Direct Estimation of Schrödinger Bridge Time-Series Drifts: Finite-Sample, Asymptotic, and Adaptive Guarantees

Resumo Técnico: Estimação Direta de Derivas de Séries Temporais de Ponte de Schrödinger

Declaração do Problema
O artigo aborda a estimação não paramétrica do termo de deriva em modelos de Ponte de Schrödinger de Séries Temporais (SBTS). Os modelos SBTS interpolam entre distribuições de probabilidade minimizando a entropia relativa no espaço de caminhos, conectando controle estocástico, transporte ótimo entrópico e modelagem generativa baseada em difusão. Embora o SBTS tenha sido aplicado à modelagem generativa e amostragem, a teoria estatística para a estimação direta, baseada em dados, da função de deriva permanece limitada.

As abordagens existentes tipicamente não tratam a deriva como o objeto estatístico primário. Em vez disso, elas dependem da estimação de potenciais de transporte ótimo entrópico (OT), execução de iterações de Sinkhorn ou resolução de solucionadores iterativos de ponte. Consequentemente, as garantias estatísticas nesses métodos estão entrelaçadas com erros de otimização, erros de aproximação e erros de discretização. Este artigo propõe uma abordagem direta: estimar a própria deriva a partir de observações i.i.d. de pares $(X_s, X_u)$ em um único intervalo de tempo $[s, u]$, isolando o erro estatístico de artefatos computacionais.

Metodologia
Os autores utilizam a representação de razão condicional em forma fechada da deriva do SBTS derivada em [14]. Para um intervalo fixo $[s, u)$ e uma variável de condicionamento $\xi = X_s$, a verdadeira deriva $a^*(t, x; \xi)$ é expressa como:
$$a^*(t, x; \xi) = \frac{1}{\Delta(t)} \left( \frac{\mathbb{E}[X_u F(t, \xi, x, X_u) \mid X_s = \xi]}{\mathbb{E}[F(t, \xi, x, X_u) \mid X_s = \xi]} - x \right)$$
onde $\Delta(t) = u - t$ e $F$ é uma função de ponderação exponencial específica envolvendo fatores tanto contrativos quanto expansivos.

O estimador proposto é um estimador de plug-in direto de Nadaraya–Watson. Ele constrói estimativas kernelizadas para os termos do numerador e do denominador (esperanças condicionais) usando um produto de funções de kernel e os dados observados. Especificamente, estima a densidade conjunta e os momentos condicionais ponderados diretamente e, em seguida, forma a razão. Os autores permitem bandas distintas ($h_1, h_2$) para os componentes do numerador e do denominador, mas especializam-se em uma escolha diagonal ($h_1=h_2=h$) para análise assintótica e adaptativa.

Hipóteses Principais
A análise teórica baseia-se em três hipóteses primárias:

1. Regularidade do Kernel: O kernel é limitado, de suporte compacto, Lipschitz e de uma ordem específica $\ell_\beta$.
2. Regularidade da Lei de Pares: A distribuição conjunta de $(X_s, X_u)$ admite uma densidade com regularidade de Hölder $\beta$ e um piso de densidade marginal estritamente positivo ($f_{\min} > 0$).
3. Suporte Limitado: O suporte das variáveis aleatórias está contido dentro de um conjunto limitado $B$. Este é um requisito técnico crítico para controlar o fator exponencial "expansivo" no peso do SB, garantindo que a classe de processos empíricos ponderados retenha a ordem de entropia dos kernels traduzidos padrão.

Principais Contribuições e Resultados

1. Análise Direta no Nível da Deriva: O artigo desacopla o erro estatístico da estabilidade das iterações de Sinkhorn ou da discretização de EDEs. Ele fornece uma análise rigorosa do próprio estimador de deriva.
2. Limites Uniformes de Amostra Finita: Sob regularidade de Hölder e suporte limitado, os autores provam um limite não assintótico uniforme para o erro de estimação sobre o espaço e o tempo (afastado da singularidade terminal $t=u$). A taxa de convergência é $O((\log M / M)^{\beta/(2\beta+d)})$, correspondendo à taxa clássica de kernel até fatores logarítmicos e um fator terminal $1/\eta$.
3. Normalidade Assintótica Pontual: Sob condições genuínas de sub-suavização (onde a banda decai mais rápido que a taxa ótima), o estimador satisfaz um Teorema do Limite Central (TLC). O artigo fornece uma fórmula explícita para a variância assintótica, permitindo a construção de intervalos de confiança pontuais.
4. Optimalidade Minimax Adaptativa:
   • Os autores constroem um seletor de banda baseado em dados (baseado no método Goldenshluger–Lepski) que satisfaz uma desigualdade oráculo.
   • Eles provam um limite inferior minimax local pivot usando uma construção de dois pontos de Le Cam, mostrando que nenhum estimador pode melhorar a taxa $M^{-\beta/(2\beta+d)}$ ao redor de leis interiores.
   • Ao exibir um pivot uniforme explícito que satisfaz condições específicas de compatibilidade, eles estendem isso para um limite inferior minimax global.
   • Consequentemente, o seletor adaptativo é mostrado como ótimo em taxa minimax até fatores logarítmicos.

Validação Experimental
A seção empírica foi projetada para verificar as previsões teóricas em vez de avaliar o SBTS como um modelo generativo. Usando dados sintéticos com derivas de verdade fundamentais conhecidas (pontes de Gaussiano para Gaussiano e de Misto para Misto), os autores demonstram:

• Recuperação da Taxa: A banda oráculo segue a lei de escalonamento de amostra finita prevista.
• Aproximação Gaussiana: As estimativas pontuais exibem comportamento quase normal e cobertura nominal do intervalo de confiança sob sub-suavização.
• Desempenho Adaptativo: O seletor baseado em dados alcança desempenho competitivo com o oráculo (baixas razões oráculo) sem atingir limites de instabilidade, desde que um limite inferior no tamanho efetivo da amostra ($Mh^d \geq 81$) seja imposto.
• Singularidade Terminal: O erro aumenta conforme $t \to u$, consistente com o fator teórico $1/\Delta(t)$, mas o erro reescalado permanece estável.
• Teste de Estresse de Suporte Limitado: Experimentos confirmam que relaxar a hipótese de suporte limitado aumenta significativamente a variância e desestabiliza o estimador, validando a necessidade dessa hipótese para as provas teóricas.

Significado e Alegações
O artigo alega fornecer a primeira teoria estatística autocontida para a estimação não paramétrica direta de derivas de SBTS. Seu significado reside em:

• Isolamento do Erro: Ao trabalhar diretamente no nível da deriva, ele separa o erro de estimação estatística dos erros computacionais inerentes a solucionadores iterativos (Sinkhorn) ou métodos baseados em potenciais.
• Garantias Teóricas Precisas: Estabelece que a abordagem direta baseada em kernel é ótima em taxa minimax, correspondendo aos limites fundamentais da regressão não paramétrica neste cenário.
• Viabilidade Prática: O seletor adaptativo é mostrado como eficaz na prática, oferecendo uma alternativa robusta a métodos iterativos sem ajuste ou computacionalmente caros.

Os autores notam limitações, especificamente a dependência de suporte limitado para a estratégia de prova atual e a "maldição da dimensionalidade" inerente aos métodos não paramétricos. Eles também distinguem seu cenário (amostras de trajetória i.i.d.) do problema mais complexo de estimar derivas a partir de uma única trajetória dependente, o que requer ferramentas diferentes de processos empíricos.