक्तीकरण (Discretization): निरंतर मापों $\gamma$ और $\mu$ को परिमेय वितरणों (rational distributions) द्वारा अनुमानित किया जाता है।
टाइप क्लासेस (Type Classes): लंबाई $N$ वाली अनुक्रमों (sequences) पर विचार किया जाता है। "टाइप क्लास" $C_\mu$ उन सभी अनुक्रमों का समूह है जिनका अनुभवजन्य वितरण (empirical distribution) $\mu$ है।
यादृच्छिक उपसमुच्चय निर्माण (Random Subset Construction): एक यादृच्छिक उपसमुच्चय $A \subset C_\mu$ का निर्माण किया जाता है, जिसमें $L = \lfloor \exp(NR) \rfloor$ अनुक्रमों को समान रूप से यादृच्छिक रूप से चुना जाता है। इस आकार $L$ का संबंध पारस्परिक सूचना प्रतिबंध $R$ से है।
लिफ्टिंग लेम्मा (Lifting Lemma): शोध पत्र यह सिद्ध करता है कि प्रतिबंधित ट्रांसपोर्ट वैल्यू $w(\gamma, \mu, R)$ , $\gamma$ की टाइप क्लास के एक यूनिफॉर्म सीक्वेंस और यादृच्छिक उपसमुच्चय $A$ के बीच अधिकतम आंतरिक उत्पाद के अपेक्षित मान के रूप में स्पर्शोन्नति (asymptotically equivalent) है:
$w(\gamma, \mu, R) \approx \mathbb{E}\left[ \max_{z^N \in A} \frac{1}{N} \langle Y^N, z^N \rangle \right]$

B. रैंडमाइजेशन के माध्यम से पारस्परिक सूचना को नियंत्रित करना

पूर्ण टाइप क्लास का उपयोग करने वाले पिछले लिफ्टिंग तर्कों की तुलना में यह एक महत्वपूर्ण सुधार है।

पूर्ण टाइप क्लास क्रमपरिवर्तन-अपरिवर्तनीय (permutation-invariant/stationary) होती है, जो टैलगैंड के मेजरिंग मेजर थ्योरम को लागू करना सरल बनाती है, लेकिन स्वाभाविक रूप से पारस्परिक सूचना प्रतिबंध को लागू नहीं करती है।
$\exp(NR)$ आकार के एक यादृच्छिक उपसमुच्चय का चयन करके, लेखक प्रभावी रूप से पारस्परिक सूचना प्रतिबंध लागू करते हैं।
यद्यपि यादृच्छिक उपसमुच्चय सख्त क्रमपरिवर्तन अपरिवर्तनीयता को तोड़ देता है, शोध पत्र तर्क देता है कि शार्प डबल-एक्सपोनेंशियल कंसन्ट्रेशन (sharp double-exponential concentration) के कारण परिणामी प्रक्रिया "स्थिरता के करीब" (close to stationary) है। किसी भी स्थानीय बॉल (local ball) में चयनित बिंदुओं की संख्या लगभग समान होती है, जिससे मेजरिंग मेजर बाउंड्स का अनुप्रयोग संभव हो पाता है।

C. मेजरिंग मेजर थ्योरम का अनुप्रयोग (Application of Majorizing Measure Theorem)

समस्या को सेट $A$ द्वारा इंडेक्स किए गए एक गॉसियन प्रोसेस के सुप्रीमम (supremum) को बाउंड करने में बदल दिया जाता है।

लेखक टैलगैंड के मेजरिंग मेजर थ्योरम का उपयोग करते हैं, जो एक गॉसियन प्रोसेस के अपेक्षित सुप्रीमम को इंडेक्स सेट के मेट्रिक एंट्रॉपी से संबंधित एक ज्यामितीय फलन ( $\gamma_2$ या $\delta_2$ फलन) से जोड़ता है।
इंडेक्स सेट पर मेट्रिक, रेट-डिस्टॉर्शन फंक्शन से व्युत्पन्न है। विशेष रूप से, टाइप क्लास में एक बॉल का प्रायिकता द्रव्यमान (probability mass) $i_\mu(\sigma)$ से संबंधित है।
यादृच्छिक उपसमुच्चय के कंसन्ट्रेशन का विश्लेषण करके, लेखक यह सिद्ध करते हैं कि ज्यामितिक फलन, रेट-डिस्टॉर्शन फंक्शन के एक ट्रंकेटेड इंटीग्रल (truncated integral) के समकक्ष है।

D. कॉनवेक्स ड्यूअलिटी के माध्यम से रेगुलराइजेशन (Regularization via Convex Duality)

रेगुलराइज्ड मामले (थ्योरम 2) के लिए, शोध पत्र $w(\gamma, \mu, R)$ पर इंटीग्रल बाउंड को $f(\gamma, \mu, \beta)$ पर बाउंड में बदलने के लिए एक वेरिएशनल तर्क (लेम्मा 4) का उपयोग करता है। इसमें $R$ पर अनुकूलन (optimization) शामिल है और प्रतिबंध $R$ तथा रेगुलराइजेशन पैरामीटर $\beta$ के बीच कॉनवेक्स कंजुगेट संबंध का उपयोग किया जाता है।

3. मुख्य योगदान (Key Contributions)

प्रतिबंधित EOT के लिए दो-तरफा बाउंड्स:
शोध पत्र स्थापित करता है कि सूचना-प्रतिबंधित ऑप्टिमल ट्रांसपोर्ट लागत, एक ट्रंकेटेड रेट-डिस्टॉर्शन इंटीग्रल के समकक्ष (यूनिवर्सल कांस्टेंट्स तक) है:
$w(\gamma, \mu, R) \asymp \int_0^\infty \sqrt{R \wedge i_\mu(\sigma)} \, d\sigma$
जहाँ $i_\mu(\sigma)$ रेट-डिस्टॉर्शन फंक्शन का एक वेरिएंट है। यह पिछले एक-तरफा बाउंड्स की तुलना में एक महत्वपूर्ण सुधार है।
सटीक टेन्सराइजेशन के साथ रेगुलराइज्ड बाउंड:
शोध पत्र एंट्रोपिक रेगुलराइज्ड ट्रांसपोर्ट के लिए एक स्पष्ट इंटीग्रल बाउंड प्रदान करता है:
$f(\gamma, \mu, \beta) \asymp \int_\beta^\infty \phi(\mu, \alpha) \, d\alpha$
जहाँ $\phi(\mu, \alpha) = \inf_{\sigma > 0} \{ i_\mu(\sigma^2) + \sigma^2/\alpha^2 \}$ ।
महत्वपूर्ण रूप से, यह फॉर्मूलेशन सटीक टेन्सरइजेशन (exact tensorization) (प्रोडक्ट मेजर्स के तहत योज्यता) को संतुष्ट करता है, जिसका अर्थ है कि $f(\gamma_1 \times \gamma_2, \mu_1 \times \mu_2, \beta) = f(\gamma_1, \mu_1, \beta) + f(\gamma_2, \mu_2, \beta)$ । यह गुण उच्च-आयामी अनुप्रयोगों के लिए आवश्यक है।
परिष्कृत लिफ्टिंग तकनीक:
लेखक पूर्ण क्लास के बजाय टाइप क्लास के यादृच्छिक रूप से चयनित उपसमुच्चय का उपयोग करके लिफ्टिंग पद्धति में एक नया सुधार पेश करते हैं। यह विधि उन्हें मेजरिंग मेजर बाउंड्स के लिए आवश्यक ज्यामितिक गुणों को बनाए रखते हुए पारस्परिक सूचना प्रतिबंधों को सीधे संभालने की अनुमति देती है।
मेजरिंग मेजर प्रमाणों का सरलीकरण:
परिणाम शुद्ध रूप से विश्लेषणात्मक "इन्क्रीमेंटल फॉर्म" (incremental form) के माध्यम से मेजरिंग मेजर थ्योरम को सिद्ध करने का एक संभावित मार्ग सुझाते हैं, जो मौजूदा संभाव्य (probabilistic) प्रमाणों का एक सरल विकल्प हो सकता है।

4. मुख्य परिणाम (Main Results)

थ्योरम 1 (प्रतिबंधित मामला): मानक गॉसियन $\gamma$ और मनमाने $\mu$ के लिए, प्रतिबंधित ट्रांसपोर्ट कॉस्ट $w(\gamma, \mu, R)$ , $\sqrt{R \wedge i_\mu(\sigma)}$ के इंटीग्रल के स्थिरांकों (constants) द्वारा ऊपर और नीचे से बाउंड है।
थ्योरम 2 (रेगुलराइज्ड मामला): रेगुलराइज्ड ट्रांसपोर्ट कॉस्ट $f(\gamma, \mu, \beta)$ , $\beta$ से $\infty$ तक $\phi(\mu, \alpha)$ के इंटीग्रल द्वारा स्थिरांकों से बाउंड है।
टेन्सरइजेशन प्रॉपर्टी: रेगुलराइज्ड बाउंड प्रोडक्ट मेजर्स के लिए योज्य (additive) है, जो कि प्रतिबंधित फॉर्मूलेशन से स्पष्ट नहीं है लेकिन यहाँ स्वाभाविक रूप से प्राप्त होता है।
सत्यापन (Verification): बाउंड्स को गॉसियन $\mu$ के लिए सत्यापित किया गया है (जहाँ वे ज्ञात स्थिरांकों या $1/\beta$ जैसे विशिष्ट ऑर्डर्स में अभिसरित होते हैं), जो परिणामों की सटीकता की पुष्टि करता है।

5. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक एकीकरण: यह कार्य ऑप्टिमल ट्रांसपोर्ट, सूचना सिद्धांत (रेट-डिस्टॉर्शन), और स्टोकेस्टिक प्रोसेस (मेजरिंग मेजर थ्योरम) को एकीकृत करता है। यह दिखाता है कि "रेट-डिस्टॉर्शन इंटीग्रल" एक मौलिक वस्तु है जो सूचना प्रतिबंधों के तहत ऑप्टिमल ट्रांसपोर्ट को नियंत्रित करती है।
एल्गोरिद्मिक निहितार्थ: एंट्रोपिक रेगुलराइजेशन सिंकहॉर्न एल्गोरिदम (Sinkhorn algorithm) की रीढ़ है, जिसका उपयोग जनरेटिव मॉडल और डिस्ट्रीब्यूशन मैचिंग के लिए व्यापक रूप से किया जाता है। रेगुलराइज्ड कॉस्ट के सटीक व्यवहार को समझना बेहतर कन्वर्जेंस रेट एनालिसिस और एल्गोरिदम डिजाइन की ओर ले जा सकता है।
सांख्यिकीय अनुप्रयोग: शोध पत्र नोट करता है कि इन शार्प बाउंड्स के सांख्यिकीय रिग्रेशन दरों और सब-गॉसियन तुलना थ्योरम्स के लिए परिणाम होते हैं, जो उच्च-आयामी सांख्यिकीय अनुमानकों के सैद्धांतिक गारंटियों में सुधार कर सकते हैं।
नया प्रमाण प्रतिमान (New Proof Paradigm): लिफ्टिंग के माध्यम से सूचना-सैद्धांतिक असमानताओं से मेजरिंग मेजर थ्योरम (या समकक्ष रूपों) को प्राप्त करके, यह शोध पत्र संभाव्यता सिद्धांत के एक क्लासिक परिणाम के लिए एक नया दृष्टिकोण प्रदान करता है, जो यह सुझाव देता है कि सूचना-सैद्धांतिक उपकरण जटिल ज्यामितिक संभाव्यता प्रमाणों को सरल बना सकते हैं।