Resumo Técnico: Identificação Parcial sob Resultados Potenciais e Confundidores de Alta Dimensão via Transporte Ótimo

1. Enunciado do Problema

O artigo aborda o desafio da identificação parcial (IP) em inferência causal quando tanto os resultados potenciais quanto os confundidores são de alta dimensão. Em muitos cenários causais, a identificação pontual é impossível porque a distribuição conjunta dos resultados potenciais não é determinada pelos dados observados. Embora os covariáveis pré-tratamento possam estreitar o conjunto de efeitos causais viáveis (o conjunto de IP), os métodos existentes baseados em Transporte Ótimo (TO) enfrentam dificuldades em regimes de alta dimensão.

Especificamente, os limites baseados em TO clássico sofrem com a maldição da dimensionalidade, levando a estimativas estatisticamente instáveis e taxas de convergência desfavoráveis. As estruturas existentes de IP assistidas por covariáveis frequentemente enfrentam um compromisso (trade-off):

1. Estratificação grosseira leva a limites excessivamente conservadores.
2. Estimativa direta de plug-in de distâncias de Wasserstein condicionais é computacionalmente proibitiva e estatisticamente frágil.
3. Métodos de apenas projeção (ex: Busca de Projeção de Wasserstein) descartam informações residuais, gerando limites inferiores sistematicamente frouxos quando existe uma discrepância de transporte não negligenciável no complemento ortogonal do subespaço projetado.

O problema central é construir uma quantidade de transporte adaptável à dimensão e estatisticamente estável que sirva como um limite inferior válido para a distância de Wasserstein quadrática em altas dimensões sem sacrificar a validade teórica.

2. Metodologia: Fatiamento de Subespaço Condicionado (CSS)

Os autores propõem um novo estimador chamado certificado de Fatiamento de Subespaço Condicionado (CSS). Esta abordagem decompõe o problema de transporte em dois componentes: um subespaço de sinal de baixa dimensão e um subespaço residual de alta dimensão.

2.1 O Objetivo CSS

Para um subespaço candidato de dimensão $r$, $V$, e seu complemento ortogonal $V^\perp$, o objetivo CSS $L(V)$ é definido como:
$$L(V) = W_2^2(\mu_V, \nu_V) + k \cdot SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$$
onde:

• $W_2^2(\mu_V, \nu_V)$ é a distância de Wasserstein quadrática ao quadrado no subespaço de sinal projetado $V$.
• $SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$ é a distância de Wasserstein Fatiada (Sliced Wasserstein) no subespaço residual $V^\perp$.
• $k = d - r$ é um fator de escala (dimensão do espaço residual).

2.2 Justificativa Teórica

• Validade: O Teorema 3.1 prova que $L(V)$ é um limite inferior válido para a verdadeira distância de Wasserstein ao quadrado $W_2^2(\mu, \nu)$. A escala por $k$ é crucial; sem ela, o termo fatiado decai como $d^{-1}$ e torna-se vago. Com a escala, ele fornece uma recuperação certificada da energia de transporte residual.
• Estreitamento (Tightness): Sob um Modelo de Transporte de Pico Estendido (ESTM), onde a energia de transporte se concentra em um subespaço de sinal de baixa dimensão e o residual é aproximadamente isotrópico, o limite CSS é quase estrito (near-tight). A lacuna entre a distância real e o limite é governada por um único déficit de anisotropia residual.
• Estabilidade de Subespaço: O Teorema 3.6 demonstra que, sob o ESTM, o subespaço que maximiza o objetivo CSS permanece próximo ao verdadeiro subespaço de sinal (identificado pelos autovalores do sinal), desde que haja um eigengap suficiente entre os componentes de sinal e residual.

2.3 Algoritmo de Estimativa

O estimador plug-in proposto (Algoritmo 1) segue uma estratégia de duas etapas:

1. Recuperação de Sinal: Utiliza a Busca de Projeção de Wasserstein (WPP) para encontrar o subespaço ótimo de dimensão $r$, $\hat{U}$, que maximiza a distância de Wasserstein projetada.
2. Recuperação de Residual: Computa a distância de Wasserstein Fatiada no complemento ortogonal $\hat{U}^\perp$ usando amostragem de Monte Carlo de projeções unidimensionais aleatórias.
3. Agregação: Combina o termo de sinal e o termo residual escalado para formar o limite inferior final.

3. Principuras Contribuições

O artigo apresenta três contribuições primárias:

1. Um Limite Inferior Certificado: Introduz o limite inferior CSS para distâncias de Wasserstein quadráticas, que serve como uma região de identificação parcial adaptável à dimensão. Ele gera limites inferiores de transporte condicionados e incondicionados certificados em altas dimensões.
2. Teoria Estrutural: Formaliza o Modelo de Transporte de Pico Estendido (ESTM), sob o qual o limite CSS é quase estrito e o subespaço ótimo é identificado por WPP. Estabelece que a lacuna de aproximação é controlada pela anisotropia do transporte residual.
3. Garantias de Amostra Finita: Fornece limites de erro não assintóticos para o estimador CSS. Esses limites escalam com a dimensão intrínseca (posto do sinal) em vez da dimensão ambiente, garantindo tratabilidade estatística. A análise de erro separa a taxa de dimensão intrínseca do termo de sinal da taxa paramétrica do termo residual fatiado.

4. Resultados Experimentais

Os autores avaliam o estimador CSS contra as linhas de base WPP (apenas projeção) e Full Sliced Wasserstein (média sobre todo o espaço ambiente).

• Dados Sintéticos:

  • Em um cenário de pushforward Gaussiano ($d=30$, posto do sinal $r=5$), o estimador CSS permanece consistentemente mais próximo da verdade fundamental $W_2^2$ do que o WPP.
  • O WPP subestima a distância ao descartar a energia residual, enquanto a linha de base Full Sliced a subestima devido à média sobre direções aleatórias no espaço total.
  • O CSS recupera com sucesso a energia de transporte "perdida" via o termo fatiado escalado, mesmo conforme o parâmetro de anisotropia residual aumenta.
  • A análise de amostra finita mostra que o erro de recuperação de subespaço diminui consistentemente com o tamanho da amostra $n$, demonstrando estabilidade.

• Dados Reais (Dataset RHC):

  • Aplicado a um conjunto de dados de cateterismo cardíaco direito com um vetor de resultados de 27 dimensões.
  • O CSS produz certificados de limite inferior mantidos (held-out) mais altos (mais informativos) do que o WPP em várias dimensões de subespaço.
  • A lacuna entre CSS e WPP é mais pronunciada em dimensões menores, onde mais variação de resultado permanece no complemento ortogonal.
  • Ambos os métodos superam a linha de base full scaled-Wasserstein, destacando a importância de aprender um subespaço de sinal adaptável à tarefa.

5. Significância e Alegações

O artigo afirma fornecer um primitivo geométrico modular e adaptável à dimensão que pode ser integrado em estruturas existentes de identificação parcial assistida por covariáveis.

• Complementaridade: O trabalho é complementar a pesquisas anteriores sobre OT-PI (ex: Ji et al., 2024; Lin et al., 2025). Enquanto trabalhos anteriores focam em robustez inferencial, estreitamento de relaxação e consistência topológica, este artigo aborda o gargalo estatístico da estimativa de transporte de alta dimensão.
• "Almoço Grátis" (Free Lunch): Os autores caracterizam o método como um "almoço grátis" principiado: ele substitui um problema de transporte de alta dimensão por uma combinação de OT de baixa dimensão e computações fatiadas econômicas. Sob condições suaves (isotropia residual), isso recupera a energia de transporte total sem afrouxar o limite.
• Robustez: O método oferece uma alternativa robusta para estratégias de apenas projeção, que sistematicamente descartam informação residual, e para a estimativa direta de alta dimensão, que é estatisticamente instável.

O artigo conclui que o estimador CSS efetivamente fecha a lacuna populacional na escala do sinal com overhead mínimo de amostra finita, oferecendo um primitivo robusto para inferência causal de alta dimensão onde a identificação pontual é inalcançável.