技術要約：ワッサースタイン投影テスト：高次漸近理論と経験的尤度との関連性

1. 問題の定式化

本論文は、モーメント制約に関する仮説検定の構築と分析を扱う。$n$ 個の独立同一分布（i.i.d.）な観測値 $X_1, \dots, X_n$ から導かれる経験分布 $Q_n$ と、モーメント関数 $h: \mathbb{R}^{d_X} \to \mathbb{R}^{d_h}$ によって定義される帰無モデル $\mathcal{P}_0 = \{P : E_P[h(X)] = 0\}$ が与えられたとき、帰無仮説 $H_0: P_\star \in \mathcal{P}_0$ 対 $H_1: P_\star \notin \mathcal{P}_0$ を検定することを目的とする。

著者らは、**ワッサースタイン投影（Wasserstein Projection; WP）**テストに焦点を当てている。経験的尤度（Empirical Likelihood; EL）が観測された原子（atoms）の重みを再設定することで $\mathcal{P}_0$ へ経験法則を投影するのに対し、WPはサンプル空間内での質量輸送によってこの投影を行う。検定統計量は、経験分布を帰無モーメント制約に適合させるために必要な最小輸送コストとして定義される：
$$R_n(h) = \inf_{P \in \mathcal{P}_0} W_c(Q_n, P)$$
ここで、$W_c$ は二乗マハラノビス距離を基底コストとする $c(\bar{x}, x) = \|\bar{x} - x\|_\Sigma^2$ を用いた最適輸送コストである。検定は、スケーリングされた統計量 $n R_n(h)$ が大きい場合に $H_0$ を棄却する。

既存の理論では、$H_0$ の下で $n R_n(h)$ が二次形式に収束すること（これにより一次の漸近的に妥当な検定が得られること）が確立されているが、この一次の極限は以下の課題を解決できない：

1. 有限サンプルサイズにおける歪み（被覆誤差）の定量化。
2. 同一の限定的な局所べき関数（特にスカラー・モーメントの場合、$d_h=1$）を共有する場合における、WPの競合手法（ELおよびHotellingの$T^2$）に対する検出力の区別。

2. 手法

本論文は、これらのギャップを埋めるために高次漸近解析を展開している。その手法は、帰無仮説およびピットマン型の局所対立仮説の下での WP 統計量の確率的展開を導出することに基づいている。

主要な技術的ステップ：

• 双対表現： 著者らは、投影距離の正確にスケーリングされた双対表現を利用する。統計量は、双対変数 $\zeta$ に関する上限として以下のように表される：
  $$n R_n(h) = \sup_{\zeta \in \mathbb{R}^{d_h}} \left\{ -\zeta^\top H_n - M_n(\zeta) \right\}$$
  ここで、$H_n$ はスケーリングされた経験モーメントであり、$M_n(\zeta)$ は基底コストとモーメント関数を含む凸関数である。
• 確率的展開： $M_n(\zeta)$ を原点付近でテイラー展開し、ヤコビアン、ヘッシアン、およびモーメント包絡線に関する高確率境界を用いて剰余項を制御することにより、統計量の $n^{-1/2}$ のべき乗による展開を導出する。
• エッジワース展開（Edgeworth Theory）： この展開を統計量のエッジワース展開へと変換する。これにより、サイズ誤差（公称信頼水準からの偏差）と局所的なべき力の補正を定量化することが可能となる。
• バートレット型補正（Bartlett-type Corrections）： 展開を $n^{-1}$ の次数まで拡張することで、主要な較正誤差を特定し、被覆精度を向上させるためのバートレット型補正を構築する。
• 認証された計算（Certified Computation）： 投影が閉形式（closed form）を持たないことが多いことを認識し、本論文は「認証された局所双対アルゴリズム」を開発している。このアルゴリズムは、検定決定を分布ロバスト最適化（DRO）問題として再定式化し、強凸性または強凹性が成立するコンパクトなボックスに双対変数を局所化させ、数値誤差に対する厳密な境界を提供することで、検定決定が統計的に妥当であることを保証する。

3. 主要な貢献と結果

A. 高次漸近展開

本論文は、帰無仮説および局所対立仮説の下での $n R_n(h)$ の確率的展開を導出している：
$$n R_n(h) = \langle V_n, \xi_n^{\otimes 2} \rangle + \frac{1}{\sqrt{n}} \langle K_n, \xi_n^{\otimes 3} \rangle + \varepsilon_n$$
ここで、$V_n$ と $K_n$ は $h$ のヤコビアンおよびヘッシアンから導かれる経験テンソルであり、$\xi_n$ はスケーリングされた経験的方向である。剰余項 $\varepsilon_n$ は、高確率で一様に有界である。

B. サイズおよびべき力への影響

• サイズ精度： 得られたエッジワース理論は、プラグイン型の WP テストが $\tilde{O}(n^{-1})$ のサイズ誤差を持つことを示している。これは、一次近似で典型的な $O(n^{-1/2})$ の誤差よりも大幅な改善である。
• 局所的べき力： 局所対立仮説の下で、本論文は局所的べき力に対する明示的な $O(n^{-1/2})$ の補正を特定している。
• EL および $T^2$ との比較： スカラー・モーメント（$d_h=1$）かつ局所的な位置シフトの下では、WP、EL、および Hotelling の $T^2$ は同一の一次局所べき関数を共有する。しかし、それらの二次的なランキングは異なる：
  • WP： べき力の補正は、微分ベースの曲率係数（$h$ のヘッシアンを含む）によって支配される。
  • EL： べき力の補正は、値ベースの歪度係数（$h$ の3次モーメントを含む）によって支配される。
  • $T^2$： この特定の比較レジームにおいては、ゼロの二次補正を持つ。
    本論文は、モーメント関数が値の歪度に対して有利な微分曲率を持つ場合、WP が EL や $T^2$ を上回る可能性があることを示している。

C. バートレット型補正

著者らは、スカラー・モーメント制約に対して展開を $n^{-1}$ の次数まで拡張し、2つのバートレット型補正を構築した。これらの補正は、主要な $O(n^{-1})$ の較正誤差を除去し、信頼領域の被覆精度を $\tilde{O}(n^{-3/2})$ まで向上させる。

D. 認証された計算

本論文は、以下の手順を含むアルゴリズム 1を提案している：

1. 内側の問題が強凸となるコンパクトなボックスに双対探索空間を局所化する。
2. 三分割法（trisection）と射影勾配上昇法を用いて問題を解く。
3. 認証された決定を提供する：アルゴリズムは、計算の不正確さに起因する「誤った棄却」または「誤った採択」の確率が無視できるほど小さくなるよう、数値誤差を制御する。
4. 高確率で $\tilde{O}(n)$ の総計算複雑さを達成し、オーラクル・テストの統計的保証に $\tilde{O}(n^{-1})$ まで一致させる。

4. 重要性と主張

本論文は、最適輸送の幾何学的性質（具体的には基底メトリックとモーメント関数の局所的な変動）が、いつ再重み付けベースの手法である経験的尤度に対して有限サンプルでの優位性をもたらすかを理解するために、高次解析が不可欠であると主張している。

• 理論的洞察： 本研究は、WP の「輸送幾何学」が単なる計算ツールではなく、微分ベースの曲率を通じてべき力に影響を与える統計的特徴であることを明らかにしている。これは、値ベースのモーメントに依存する EL と WP を区別するものである。
• 実用的有用性： 導出されたバートレット補正と認証されたアルゴリズムにより、閉形式の解が存在しない設定（例：非線形な公平性制約）においても、より正確な有限サンプル推論と信頼性の高い検定が可能になる。
• 応用コンテキスト： 著者らは、**公平性テスト（fairness testing）**の実験を用いてこれらの知見を実証している。この設定では、モーメント制約は機会の平等やオッズの平等を符号化する。実験は、「モーメント関数の微分曲率が有利なレジームにおいて、異方的な輸送メトリックを用いた WP が EL や $T^2$ よりも高いべき力を達成できる」という理論的予測を裏付けている。

本論文は、WP、EL、および $T^2$ は一次においては漸近的に等価であるが、高次解析は、モーメント関数の幾何学とデータ分布の相互作用によって駆動される明確に異なる有限サンプル挙動を明らかにするものであると結論付けている。提案された認証アルゴリズムは、統計的妥当性を損なうことなく、これらの理論的利点を実用的に利用可能にすることを保証している。