技術的概要：最小スライス輸送計画による効率的な転移可能最適輸送

問題定義

最適輸送（OT）は、確率分布間の対応関係を確立するための原理的な枠組みを提供し、ドメイン適応や生成モデルから単一細胞解析や形状マッチングに至るまで、多様な応用分野で利用されています。しかし、正確な OT 計画の計算は計算コストが高く、サンプル数に対して立方的にスケーリングします。「スライス」手法は、高次元分布を 1 次元周辺分布に射影することで効率的な代替手段として登場しましたが、既存のアプローチには 2 つの主要な限界があります：

1. 明示的計画の欠如：多くのスライス手法は距離を計算しますが、明示的な輸送計画を復元できません。
2. 反復タスクにおける非効率性：現在の効率的な OT ソルバーは、単一インスタンスの問題向けに設計されています。発展生物学や逐次画像翻訳など、変化する、あるいは構造的に類似した分布を扱う実世界のシナリオでは、先行する解からの貴重な情報が破棄され、ソルバーはすべてを最初から再計算することを余儀なくされます。

ここで扱われる中心的な問いは、ある分布のペアに対して学習された「スライサー（射影関数）」が、見知らぬ関連する分布のペアに対して最適な輸送計画を生成するために効果的に転移可能かどうかです。

手法

本論文は、学習可能な一般化スライサーと転移可能性の理論的基盤を統合する**最小スライス輸送計画（min-STP）**フレームワークを提案します。

1. 最小スライス輸送計画（min-STP）

このフレームワークは、射影空間からの 1 次元最適輸送計画を、単射写像 $f$ を介して環境空間へ持ち上げるスライス輸送計画（STP）に基づいています。最も効率的な計画を見つけるため、この手法はパラメトリック関数のクラス $\mathcal{F}$ における輸送コストを最小化します：
$$\text{min-STP}_p(\mu, \nu) = \min_{f \in \mathcal{F}} \text{STP}_p(\mu, \nu; f)$$
この定式化は、特定のケースでは min-SWGG や微分可能な一般化スライス・ワッサーシュタイン計画（DGSWP）と一致しますが、ここでは転移可能性をサポートするように拡張されています。

2. 理論的転移可能性

核心的な理論的貢献は、転移可能性定理です。著者らは、最適化されたスライサーが、ソース分布とターゲット分布の小さな摂動に対して安定であることを示しました。

• 摂動モデル：スライサーの射影にラプラスノイズを加えることで、滑らかな目的関数 $J_\eta$ を導入します。これにより、射影の単射性が保証され、微分可能なソートが可能になります。
• 安定性の結果：Berge の最大値定理と関数クラス $\mathcal{F}$ のコンパクト性を用いて、2 つの分布ペア $(\mu_1, \nu_1)$ と $(\mu_2, \nu_2)$ がワッサーシュタイン距離で近い場合（すなわち $OT_p(\mu_1, \mu_2) + OT_p(\nu_1, \nu_2) < \tau$）、それらの最適スライサー $f_1^*$ と $f_2^*$ は一様ノルムで近い（$\|f_1^* - f_2^*\|_\infty < \epsilon$）ことを証明しました。
• 含意：これは、償却型スライサーの再利用に対する最初の理論的基盤を提供し、ソースタスクで学習されたスライサーが、関連するターゲットタスクに対する効果的な初期化または事前分布として機能することを可能にします。

3. 計算実装：LapSum とミニバッチ

スケーラビリティと微分可能性を達成するために、この手法は 2 つの主要な技術を採用しています：

• LapSum（滑らかなソート）：DGSWP のようにガウスノイズと制御変数を使用すると高分散に陥る可能性があるのに対し、著者らはLapSumを利用します。ラプラスノイズを注入することで、滑らか化された射影の逆累積分布関数（CDF）の閉形式表現を導出します。これにより、$O(n \log n)$ の計算量と $O(n)$ のメモリで微分可能なソートとランク推定が可能となり、1 次元 OT 問題を反復して解く必要を回避します。
• ミニバッチ定式化：大規模データセットを処理するために、著者らは min-STP 損失のミニバッチ版を導入しました。バッチサイズが増加するにつれてミニバッチ目的関数がフルバッチ目的関数に収束することを示す統計的レートを提供し、その境界は射影分布の分位点モジュリに依存します。

主要な貢献

1. 転移可能性の特性評価：最適化されたスライサーの転移可能性を特性評価し、ソースとターゲットの小さな摂動下でもスライサーが近接し続けることを証明し、関連タスク間での効率的な再利用を可能にしました。
2. ミニバッチのための統計的レート：ソースとターゲットのミニバッチを用いて最適化されたスライサーに対する有限サンプルの統計的レートを導出し、このアプローチのスケーラビリティに対する理論的保証を提供しました。
3. 実証的検証：この手法は、3D ポイントクラウドの整列、平均フロー生成、非対画像間翻訳という 3 つの異なるドメインにおいて、強力なワンショットマッチング性能を達成し、償却型トレーニングを促進することが実証されました。

実験結果

著者らは、いくつかのベンチマークで転移可能な min-STP フレームワークを評価しました：

• 漸移ドリフト（合成データ）：徐々に変化する分布のペア（回転とズーム）のシーケンスにおいて、前のタスク（$t-1$）で事前学習されたスライサーは、タスク $t$ に適用された際、ランダム初期化に比べて目的関数のコストが著しく低い値から開始しました。これは、学習されたスライサーが永続的な幾何学的構造を捉えていることを確認しました。
• ポイントクラウドの整列（ModelNet10）：オブジェクトカテゴリ（例：机、ソファ）のすべてのトレーニングペアでトレーニングされた償却型スライサーを、未見のペアでテストしました。償却型 min-STP は、各ペアごとに個別のスライサーをトレーニングするペアごとの min-STP と比較して、正確な OT とのピアソン相関が同等であり、ランダムスライサーやワッサーシュタイン・ワームホールなどのベースラインを大幅に上回りました。
• フローベース生成（ShapeNet）：MeanFlow を用いた単一ステップ生成設定において、min-STP は低い計算時間と真値への低いワッサーシュタイン距離（$W_2$）を両立し、効率性と精度のトレードオフにおいてベースラインを上回りました。
• 画像翻訳（FFHQ）：非対画像間翻訳（成人から子供へ）において、転移可能な min-STP 構造は、輸送計画を共有スライサーを通じて計算する効率的なトレーニングを可能にしました。これに対し、他の手法は各バッチごとに計画を再計算する必要がありました。

意義と主張

本論文は、最適輸送における償却型スライサーの再利用に対する最初の理論的基盤を提供すると主張しています。分布の類似性とスライサーの近接性の間に形式的なリンクを確立することで、この研究は、孤立した OT 計算から、関連する問題全体にわたる適応的かつ償却型の OT への移行を可能にします。

その意義は以下の点にあります：

• 効率性：関連する分布のペアに対して、輸送計画を最初から再計算する必要性を排除します。
• スケーラビリティ：LapSum とミニバッチトレーニングの組み合わせにより、輸送計画の品質を犠牲にすることなく、大規模な OT を実現可能にします。
• 汎化：単一の幾何学認識型スライサーが、3D 形状、画像、合成分布など多様なドメインにわたって汎化できることを実証し、動的でマルチドメインの設定におけるスケーラブルな OT の道を開きました。

著者らは、理論的結果は現在離散的設定に適用されるものであり、転移が効果的であるためにはソースとターゲットのペアが十分に類似しているという仮定に依存していると指摘しています。