Sharp local sparsity of regularized optimal transport

Resumo Técnico: Esparsidade Local Aguda do Transporte Ótimo Regularizado

1. Problema e Contexto

O artigo aborda o Transporte Ótimo Regularizado (ROT) com entropias do tipo $L^p$, uma alternativa popular ao Transporte Ótimo Entópico (EOT). Enquanto o EOT produz planos de transporte com suporte máximo (densidade estritamente positiva em todo o domínio), os planos do ROT são esparsos, ou seja, o suporte da medida de acoplamento regularizada $\pi_\varepsilon$ contrai-se para o suporte do problema de transporte ótimo não regularizado ($\pi_0$) à medida que o parâmetro de regularização $\varepsilon \to 0$.

O problema central investigado é a taxa de convergência dessa contração do suporte. Especificamente, os autores buscam caracterizar quão rapidamente os diâmetros das seções do suporte (conjuntos de pontos $y$ conectados a um $x$ fixo) diminuem em função de $\varepsilon$. Trabalhos anteriores estabeleceram taxas para dados univariados ou para o caso de auto-transporte ($\mu = \lambda$), mas o caso multivariado geral permanecia uma questão em aberto.

2. Metodologia

Os autores utilizam uma abordagem analítica rigorosa baseada na dualidade e na regularidade das funções potenciais do transporte ótimo.

• Formulação do Problema: O problema de ROT é definido como a minimização do custo de transporte quadrático mais um termo de penalização $L^p$ baseado na densidade do plano em relação ao produto das marginais. O dual envolve funções $f_\varepsilon$ e $g_\varepsilon$.
• Transformação de Variáveis: Para facilitar a análise de convexidade, os autores definem potenciais convexos $\phi_\varepsilon = \|\cdot\|^2/2 - f_\varepsilon$ e $\psi_\varepsilon = \|\cdot\|^2/2 - g_\varepsilon$.
• Análise de Regularidade: O núcleo da prova depende de limites uniformes na segunda derivada (Hessiana) dos potenciais $\nabla^2 \phi_\varepsilon$, estabelecidos em trabalhos anteriores ([GK26]). Eles demonstram que, no interior do suporte, $\phi_\varepsilon$ é uniformemente fortemente convexo.
• Geometria do Suporte: A densidade do plano regularizado é dada por $\rho_\varepsilon(x, y) \propto (\xi(x, y))_+^{q-1}$, onde $\xi(x, y) = f_\varepsilon(x) + g_\varepsilon(y) - \frac{1}{2}\|x-y\|^2$ e $(\cdot)_+$ denota a parte positiva. O suporte $S_x = \{y : \rho_\varepsilon(x, y) > 0\}$ corresponde à região onde $\xi(x, y) > 0$.
• Técnicas de Análise Convexa: Os autores utilizam desigualdades de Jensen, propriedades de conjugados de Legendre-Fenchel e estimativas de volume para relacionar o valor máximo de $\xi$ no suporte com o raio das bolas que contêm $S_x$.
• Teorema do Transporte de Reynolds: Uma versão adaptada deste teorema é usada para calcular derivadas de segunda ordem de integrais sobre domínios variáveis (o suporte $S_x$), permitindo a análise da Hessiana de $\phi_\varepsilon$.

3. Principais Contribuições e Resultados

O artigo apresenta três contribuições principais, válidas sob condições suaves (marginais com densidades $C^{0,\alpha}$ e mapa de transporte ótimo $T$ sendo um difeomorfismo $C^{1,\alpha}$):

A. Taxa de Esparsidade Local Aguda (Teorema 3.1)
Os autores provam que, para $x$ no interior do suporte de $\lambda$, a seção $S_x$ comporta-se como uma bola centrada no gradiente do potencial $\nabla \phi_\varepsilon(x)$ com raio da ordem de:
$$\text{Raio} \sim \varepsilon^{\frac{1}{d(p-1) + 2}}$$
Mais precisamente, existem constantes $R_0$ tais que:
$$B\left(\nabla \phi_\varepsilon(x), \frac{1}{R_0}\varepsilon^{\frac{1}{d(p-1)+2}}\right) \subset S_x \subset B\left(\nabla \phi_\varepsilon(x), R_0\varepsilon^{\frac{1}{d(p-1)+2}}\right)$$
Esta taxa é aguda (sharp), o que significa que não pode ser melhorada, conforme demonstrado por exemplos explícitos.

B. Convexidade Forte Uniforme (Corolário 3.2)
É demonstrado que os potenciais convexos $\phi_\varepsilon$ são uniformemente fortemente convexos no interior do domínio, à medida que $\varepsilon \to 0$. Isso implica que o menor autovalor da Hessiana $\nabla^2 \phi_\varepsilon(x)$ é limitado inferiormente por uma constante positiva (dependendo da distância ao bordo), independentemente de $\varepsilon$ (para $\varepsilon$ suficientemente pequeno).

C. Taxas de Convergência do Mapa (Corolário 3.3)
Com base na esparsidade e na convexidade, os autores derivam a taxa de convergência do mapa de transporte regularizado $\nabla \phi_\varepsilon$ para o mapa de transporte ótimo não regularizado $\nabla \phi$:
$$\|\nabla \phi_\varepsilon - \nabla \phi\|_{L^2(K_0)} \leq C \varepsilon^{\frac{1}{d(p-1)+2}}$$
onde $K_0$ é um subconjunto compacto do interior do suporte.

4. Validação e Exemplos

Para provar que a taxa obtida é a melhor possível (sharp), os autores resolvem explicitamente o problema de auto-transporte ($\lambda = \mu$) no toro plano $T^d$ com medidas de Lebesgue.

• Devido à simetria, o potencial dual é constante.
• O cálculo explícito mostra que o raio do suporte da solução é exatamente proporcional a $\varepsilon^{\frac{1}{d(p-1)+2}}$, confirmando a precisão da estimativa teórica geral.

5. Significado e Impacto

• Generalização: Este trabalho generaliza resultados anteriores que eram restritos a dados univariados ou ao caso de auto-transporte, estendendo-os para o caso multivariado geral com marginais distintas.
• Compreensão Estrutural: O resultado esclarece a estrutura geométrica dos planos de transporte regularizados, mostrando que eles não apenas se tornam esparsos, mas que essa esparsidade segue uma lei de potência precisa dependente da dimensão $d$ e do expoente $p$.
• Aplicações Computacionais: A compreensão da taxa de convergência e da estrutura do suporte é crucial para o desenvolvimento de algoritmos numéricos eficientes. Saber que o suporte é localmente uma bola de raio pequeno permite o uso de métodos de aproximação que exploram essa esparsidade, evitando a "maldição da dimensionalidade" e permitindo cálculos em tempo linear, conforme mencionado na introdução.
• Estabilidade: A prova da convexidade forte uniforme é fundamental para garantir a estabilidade numérica e a convergência de métodos iterativos utilizados na resolução de problemas de transporte ótimo regularizado.

Em suma, o artigo fornece a caracterização matemática definitiva da taxa de contração do suporte no transporte ótimo regularizado com penalidade $L^p$, unificando a teoria analítica com a necessidade prática de eficiência computacional em alta dimensão.