Resumo Técnico: Transporte Ótimo Transferível Eficiente via Planos de Transporte Min-Sliced

Declaração do Problema

O Transporte Ótimo (OT) fornece uma estrutura fundamentada para estabelecer correspondências entre distribuições de probabilidade, com aplicações que vão desde adaptação de domínio e modelagem generativa até análise de células únicas e correspondência de formas. No entanto, calcular planos OT exatos é computacionalmente caro, escalando cubicamente com o número de amostras. Embora métodos "sliced" (fatia) tenham surgido como alternativas eficientes ao projetar distribuições de alta dimensão em marginais unidimensionais, abordagens existentes sofrem de duas limitações primárias:

1. Falta de Planos Explícitos: Muitos métodos sliced calculam distâncias, mas falham em recuperar planos de transporte explícitos.
2. Ineficiência em Tarefas Repetidas: Solucionadores OT eficientes atuais são projetados para problemas de instância única. Em cenários do mundo real envolvendo distribuições em evolução ou estruturalmente semelhantes (por exemplo, biologia do desenvolvimento ou tradução sequencial de imagens), informações valiosas de soluções anteriores são descartadas, forçando os solucionadores a recalcular tudo do zero.

A questão central abordada é se um "fatior" (uma função de projeção) aprendido em um par de distribuições pode ser efetivamente transferido para produzir planos de transporte ótimos para pares de distribuições não vistos e relacionados.

Metodologia

O artigo propõe o framework Min-Sliced Transport Plan (min-STP), que integra fatiadores generalizados aprendíveis com uma base teórica para transferibilidade.

1. Plano de Transporte Min-Sliced (min-STP)

O framework baseia-se no Plano de Transporte Sliced (STP), que eleva um plano de transporte ótimo unidimensional de um espaço projetado de volta ao espaço ambiente via um mapa injetor $f$. Para encontrar o plano mais eficiente, o método minimiza o custo de transporte sobre uma classe de funções paramétricas $\mathcal{F}$:
$$\text{min-STP}_p(\mu, \nu) = \min_{f \in \mathcal{F}} \text{STP}_p(\mu, \nu; f)$$
Esta formulação coincide com o min-SWGG e os Planos de Transporte Sliced Generalizados Diferenciáveis (DGSWP) em casos específicos, mas é estendida aqui para suportar transferibilidade.

2. Transferibilidade Teórica

A contribuição teórica central é um teorema de transferibilidade. Os autores estabelecem que fatiadores otimizados são estáveis sob pequenas perturbações das distribuições de origem e destino.

• Modelo de Perturbação: Eles introduzem um objetivo suavizado $J_\eta$ adicionando ruído Laplaciano às projeções do fatiador. Isso garante a injetividade da projeção e permite a ordenação diferenciável.
• Resultado de Estabilidade: Usando o Teorema do Máximo de Berge e a compacidade da classe de funções $\mathcal{F}$, eles provam que, se dois pares de distribuições $(\mu_1, \nu_1)$ e $(\mu_2, \nu_2)$ estiverem próximos na distância de Wasserstein (ou seja, $OT_p(\mu_1, \mu_2) + OT_p(\nu_1, \nu_2) < \tau$), então seus fatiadores ótimos $f_1^*$ e $f_2^*$ estarão próximos na norma uniforme ($\|f_1^* - f_2^*\|_\infty < \epsilon$).
• Implicação: Isso fornece a primeira base teórica para reutilização amortizada de fatiadores, permitindo que um fatiador aprendido em uma tarefa de origem sirva como uma inicialização ou prioridade eficaz para uma tarefa de destino relacionada.

3. Implementação Computacional: LapSum e Minibatching

Para alcançar escalabilidade e diferenciabilidade, o método emprega duas técnicas-chave:

• LapSum (Ordenação Suavizada): Em vez de usar ruído Gaussiano e variáveis de controle (como no DGSWP), que podem sofrer de alta variância, os autores utilizam LapSum. Ao injetar ruído Laplaciano, eles derivam uma expressão de forma fechada para a função de distribuição cumulativa (CDF) inversa das projeções suavizadas. Isso permite ordenação diferenciável e estimativa de rank com complexidade $O(n \log n)$ e memória $O(n)$, evitando a necessidade de resolver repetidamente problemas de OT 1D.
• Formulação de Minibatch: Para lidar com conjuntos de dados em grande escala, os autores introduzem uma versão de minibatch da perda min-STP. Eles fornecem taxas estatísticas provando que o objetivo de minibatch converge para o objetivo de lote completo à medida que o tamanho do lote aumenta, com limites dependendo dos módulos de quantil das distribuições projetadas.

Principais Contribuições

1. Caracterização da Transferibilidade: O artigo caracteriza a transferibilidade de fatiadores otimizados, provando que os fatiadores permanecem próximos sob pequenas perturbações origem-destino, permitindo reutilização eficiente entre tarefas relacionadas.
2. Taxas Estatísticas para Minibatches: Os autores derivam taxas estatísticas de amostra finita para fatiadores otimizados usando minibatches origem-destino, fornecendo garantias teóricas para a escalabilidade da abordagem.
3. Validação Empírica: O método é demonstrado como alcançando forte desempenho de correspondência one-shot e facilitando treinamento amortizado em três domínios distintos: alinhamento de nuvem de pontos, geração de fluxo médio e tradução de imagem não pareada para imagem.

Resultados Experimentais

Os autores avaliaram o framework min-STP transferível em vários benchmarks:

• Deriva Gradual (Sintético): Em uma sequência de pares de distribuições que mudam gradualmente (rotações e zooms), um fatiador pré-treinado em uma tarefa anterior ($t-1$) começou com um custo objetivo significativamente menor do que a inicialização aleatória quando aplicado à tarefa $t$. Isso confirmou que o fatiador aprendido captura estruturas geométricas persistentes.
• Alinhamento de Nuvem de Pontos (ModelNet10): Um fatiador amortizado treinado em todos os pares de treinamento de categorias de objetos (por exemplo, mesa, sofá) foi testado em pares não vistos. O min-STP amortizado alcançou correlações de Pearson com OT exato comparáveis ao min-STP por par (que treina um fatiador separado para cada par) e superou significativamente linhas de base como fatiadores aleatórios e Wormhole de Wasserstein.
• Geração Baseada em Fluxo (ShapeNet): Em um cenário de geração de passo único usando MeanFlow, o min-STP equilibrou baixo tempo de computação com baixa distância de Wasserstein ($W_2$) em relação à verdade fundamental, superando linhas de base no trade-off eficiência-precisão.
• Tradução de Imagem (FFHQ): Na tradução de imagem não pareada para imagem (Adulto para Criança), a estrutura min-STP transferível permitiu treinamento eficiente onde o plano de transporte foi computado via um fatiador compartilhado, ao contrário de outros métodos que exigiam recalcular planos para cada lote.

Significado e Alegações

O artigo alega fornecer a primeira base teórica para reutilização amortizada de fatiadores em transporte ótimo. Ao estabelecer um link formal entre similaridade distribucional e proximidade de fatiadores, o trabalho permite a transição de cálculos OT isolados para OT adaptativo e amortizado entre problemas relacionados.

O significado reside em:

• Eficiência: Eliminar a necessidade de recalcular planos de transporte do zero para pares de distribuições relacionados.
• Escalabilidade: A combinação de LapSum e treinamento de minibatch torna o OT em grande escala viável sem sacrificar a qualidade do plano de transporte.
• Generalização: Demonstrar que um único fatiador consciente da geometria pode generalizar entre diversos domínios (formas 3D, imagens e distribuições sintéticas), abrindo caminho para OT escalável em configurações dinâmicas e multi-domínio.

Os autores observam que seus resultados teóricos atualmente se aplicam a configurações discretas e que o método depende da suposição de que pares origem-destino são suficientemente semelhantes para que a transferência seja eficaz.