Direct Estimation of Schrödinger Bridge Time-Series Drifts: Finite-Sample, Asymptotic, and Adaptive Guarantees

Sintesi Tecnica: Stima Diretta delle Derivate di Serie Temporali del Ponte di Schrödinger

Enunciato del Problema
Il lavoro affronta la stima non parametrica del termine di deriva nei modelli di Serie Temporali del Ponte di Schrödinger (SBTS). I modelli SBTS interpolano tra distribuzioni di probabilità minimizzando l'entropia relativa sullo spazio dei percorsi, collegando il controllo stocastico, il trasporto ottimo entropico e la modellazione generativa basata su diffusione. Sebbene gli SBTS siano stati applicati alla modellazione generativa e al campionamento, la teoria statistica per la stima diretta, basata sui dati, della funzione di deriva rimane limitata.

Gli approcci esistenti tipicamente non trattano la deriva come l'oggetto statistico primario. Invece, si basano sulla stima dei potenziali del trasporto ottimo entropico (OT), sull'esecuzione di iterazioni di Sinkhorn o sulla risoluzione di solver iterativi di ponti. Di conseguenza, le garanzie statistiche in questi metodi sono intrecciate con errori di ottimizzazione, errori di approssimazione ed errori di discretizzazione. Questo lavoro propone un approccio diretto: stimare la deriva stessa da osservazioni i.i.d. di coppie $(X_s, X_u)$ su un singolo intervallo temporale $[s, u]$, isolando l'errore statistico dagli artefatti computazionali.

Metodologia
Gli autori utilizzano la rappresentazione in forma chiusa del rapporto condizionale della deriva SBTS derivata in [14]. Per un intervallo fisso $[s, u)$ e una variabile di condizionamento $\xi = X_s$, la vera deriva $a^*(t, x; \xi)$ è espressa come:
$$a^*(t, x; \xi) = \frac{1}{\Delta(t)} \left( \frac{\mathbb{E}[X_u F(t, \xi, x, X_u) \mid X_s = \xi]}{\mathbb{E}[F(t, \xi, x, X_u) \mid X_s = \xi]} - x \right)$$
dove $\Delta(t) = u - t$ e $F$ è una specifica funzione di pesatura esponenziale che coinvolge sia fattori contrattivi che espansivi.

Lo stimatore proposto è uno stimatore di inserimento (plug-in) diretto di Nadaraya–Watson. Costruisce stime kernelizzate per i termini del numeratore e del denominatore (speranze condizionate) utilizzando un prodotto di funzioni kernel e i dati osservati. Nello specifico, stima direttamente la densità congiunta e i momenti condizionali pesati, quindi forma il rapporto. Gli autori permettono bande di larghezza distinte ($h_1, h_2$) per i componenti del numeratore e del denominatore, ma si specializzano in una scelta diagonale ($h_1=h_2=h$) per l'analisi asintotica e adattiva.

Ipotesi Chiave
L'analisi teorica si basa su tre ipotesi principali:

1. Regolarità del Kernel: Il kernel è limitato, a supporto compatto, Lipschitziano e di ordine specifico $\ell_\beta$.
2. Regolarità della Legge delle Coppie: La distribuzione congiunta di $(X_s, X_u)$ ammette una densità con regolarità di Hölder $\beta$ e un pavimento di densità marginale strettamente positivo ($f_{\min} > 0$).
3. Supporto Limitato: Il supporto delle variabili casuali è contenuto all'interno di un insieme limitato $B$. Questo è un requisito tecnico critico per controllare il fattore esponenziale "espansivo" nel peso SBTS, garantendo che la classe del processo empirico pesato mantenga l'ordine di entropia dei kernel traslati standard.

Contributi e Risultati Chiave

1. Analisi Diretta a Livello di Deriva: Il lavoro disaccoppia l'errore statistico dalla stabilità delle iterazioni di Sinkhorn o dalla discretizzazione delle SDE. Fornisce un'analisi rigorosa dello stimatore della deriva in sé.
2. Limiti Uniformi su Campioni Finiti: Sotto regolarità di Hölder e supporto limitato, gli autori dimostrano un limite non asintotico uniforme per l'errore di stima nello spazio e nel tempo (lontano dalla singolarità terminale $t=u$). Il tasso di convergenza è $O((\log M / M)^{\beta/(2\beta+d)})$, che corrisponde al tasso classico del kernel fino a fattori logaritmici e un fattore terminale $1/\eta$.
3. Normalità Asintotica Puntuale: Sotto condizioni genuine di sottolisciamento (dove la banda di larghezza decade più velocemente del tasso ottimale), lo stimatore soddisfa un Teorema del Limite Centrale (CLT). Il lavoro fornisce una formula esplicita per la varianza asintotica, consentendo la costruzione di intervalli di confidenza puntuali.
4. Ottimalità Minimax Adattiva:
   • Gli autori costruiscono un selezionatore di banda guidato dai dati (basato sul metodo Goldenshluger–Lepski) che soddisfa una disuguaglianza oracolare.
   • Dimostrano un limite inferiore minimax pivotale-locale utilizzando una costruzione a due punti di Le Cam, mostrando che nessuno stimatore può migliorare il tasso $M^{-\beta/(2\beta+d)}$ intorno alle leggi interne.
   • Esponendo un pivot uniforme esplicito che soddisfa specifiche condizioni di compatibilità, estendono questo a un limite inferiore minimax globale.
   • Di conseguenza, il selezionatore adattivo risulta essere ottimale per il tasso minimax fino a fattori logaritmici.

Validazione Sperimentale
La sezione empirica è progettata per verificare le previsioni teoriche piuttosto che mettere in benchmark gli SBTS come modello generativo. Utilizzando dati sintetici con derivate vere note (ponti da Gaussiana a Gaussiana e da Misto a Misto), gli autori dimostrano:

• Recupero del Tasso: La banda oracolare segue la legge di scala su campioni finiti prevista.
• Approssimazione Gaussiana: Le stime puntuali mostrano un comportamento quasi normale e una copertura nominale dell'intervallo di confidenza sotto sottolisciamento.
• Prestazioni Adattive: Il selezionatore guidato dai dati raggiunge prestazioni competitive con l'oracolo (bassi rapporti oracolari) senza colpire i limiti di instabilità, a condizione che venga imposto un limite inferiore sulla dimensione effettiva del campione ($Mh^d \geq 81$).
• Singolarità Terminale: L'errore aumenta quando $t \to u$, coerentemente con il fattore teorico $1/\Delta(t)$, ma l'errore ridimensionato rimane stabile.
• Test di Stress sul Supporto Limitato: Gli esperimenti confermano che rilassare l'ipotesi di supporto limitato aumenta significativamente la varianza e destabilizza lo stimatore, validando la necessità di questa ipotesi per le prove teoriche.

Significato e Affermazioni
Il lavoro afferma di fornire la prima teoria statistica autocontenuta per la stima non parametrica diretta delle derivate SBTS. La sua importanza risiede in:

• Isolamento dell'Errore: Lavorando direttamente a livello di deriva, separa l'errore di stima statistica dagli errori computazionali intrinseci nei solver iterativi (Sinkhorn) o nei metodi basati su potenziali.
• Garanzie Teoriche Precise: Stabilisce che l'approccio diretto tramite kernel è ottimale per il tasso minimax, corrispondente ai limiti fondamentali della regressione non parametrica in questo contesto.
• Fattibilità Pratica: Il selezionatore adattivo si dimostra praticamente efficace, offrendo un'alternativa robusta ai metodi iterativi privi di tuning o computazionalmente costosi.

Gli autori notano le limitazioni, in particolare la dipendenza dal supporto limitato per la strategia di prova attuale e la "maledizione della dimensionalità" intrinseca ai metodi non parametrici. Distinguono inoltre il loro contesto (campioni di traiettorie i.i.d.) dal problema più complesso di stimare le derivate da una singola traiettoria dipendente, che richiede strumenti diversi di processo empirico.