Globally Solving Unbalanced Optimal Transport and Density Control for Gaussian Distributions

Riepilogo Tecnico: Risoluzione Globale del Trasporto Ottimo Squilibrato e del Controllo della Densità per Distribuzioni Gaussiane

Formulazione del Problema
Il documento affronta due problemi interconnessi: il Trasporto Ottimo Squilibrato (UOT) e la sua estensione dinamica di teoria del controllo, il Controllo della Densità Squilibrato (UDC).

1. UOT Statico: Dati due misure di riferimento gaussiane, $\alpha = c_\alpha \mathcal{N}(m_\alpha, \Sigma_\alpha)$ e $\beta = c_\beta \mathcal{N}(m_\beta, \Sigma_\beta)$, l'obiettivo è trovare un piano di trasporto $\pi$ che minimizzi la somma del costo quadratico di trasporto e delle penalità di Kullback–Leibler (KL) sulle marginali rispetto ai riferimenti. A differenza dell'OT classico bilanciato, la massa totale del piano di trasporto non è fissata a priori; le penalità KL permettono alle marginali di discostarsi dai riferimenti, trattando efficacemente la creazione/distruzione di massa come una variabile di ottimizzazione.
2. UDC Dinamico: Gli autori estendono ciò a sistemi lineari a tempo discreto ($x_{t+1} = Ax_t + Bu_t$). L'obiettivo è guidare una misura di stato da un tempo iniziale a un tempo terminale. Le distribuzioni iniziale e terminale non sono vincoli rigidi, ma sono penalizzate tramite divergenza KL rispetto a riferimenti gaussiani. La funzione di costo include lo sforzo di controllo quadratico atteso e le penalità KL agli estremi. La massa totale della misura di stato è preservata dalla dinamica ma non è prescritta dai riferimenti.

Metodologia e Riduzione Gaussiana
Il contributo metodologico centrale è la dimostrazione che questi problemi variazionali infinito-dimensionali ammettono riduzioni esatte a dimensione finita quando le misure di riferimento sono gaussiane.

• Caso Statico (UOT): Gli autori dimostrano che per qualsiasi piano di trasporto ammissibile, esiste un piano di trasporto gaussiano con lo stesso (o inferiore) costo. Nello specifico, la soluzione ottima è caratterizzata da marginali gaussiane e da una mappa di accoppiamento affine. Ciò riduce il problema all'ottimizzazione rispetto alla massa ($c$), alle medie ($m_1, m_2$) e alle covarianze ($\Sigma_1, \Sigma_2$).

  • L'ottimizzazione si disaccoppia: in primo luogo, viene risolto un problema convesso sui momenti (medie e covarianze). In secondo luogo, la massa ottima è calcolata tramite un aggiornamento scalare in forma chiusa derivato dal valore ottimo del problema dei momenti.
  • Questo approccio è esteso anche all'UOT Entropico (EUOT), dove è inclusa una penalità KL aggiuntiva sul piano congiunto rispetto alla misura prodotto.

• Caso Dinamico (UDC): Gli autori stabiliscono che qualsiasi soluzione ammissibile (coinvolgente misure generali e politiche di controllo) può essere sostituita, senza perdita di ottimalità, da una misura iniziale gaussiana e da una politica di feedback affine-gaussiana.

  • La politica di controllo assume la forma $u_t = K_t(x_t - m_t) + v_t + w_t$, dove $w_t$ è rumore gaussiano.
  • Utilizzando tecniche standard di sollevamento per la guida della covarianza ($S_t = K_t \Sigma_t$, $Y_t = K_t \Sigma_t K_t^\top + \Sigma^u_t$), i vincoli bilineari non convessi sono trasformati in un Programma Semidefinito (SDP).
  • Analogamente al caso statico, il problema si separa in un SDP convesso sui momenti e sui parametri di controllo (per una massa fissa) e in un'ottimizzazione scalare in forma chiusa per la massa ottima.
  • Il documento stabilisce inoltre che, se la sequenza ottima di covarianze dello stato rimane definita positiva, la politica ottima è deterministica (ovvero, la covarianza del rumore di controllo $\Sigma^u_t$ si annulla).

• UDC a Massima Entropia (MaxEnt UDC): Il quadro teorico è ulteriormente esteso per includere una ricompensa di entropia sulla politica di controllo. Gli autori mostrano che la soluzione ottima rimane all'interno della classe gaussiana e forniscono una formulazione convessa rilassata (tramite complemento di Schur) che è dimostrata essere stretta, garantendo l'ottimalità globale.

Risultati Chiave e Algoritmi

• Esistenza: Il documento dimostra l'esistenza di minimizzatori globali sia per i problemi UOT che UDC ridotti.
• Algoritmi:
  • Algoritmo 1: Risolve il problema UOT statico risolvendo prima un'ottimizzazione convessa dei momenti e applicando poi un aggiornamento della massa in forma chiusa.
  • Algoritmo 2: Risolve il problema UDC risolvendo un SDP per i parametri di traiettoria e controllo a massa fissa, seguito da un aggiornamento della massa in forma chiusa.
• Validazione Numerica: Le simulazioni dimostrano che, all'aumentare del parametro di penalità $\gamma$, le marginali ottimali convergono alle misure di riferimento, recuperando il comportamento standard dell'OT bilanciato. Nell'ambito dinamico, il metodo guida con successo le misure di stato bilanciando l'adattamento agli estremi e lo sforzo di controllo, con la capacità di regolare la massa trasportata.

Significato e Affermazioni
Il documento afferma di fornire metodi di soluzione globalmente ottimali per UOT e UDC gaussiani, andando oltre approcci euristici o approssimati. Il significato principale risiede in:

1. Riduzione Esatta: Dimostrare che, nonostante la natura infinito-dimensionale dei problemi originali, le soluzioni ottime per riferimenti gaussiani sono strettamente confinate alla classe gaussiana, permettendo riformulazioni esatte a dimensione finita.
2. Risolvibilità Globale: Separando l'ottimizzazione della massa dall'ottimizzazione dei momenti e utilizzando rilassamenti convessi (SDP), gli autori forniscono algoritmi che garantiscono l'ottimalità globale piuttosto che minimi locali.
3. Quadro Unificato: Il lavoro unifica il trasporto statico e il controllo dinamico sotto un unico paradigma "squilibrato", dove la massa è una variabile decisionale piuttosto che un vincolo fisso. Ciò è particolarmente rilevante per applicazioni in cui le distribuzioni agli estremi sono profili di riferimento piuttosto che vincoli rigidi, e dove la massa totale può variare a causa di incertezza o osservabilità parziale.

Gli autori notano che, sebbene i problemi ridotti non siano congiuntamente convessi nella loro forma grezza, le tecniche di separazione e sollevamento proposte li rendono trattabili. Identificano inoltre direzioni future, come l'applicazione del quadro teorico all'analisi di dati di sequenziamento dell'RNA a singola cellula e l'instaurazione di connessioni con il problema del Ponte di Schrödinger squilibrato, ma non affermano di aver risolto queste specifiche applicazioni all'interno di questo lavoro.