論文「Sharp local sparsity of regularized optimal transport」の技術的サマリー

1. 概要

本論文は、正則化された最適輸送（Regularized Optimal Transport: ROT）、特に $L^p$ 型のエントロピー正則化（$p \in (1, 2]$）を用いた場合の解の**局所的な疎性（sparsity）**とその収束速度に関する厳密な解析を行っています。

従来のエントロピー正則化（EOT）では輸送プランのサポートが最大となり、次元の呪いを回避しつつも計算は容易ですが、輸送プランが密（dense）になるという特徴があります。一方、$L^p$ 正則化（ROT）では、正則化パラメータ $\varepsilon \to 0$ の極限において、輸送プランのサポートが元の最適輸送問題のサポートに収束する「疎性」を示すことが知られています。

本研究の主な貢献は、この収束の局所的な速度を厳密に特定し、正則化されたポテンシャル関数の凸性や輸送写像の収束率を導出することにあります。特に、多変量（multivariate）かつ一般の周辺分布（$\lambda \neq \mu$）に対する結果を初めて得た点が重要です。

---

2. 問題設定

2.1 最適輸送問題（OT）

2 つの確率測度 $\lambda$ と $\mu$ 間の最適輸送コストは以下の通り定義されます。
$$\text{OT} := \inf_{\pi \in \Pi(\lambda, \mu)} \int \frac{1}{2}\|x - y\|^2 \, d\pi$$

2.2 正則化された最適輸送問題（ROT）

本研究では、$L^p$ 型の正則化項を加えた以下の問題を扱います（$p \in (1, 2]$）。
$$\text{ROT}_{\varepsilon, p} := \inf_{\pi \in \Pi(\lambda, \mu), \pi \ll \lambda \otimes \mu} \left( \int \frac{1}{2}\|x - y\|^2 \, d\pi + \varepsilon \int h_p\left(\frac{d\pi}{d(\lambda \otimes \mu)}\right) \, d(\lambda \otimes \mu) \right)$$
ここで $h_p(z) = \frac{|z|^{p-1}}{p-1}$ です。$q$ を $p$ のヤング共役（$1/p + 1/q = 1$）とします。

2.3 疎性のメカニズム

ROT の解 $\pi_\varepsilon$ の密度 $\rho_\varepsilon(x, y)$ は、双対変数 $(f_\varepsilon, g_\varepsilon)$ を用いて以下のように表されます。
$$\rho_\varepsilon(x, y) = \frac{1}{\varepsilon^{q-1} q^{q-1}} \left( f_\varepsilon(x) + g_\varepsilon(y) - \frac{1}{2}\|x - y\|^2 \right)_+^{q-1}$$
ここで $(\cdot)_+$ は正部（positive part）を表します。この「正部」の存在により、括弧内の値が負になる領域では密度が 0 となり、輸送プランのサポートが狭まります（疎になります）。

---

3. 主要な仮定と準備

• 測度の性質: $\lambda, \mu$ はコンパクトなサポート $\Omega_0, \Omega_1$ を持ち、$C^{0, \alpha}$ 級の密度関数を持ち、そのサポート上で有界かつ 0 から離れています。
• 最適輸送写像: 最適輸送写像 $T = \nabla \phi: \Omega_0 \to \Omega_1$ は $C^{1, \alpha}$ 微分同相写像であり、その逆写像も同様に滑らかであると仮定します（$\Omega_0, \Omega_1$ が $C^2$ 凸領域の場合に成立）。
• 正則化ポテンシャル: 凸関数 $\varphi_\varepsilon = \|\cdot\|^2/2 - f_\varepsilon$ と $\psi_\varepsilon = \|\cdot\|^2/2 - g_\varepsilon$ を定義します。

---

4. 主要な結果

4.1 内部における厳密な疎性（Theorem 3.1）

$\lambda$ のサポートの内部 $\text{int}(\Omega_0)$ にある点 $x$ に対して、条件付き測度 $\pi_\varepsilon(\cdot | x)$ のサポート $S_x = \{y : \rho_\varepsilon(x, y) > 0\}$ の形状とサイズを記述します。

定理 3.1: 任意のコンパクト集合 $K_0 \Subset \Omega_0$ に対して、十分小さな $\varepsilon$ において、$S_x$ は半径が $\varepsilon^{\frac{1}{d(p-1)+2}}$ のオーダーを持つ球に収束します。具体的には、ある定数 $R_0$ に対して以下の包含関係が成り立ちます。
$$B\left(\nabla \varphi_\varepsilon(x), \frac{1}{R_0} \varepsilon^{\frac{1}{d(p-1)+2}}\right) \subset S_x \subset B\left(\nabla \varphi_\varepsilon(x), R_0 \varepsilon^{\frac{1}{d(p-1)+2}}\right)$$

• 意味: 正則化パラメータ $\varepsilon$ が小さくなるにつれ、各点 $x$ から輸送される点 $y$ の集合 $S_x$ が、最適輸送写像 $\nabla \phi(x)$ の周りに収束し、その直径が $\varepsilon^{\frac{1}{d(p-1)+2}}$ の速度で縮小します。
• 新規性: 既存の研究（González-Sanz and Nutz, Wiesel and Xu）は一次元または自己輸送（$\lambda=\mu$）に限定されていましたが、本研究は多変量かつ一般の周辺分布に対してこの厳密な収束率を証明しました。

4.2 内部における一様強凸性（Corollary 3.2）

定理 3.1 の結果を用いて、正則化ポテンシャル $\varphi_\varepsilon$ のヘッセ行列の性質を解析しました。

結果: 内部の任意のコンパクト集合 $K_0$ において、$\varphi_\varepsilon$ は $\varepsilon \to 0$ に対して**一様強凸（uniformly strongly convex）**になります。
$$\inf_{\|h\|=1} \langle \nabla^2 \varphi_\varepsilon(x) h, h \rangle \ge \frac{1}{C}$$
ここで $C$ は $x$ から境界までの距離に依存する定数です。これは、正則化された問題の解が、極限において滑らかで安定した構造を持つことを示唆しています。

4.3 輸送写像の収束率（Corollary 3.3）

正則化された輸送写像 $\nabla \varphi_\varepsilon$ と、元の最適輸送写像 $\nabla \phi$ の間の $L^2$ 距離の収束率を導出しました。

結果: 任意の $K_0 \Subset \Omega_0$ に対して、
$$\|\nabla \varphi_\varepsilon - \nabla \phi\|_{L^2(K_0)} \le C \varepsilon^{\frac{1}{d(p-1)+2}}$$
この収束率は、サポートの直径の縮小率と一致しており、最適です（sharp）。

---

5. 証明の手法と鍵となるアイデア

1. 二重不等式の構築:

   • 上界: 双対変数の Lipschitz 連続性と、$\xi(x, y) = \langle x, y \rangle - \varphi_\varepsilon(x) - \psi_\varepsilon(y)$ の性質を用いて、$\xi(x, y) \ge 0$ となる領域（サポート）が球内に含まれることを示します。
   • 下界: ヤングの不等式（Fenchel 不等式）と Jensen の不等式を組み合わせ、サポートの中心付近での $\xi$ の値を評価することで、球がサポートに含まれることを示します。

2. レインハーズ輸送定理（Reynolds' Transport Theorem）の適用:

   • 正則化ポテンシャルの二次微分（ヘッセ行列）を解析する際、サポートの境界が $\varepsilon$ に依存して変化する点を考慮する必要があります。
   • 付録 A で示されたレインハーズ輸送定理の拡張版を用いることで、変化する領域上の積分の微分を厳密に扱い、ヘッセ行列の正定値性（強凸性）を証明しました。

3. 自己輸送の具体例による厳密性の確認（Section 6）:

   • 平坦なトーラス上の自己輸送（$\lambda = \mu = \text{Lebesgue}$）という具体的なケースを解析し、双対変数が定数になることを示しました。
   • この場合、サポートの半径が明示的に $\varepsilon^{\frac{1}{d(p-1)+2}}$ に比例することを確認し、得られた収束率が**最適（sharp）**であることを実証しました。

---

6. 意義と貢献

• 理論的深化: $L^p$ 正則化最適輸送の解の幾何学的構造（疎性）を、多変量・一般分布の文脈で初めて定量的に記述しました。
• 収束速度の特定: 正則化パラメータ $\varepsilon$ と解のサポートサイズ、および輸送写像の誤差との関係を、指数 $\frac{1}{d(p-1)+2}$ によって厳密に結びつけました。
• 数値計算への示唆: ROT が EOT に比べて疎な解を持つことは、高次元データにおける計算効率の向上（次元の呪いの回避）に寄与します。本論文で示された収束率は、近似精度と計算コストのトレードオフを設計する際の理論的基盤となります。
• 既存研究の一般化: 一次元や自己輸送に限定されていた既存の結果を、多変量かつ非対称なケースに拡張しました。

総じて、本論文は正則化最適輸送の理論的基盤を強化し、その実用的な有効性を数学的に裏付ける重要な成果です。