技術要約：Sinkhorn 線形化とスペクトル・プロキシ

1. 問題設定

本論文は、特徴量パラメータ化されたコスト $C_\theta(i, j) = -\theta^\top \phi(i, j)$ を用いる設定における逆最適輸送（Inverse Optimal Transport; IOT）問題を取り扱う。明示的または低次元のコストを仮定することが多い従来の IOT 定式化とは異なり、本研究は、エントロピー正則化付き最適輸送（OT）プランによって誘導される条件付き遷移演算子（状態遷移データ）から、疎なコストパラメータ $\theta$ を回収することに焦点を当てている。

核心となる課題は、コストパラメータと観測された輸送プランとの間の非線形かつ高次元な関係にあり、以下の要因によって複雑化している：

• ゲージ退化（Gauge Degeneracy）: OT プランは、コストに列および行の定数を加える操作に対して不変である（ゲージ部分空間 $G$）。これにより、元のパラメータ空間における $\theta$ の非識別性が生じる。
• 統計的推論: 有限の遷移演算子のサンプルから $\theta$ を回収するためには、識別性、疎性回復率、安定性、および収束保証を確立する必要がある。
• 誤設定（Misspecification）: 現実世界のデータは OT モデルに従わない場合があり、その場合、推定値が OT 仮定から逸脱した際にどこへ収束するかについての分析が必要となる。

2. 手法および主要な技術的貢献

本論文の中心的技術革新は、**Sinkhorn 線形化（Sinkhorn Linearization）と、それに付随するスペクトル・プロキシ（Spectral Proxy）**である。

Sinkhorn 線形化

エントロピー付き OT 問題のカルシュ・クーン・タッカー（KKT）条件に陰関数微分を適用することで、著者らはコスト $C$ の摂動に対する輸送プラン $\pi$ の正確な線形応答を導出している。その関係式は以下の通りである：
$$\delta x = -B H_T^{-1} B^\top \delta c$$
ここで、$x = \text{vec}(\pi)$、$c = \text{vec}(C)$、$B$ は輸送多面体の接空間の正規直交基底、そして $H_T$ は接空間上のエントロピー目的関数の**制限ヘッセ行列（restricted Hessian）**である。

スペクトル・サンドイッチとプロキシ

重要な補題により、制限ヘッセ行列の逆行列に関するスペクトル・サンドイッチが確立される：
$$\frac{\pi_{\min}}{\varepsilon} I \preceq H_T^{-1} \preceq \frac{\pi_{\max}}{\varepsilon} I$$
ここで、$\pi_{\min}$ および $\pi_{\max}$ はエントロピー付きプランの最小値および最大値であり、$\varepsilon$ は正則化パラメータである。

幾何学的な透明性と計算効率を提供するために、著者らは**スペクトル・プロキシ（Spectral Proxy; SSP）**を導入している：
$$\delta x_{SSP} = -\frac{1}{\varepsilon} P_T D_\pi P_T \delta c$$
この式（接空間への射影 $\to$ $\pi$ との要素ごとの積 $\to$ 再射影）は、厳密な微分と要素ごとに一致するわけではないが、**スペクトル的に正確（spectrally exact）**であり、厳密な線形化と同じ上界および下界の特異値の範囲を保持している。これにより、以降のすべての統計的評価を、より単純なプロキシを用いて導出することが可能となる。

コア・スペクトル境界

スペクトル・サンドイッチを特徴量パラメータ化されたコスト構造と組み合わせることで、理論全体を駆動するコア・スペクトル境界が得られる：
$$\sigma_{\min}(J_\theta) \geq \frac{\pi_{\min}}{a_{\max} \varepsilon} \sqrt{\lambda_{\min}(\Sigma)}$$
ここで、$J_\theta$ は遷移演算子の $\theta$ に関するヤコビ行列、$a_{\max}$ は最大周辺質量、$\Sigma$ はゲージ除去された特徴ベクトルのグラム行列である。

3. 主要な理論的結果

本論文は、このコア・スペクトル境界から派生する4つの定理と1つの観察事項を確立している。

T1: 識別性（Identifiability）

• 結果: 特徴量次元が $F \leq (K-1)^2$ を満たし、ランク条件 $\text{rank}(\Sigma) = F$ が成立する場合、パラメータ $\theta$ は商空間 $F / N_\Phi$（ここで $N_\Phi$ はゲージ核）上で大域的に識別可能である。
• メカニズム: 識別性は、以下の3段階の合成引数によって証明される：(1) 線形パラメータ化はゲージを除いて単射である、(2) Sinkhorn 写像はゲージを除いて単射である（双対関数の厳密凸性による）、(3) 条件付き演算子への正規化は線形であり単射である。
• 注記: スケール結合 $(\theta, \varepsilon) \to (c\theta, c\varepsilon)$ の識別性は、$\varepsilon$ を固定するか、正規化制約を課すことで解決される。

T2: 疎性保持（Sparsistency）

• 結果: $\ell_1$ ペナルティ付き推定器は、指数関数的に減衰する失敗確率で、$\theta$ の真のサポートを回収する。
• 条件: 実際の OT 情報行列に関する非表現可能性条件（irrepresentability condition）、全座標スコアの集中、および大域的な選択条件を必要とする。
• 速度: 失敗確率は $\exp(-C_2 n t_n^2)$ として減衰する。ここで $C_2 = 2/\Delta_{\max}^2$ であり、$\Delta_{\max}$ はスペクトル・プロキシから導出されたサンプルあたりのスコアの範囲である。

T3: ウェル・ポーズドネスと安定性（Well-Posedness and Stability）

• 結果: 観測された演算子からコストパラメータへの逆写像は、**強単調（strongly monotone）**であり、リプシッツ連続である。
• 局所的 vs 大域的:
  • 局所的: 強単調性は、大域的なコンパクト性を必要とせずに、任意のコンパクト凸部分集合上で成立する。
    class 大域的: $\pi_{\min}$ の一様な下限を保証するために、パラメータ領域がコンパクトであることを必要とする。
• リプシッツ境界: 逆写像のリプシッツ定数は $L \leq \frac{\varepsilon \|\Phi^\top S_a\|_{op}}{\pi_{\min} \lambda_{\min}(\Sigma)}$ である。
• バイアス: 推定器が $\varepsilon' \neq \varepsilon$ の正則化レベルを使用する場合、バイアスは $O(|\varepsilon' - \varepsilon|)$ である。

T4: 収束（Convergence）

• 結果: 母集団クロスエントロピー目的関数は、真のパラメータ $\theta^*$ の周囲で局所的に強凸である。
• 収束: 十分に小さなステップサイズを用いた勾配降下法は、局所解へと単調に収束する。
• 曲率: 真の値におけるヘッセ行列は正定値であり、下限 $\mu \geq \frac{\pi_{\min}^2 \lambda_{\min}(\Sigma)}{\varepsilon^2}$ を持つ。経験的ヘッセ行列は、レート $O(n^{-1/2})$ で母集団ヘッセ行列に集中する。

O5: 誤設定分析（Misspecification Analysis）

• 結果: モデル誤設定（データが OT によって生成されていない場合）の下では、推定器は真の演算子の OT モデル集合への射影に収束する。
• 予想: この射影写像のヘルダー連続性は予想されているが、証明はされていない。数値実験は、経験的な有効指数 $\alpha_{eff} \in (0, 1)$ を示唆している。

4. 実験的検証

著者らは、理論的主張を支持する広範な数値検証（実験 E1–E10）を提供している：

• 識別性 (T1): ランクが周辺量の数には依存しないが、$\varepsilon \to 0$ に伴い $\pi_{\min} \to 0$ となるため劣化することを確認している。純粋なゲージ特徴量は識別不可能であることが示されている。
• 疎性保持 (T2): サポート回収確率におけるフェーズ遷移を示し、指数減衰率を検証している。構造化されていない特徴量については、非表現可能性条件は十分条件ではあるが、実用上は厳密には必要ではないことを指摘している。
• ウェル・ポーズドネス (T3): リプシッツ定数の予測を検証し、$\varepsilon'$ が変化するときにバイアス関数が「V字型」を示すことを観察し、真の $\varepsilon$ における局所最小性を確認している。
• 収束 (T4): マルチスケール初期化が、ランダム初期化と比較して収束成功率を大幅に向上させることを示し、局所的な吸引圏の存在と整合していることを示している。
• 誤設定 (O5): 非 OT 生成条件下では、推定器が擬似真の点（pseudo-true point）へ射影されることを示し、射影写像が設定依存のヘルダー指数を示すことを明らかにしている。
• スケーリング則: $\pi_{\min}$ が $\varepsilon \to 0$ に伴い指数関数的に減少することを明らかにし、これは一様な多項式下限を否定するものであり、低正則化領域における IOT の悪条件性を浮き彫りにしている。

5. 意義と主張

本論文は、単一のスペクトル・フレームワークを通じて、特徴量パラメータ化された IOT の統計的およびアルゴリズム的理論を統一することを主張している。その意義は以下の点にある：

1. 複雑性の低減: Sinkhorn 線形化から導出された単一のコア・スペクトル境界から、複雑な統計的特性（識別性、疎性レート、安定性、収束）を導出している。
2. 明示的な定数: 特徴量次元の境界 $F \leq (K-1)^2$、疎性回復の指数減衰定数、および逆写像のリプシッツ定数といった、主要な理論的量に対する計算可能な定数を提供している。
3. 幾何学的透明性: スペクトル・プロキシは、演算子ノルム解析において、厳密な線形化に代わる幾何学的に直感的かつ計算効率の高い代替手段を提供する。
4. 厳密な基礎: ベイズ的枠組みやヒューリスティックなアプローチを超え、これまで見過ごされがちであったゲージ退化や誤設定の問題を明示的に扱い、IOT に対する頻度主義的な保証（サポート回収、一貫性）を確立している。

著者らは、非有界空間における大域的強単調性、射影写像のヘルダー連続性の証明、およびミニマックス下限といった未解決の問題を認めつつ、謙虚な姿勢を保っている。