Resumo Técnico: A Distância de Wasserstein Observável

Declaração do Problema

O principal desafio abordado neste artigo é a intratabilidade computacional do cálculo da distância de Wasserstein exata entre medidas de probabilidade em conjuntos de dados em grande escala e não euclidianos. Embora a teoria do transporte ótimo (OT) forneça um quadro rigoroso para comparar distribuições, o cálculo exato tipicamente escala de forma cúbica ou quadrática com o número de pontos de dados, tornando-o impraticável para conjuntos de dados massivos.

As aproximações existentes, como a distância de Wasserstein fatiada (Sliced Wasserstein), oferecem eficiência computacional ao projetar medidas em subespaços unidimensionais. No entanto, esses métodos dependem da estrutura linear dos espaços euclidianos ($\mathbb{R}^d$), utilizando produtos internos e normas para definir direções de projeção. Muitos conjuntos de dados de interesse — como formas 3D, grafos, estruturas de proteínas e superfícies funcionais — residem em espaços métricos gerais onde a linearidade e os produtos internos estão ausentes. Consequentemente, as abordagens padrão de Wasserstein fatiada não podem ser aplicadas diretamente, e há uma necessidade de uma alternativa computacionalmente tratável que forneça limites inferiores para a distância de Wasserstein em espaços métricos poloneses gerais.

Metodologia

O Framework da Distância de Wasserstein Observável

Os autores introduzem a distância de Wasserstein observável, um framework que generaliza o conceito de fatiamento para espaços métricos arbitrários $(X, d)$. Em vez de projetar em subespaços lineares, o método projeta medidas de probabilidade na linha real usando observáveis métricos.

1. Observáveis Métricos: Um observável é definido como uma função 1-Lipschitz $f: X \to \mathbb{R}$, satisfazendo $|f(x) - f(y)| \leq d(x, y)$. O conjunto de todas essas funções é denotado por $\Lambda(X)$.
2. Medidas de Empurrão (Pushforward): Para uma medida $\mu \in \mathcal{P}(X)$ e um observável $f$, a medida de empurrão $f_\sharp \mu$ é definida em $\mathbb{R}$.
3. Definição da Distância: A distância $p$-Wasserstein observável, $\theta_p(\mu, \nu)$, é definida como o supremo das distâncias de Wasserstein entre as medidas de empurrão sobre todos os observáveis possíveis:
   $$\theta_p(\mu, \nu) := \sup_{f \in \Lambda(X)} w_p(f_\sharp \mu, f_\sharp \nu)$$
   Como os observáveis são 1-Lipschitz, segue-se que $\theta_p(\mu, \nu) \leq w_p(\mu, \nu)$, estabelecendo-o como um limite inferior.

Aproximação Hierárquica e Identificabilidade

Para gerenciar o custo computacional da otimização sobre o espaço de dimensão infinita $\Lambda(X)$, os autores constroem uma hierarquia de subespaços $\Lambda_n(X) \subseteq \Lambda(X)$.

• Observáveis Básicos: A construção começa com funções de distância a um ponto $f_a(x) = d(x, a)$.
• Produtos de Cunha (Wedge Products): Observáveis de ordem superior são formados via produtos de cunha ponderados (mínimos) dessas funções básicas: $f_{\mathbf{a}}^\alpha = \alpha_0 f_{a_0} \wedge \dots \wedge \alpha_n f_{a_n}$.
• A Hierarquia: $\Lambda_n(X)$ consiste em observáveis formados por produtos de cunha de no máximo $n+1$ funções básicas. Isso induz uma sequência de pseudo-métricas $\theta_{p,n}(\mu, \nu)$.

Contribuições Teóricas: Injetividade Estratificada

Um resultado teórico central é um análogo de espaço métrico ao Dispositivo de Cramér-Wold. O artigo estabelece que a coleção de medidas de empurrão via observáveis em $\Lambda_n(X)$ caracteriza unicamente uma medida de probabilidade $\mu$ se a dimensão de cobertura métrica de seu suporte for $\leq n$.

• Dimensão de Cobertura Métrica ($\xi_X$): Uma noção de dimensão definida pelo refinamento de coberturas abertas em bolas abertas.
• Teorema de Injetividade Estratificada: Se o suporte de $\mu$ tem dimensão de cobertura métrica $\leq n$, então $\mu$ é unicamente determinado por suas projeções $f_\sharp \mu$ para todo $f \in \Lambda_n(X)$.
• Implicação: Para medidas suportadas em espaços com baixa dimensão de cobertura métrica (por exemplo, conjuntos finitos, grafos ou variedades de baixa dimensão), restringir o espaço de observáveis a $\Lambda_n(X)$ produz uma métrica genuína (não apenas uma pseudo-métrica) que é estritamente limitada inferiormente pela verdadeira distância de Wasserstein.

Modelo Computacional Discreto

Para implementação prática, os autores propõem um modelo discreto onde o espaço métrico é aproximado por uma cobertura $\delta$-finita (uma grade). Os observáveis são restritos àqueles ancorados em pontos dentro desse conjunto finito. Limites teóricos são fornecidos mostrando que a distância observável discreta converge para a versão contínua à medida que a resolução da grade aumenta, com erro proporcional ao espaçamento da grade $\delta$.

Resultados Principais

Achados Teóricos

• Propriedade Métrica: $\theta_p$ é uma métrica no espaço de todas as medidas de probabilidade. A versão restrita $\theta_{p,n}$ é uma métrica no subespaço de medidas com dimensão de suporte $\leq n$.
• Equivalência para $p=1$: Para $p=1$, a distância de Wasserstein observável é exatamente igual à distância de Wasserstein padrão ($\theta_1 = w_1$), um resultado derivado da dualidade de Kantorovich-Rubinstein.
• Monotonicidade: A hierarquia satisfaz $\theta_{p,n} \leq \theta_{p,m} \leq \theta_p \leq w_p$ para $n \leq m$, oferecendo um compromisso ajustável entre eficiência computacional e nitidez do limite.

Experimentos Numéricos

O artigo apresenta vários experimentos de prova de conceito comparando as distâncias de Wasserstein Observável (OW) com as distâncias de Wasserstein Fatiada (SW), Wasserstein padrão e Chamfer:

1. Classificação Gaussiana: Em espaços euclidianos de alta dimensão, OW e SW performam comparavelmente na distinção de classes Gaussianas. No entanto, OW mostra uma vantagem de desempenho relativa à medida que a dimensão aumenta, possivelmente devido ao fenômeno de concentração de medida afetando projeções 1D em SW.
2. Distribuições de Grafos: Em espaços de grafos não euclidianos, OW supera significativamente a distância de Wasserstein padrão em tarefas de classificação, mantendo escalabilidade computacional superior. OW demonstra robustez ao ruído que a Wasserstein clássica carece.
3. Distribuições em Esferas: Experimentos em esferas ilustram o compromisso entre o número de observáveis/funções e o custo computacional. Aumentar a complexidade dos observáveis (maior $n$) reduz o erro relativo, mas incorre em custos combinatórios.
4. Classificação de Nuvens de Pontos (ModelNet10): Em dados reais de objetos 3D, as distâncias OW alcançam as melhores pontuações de classificação entre métricas escaláveis, particularmente em regimes ruidosos, superando tanto SW quanto a distância Chamfer.
5. Aplicação em Deep Learning: Os autores integraram OW em uma função de perda de autoencoder de nuvem de pontos. O uso de OW (especificamente uma variante estilo $L_2$ para diferenciabilidade) resultou em maior precisão de classificação no espaço latente e densidade de pontos mais uniforme nas reconstruções, comparado à distância Chamfer, que produziu saídas mais nítidas, mas com densidade desigual.

Significado e Alegações

O artigo alega fornecer um framework computacionalmente tratável para derivar limites inferiores na distância de Wasserstein em espaços métricos gerais, contornando as limitações de métodos específicos de Euclides, como a Wasserstein Fatiada.

• Novidade Teórica: O trabalho estabelece um vínculo rigoroso entre a dimensão de cobertura métrica do suporte de uma medida e a ordem dos observáveis necessária para recuperação única. Isso serve como uma ferramenta teórica fundamental para entender a identificabilidade em OT não euclidiana.
• Utilidade Prática: O framework oferece uma abordagem "ajustável" onde praticantes podem ajustar a ordem dos observáveis ($n$) para equilibrar o custo computacional contra a nitidez do limite de distância.
• Escalabilidade: O modelo discreto permite implementação eficiente em grandes conjuntos de dados, com evidências empíricas sugerindo escalamento linear no número de projeções/âncoras, tornando-o adequado para conjuntos de dados massivos onde o OT exato é inviável.
• Robustez: Os experimentos sugerem que as distâncias OW podem oferecer robustez superior ao ruído em comparação com as distâncias de Wasserstein clássicas, tornando-as adequadas para aplicações com dados do mundo real.

Os autores posicionam este trabalho como um passo fundamental, observando que, embora os experimentos numéricos atuais sejam de prova de conceito, o framework abre caminhos para pesquisas futuras sobre convergência de amostragem, equivalência bi-Lipschitz para $p \neq 1$ e a integração de observáveis aprendíveis em pipelines de deep learning.