🔢 mathematics

Sparsity and uniform regularity for regularised optimal transport

本文为正则化二次最优传输中的类传输映射与势函数建立了一致的内部正则性估计，证明了它们向无正则化解的局部收敛性，并推导出了改进现有全局偏差结果的锐利局部支撑界限。

原作者： Rishabh S. Gvalani, Lukas Koch

发布于 2026-02-06

📖 1 分钟阅读🧠 深度阅读

原作者： Rishabh S. Gvalani, Lukas Koch

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：带着“魔法”规则搬运家具

想象一下，你有一个装满箱子的仓库（源端）和一组空的货架（目标端）。你的目标是以最高效的方式将每个箱子移动到货架上，使总路程最短。在数学中，这被称为最优传输（Optimal Transport）。

然而，要完美地解决这个问题，就像是在尝试解一个巨大的、零乱的拼图，其中的碎片无法平滑地契合在一起。这很难计算，而且仓库布局的微小变化都可能导致整个计划崩溃。

为了解决这个问题，数学家们添加了一个“正则化”规则。你可以把它想象成在搬运计划中加入了一根柔软、有弹性的橡皮筋。这根橡皮筋让问题更容易解决，计算也更加平滑。但这里有一个陷阱：

橡皮筋问题： 如果橡皮筋太有弹性（例如在“熵正则化”传输中），箱子就会四处散开，甚至移动到很远的货架上。这被称为“全支撑”（full support），它会让数学变得混乱，并让计算机运行变慢。
目标： 作者们想要找到一根“金中值”（Goldilocks）橡皮筋——既能让数学计算变得容易，又能让箱子紧凑地聚集在它们应在的位置（稀疏支撑），就像最初那个完美的计划一样。

作者做了什么

这篇论文研究了这两类特定的“橡皮筋”：

熵正则化（Entropic）： 非常有弹性的种类（箱子会散开）。
亚二次多项式（Sub-quadratic Polynomial）： 一种较硬的种类（箱子会保持得更近）。

他们想要证明两件主要的事情：

稀疏性（Sparsity）： 即便有了橡皮筋，箱子也不会跑得太远。它们会停留在紧凑的邻域内。
正则性（Regularity）： 箱子行进的路径是平滑的，而不是杂乱无章的。

核心发现

1. “隐形围栏”（稀疏性）

作者证明了对于某些类型的橡皮筋，箱子周围存在一个隐形围栏。

类比： 想象你正牵着一条狗散步。如果绳子太长，狗会到处乱跑。但这些作者发现，无论你如何调整绳子的长度（数学参数 $\varepsilon$ ），狗（传输计划）永远不会超出离主人特定且可预测的距离。
结果： 他们精确计算了这个“围栏”的大小。它取决于橡皮筋有多硬。如果橡皮筋很硬，围栏就很小；如果它很有弹性，围栏会变大，但它依然存在。这是一个巨大的进步，因为之前的数学只适用于非常特定的、较硬的橡皮筋。

2. “平坦之路”（正则性）

一旦知道了箱子会留在围栏内，作者们接着观察了箱子行进的道路。

类比： 想象传输计划是一条路。有时，道路会有坑洼或悬崖（数学上的“奇异点”）。作者证明了对于他们特定的橡皮筋，这条路是平滑的。
结果： 他们证明了告诉箱子该去哪里的“地图”不仅是连续的，而且具有一致的斜率（利普希茨连续性/Lipschitz continuity）。这意味着如果你稍微移动一下起点，你可以准确预判箱子会移动到哪里。道路不会突然变成悬崖。

3. “通用”规则（一致性）

这是他们发现中最强大的部分。

类比： 通常，当你收紧橡皮筋使其表现得更像原始完美计划时，数学会变得越来越狂野、难以处理。这就像试图让一支铅笔在笔尖上保持平衡；你越接近完美的平衡点，就越难保持稳定。
结果： 作者证明了无论橡皮筋是松弛还是极其紧绷，他们的“平滑之路”和“隐形围栏”规则都能同样出色地工作。它们不会在接近完美的过程中失效。这使得他们可以得出结论：“当我们把橡皮筋收紧到零时，箱子会平滑且可预测地转化为原始的完美传输计划。”

为什么这很重要（根据论文所述）

论文并没有讨论临床用途或未来的应用，而是侧重于数学基础：

更好的算法： 因为数学现在被证明是平滑且可预测的，所以计算机算法（如著名的 Sinkhorn 算法）可以被信任，能够更好地工作且运行更快，而不会崩溃。
连接点与面： 它弥合了“正则化传输”（用于简化计算）的“混乱”世界与“非正则化传输”（理论理想）的“完美”世界之间的鸿沟。他们证明了当我们清理数学过程时，解并不会跳跃，而是会平滑地过渡到位。

一句话总结

作者证明了通过使用特定类型的数学“橡皮筋”，我们可以让移动计划既易于计算又保持紧凑有序，从而确保当我们移除橡皮筋以获取完美解时，整个路径始终保持平滑且可预测。

问题陈述

本文研究了正则化最优传输（Regularised Optimal Transport, ROT）问题中极小值者的性质，特别关注由亚二次多项式项或熵项正则化的二次最优传输问题。主要目标是建立与正则化参数 $\varepsilon$ 无关的传输类映射及其相关势函数的一致正则性估计。

作者解决了现有文献中的一个空白，即正则化传输的正则性结果往往依赖于 $\varepsilon$ 的指数级关系（例如在熵正则化设置下），或者仅限于二次正则化（ $p=2$ ）等特定情况。虽然熵正则化以其平滑性著型，但它存在全支撑（full support）问题，导致数值不稳定性。相反，亚二次多项式正则化（ $p \in (1, 2]$ ）具有稀疏支撑，但缺乏全面的、关于 $\varepsilon$ 一致性的解析正则性理论。本文旨在证明，在假设未正则化传输映射为双- $C^{1,\alpha}$ 正则的情况下，正则化传输类映射 $T_\varepsilon$ 及势函数 $f_\varepsilon, g_\varepsilon$ 满足内 Lipschitz 性以及在 $\varepsilon \to 0$ 时保持有界的更高阶估计。

研究方法

作者采用了多尺度分析方法，将变分法与传输计划的结构性质相结合：

能量接近性与拟极小性： 证明始于建立正则化问题的能量与未正则化的二次传输能量之间的接近性，并给出了取决于 $\varepsilon$ 和维度 $d$ 的特定收敛速率。这使得正则化极小值者可以被视为二次传输问题的拟极小值（quasi-minimisers）。
Campanato 迭代（大尺度）： 对于大于临界长度 $R_c$ 的尺度，作者利用从最优传输变分法中改编的 Campanato 迭代方案。该方案将未正则化问题的正则性信息向下传播至临界尺度。
临界尺度分析： 一个关键组成部分是导出临界尺度 $R_c \approx \varepsilon^{\frac{2}{d(p-1)+2}}$ 。在低于此尺度时，正则化项占主导地位。作者利用正则化函数 $h$ 的特定性质，分析了在小于 $R_c$ 的尺度下传输类映射 $T_\varepsilon$ （定义为传输计划的加权平均）的结构。
支撑集界限与单调性： 一个核心技术贡献是推导出正则化传输计划支撑集大小的精确局部界限。这依赖于一种广义单调性原理（改编自正则化传输的循环单调性）和局部 $L^\infty$ 界限。这些界限用于控制传输计划中的“长轨迹”，这对于正则性估计至关重要。
仿射不变性： 作者利用仿射坐标变换来归一化问题，从而能够在整个定义域内一致地应用局部估计。

核心贡献与结果

一致正则性估计： 主要结果（定理 3）确立了如果未正则化传输映射 $T$ $T$ 是双- $C^{1,\alpha}$ $C^{1, α}$ 正则的，那么正则化传输类映射 $T_\varepsilon$ $T_{ε}$ 满足与 $\varepsilon$ $ε$ 无关的内 Lipschitz 估计。
- 对于严格亚二次正则化（ $p < 2$ ），证明了 $T_\varepsilon$ 是 $C^1$ 且具有一致界限。
- 对于熵正则化（ $p=1$ ），证明了势函数是 $C^2$ 且具有一致界限。
- 这些结果适用于满足 $h'(0)=0$ 的一般凸、超线性正则化项。
支撑集稀疏性与偏差界限： 文献推导了正则化极小值者支撑集的局部界限（定理 6）。它证明了对于 $p > 1$ $p > 1$ ，传输计划的支撑集是稀疏的，其与未正则化传输映射的偏差由 $\varepsilon$ $ε$ 函数控制。具体而言，支撑集的展宽量级为 $\varepsilon^{\frac{2}{d(p-1)+2}}$ $ε^{\frac{2}{d ( p - 1 ) + 2}}$ 。
- 这导致了全局偏差界限（推论 8），表明除非 $x$ 靠近支撑集的边界，否则 $|y - T(x)|$ 是很小的。
- 作者指出，对于熵正则化（ $p=1$ ）， $h'(0) \neq 0$ ，且支撑集是全支撑的，这与已知结果一致。
收敛结果： 作为一致估计的结果，本文证明了正则化传输类映射在 $C^{0,1-}_{loc}$ 中以及势函数在 $C^{1,1-}_{loc}$ 中向未正则化传输映射收敛（推论 5）。
对现有文献的改进： 作者指出，其全局偏差界限改进了现有文献中关于二次正则化（ $p=2$ ）的最佳已知结果（特别是 [35]）。

意义与主张

本文声称其估计是关于正则化参数 $\varepsilon$ 一致的，这一性质在正则化最优传输领域（特别是亚二次多项式正则化方面）通常是无法获得的。作者强调，他们的方法为熵正则化和多项式正则化提供了一个统一的框架。

关于正则化支撑集大小的精确局部界限的推导被呈现为一个具有独立研究价值的结果，因为它意味着全局偏差界限，并阐明了正则化与未正则化机制之间的过渡。作者谦虚地指出，虽然他们的全局界限在所有机制下不一定是最尖锐的，但它们代表了对现有二次正则化结果的改进。收敛结果被强调为对应用特别相关，为正则化传输计划在 $\varepsilon \to 0$ 时的稳定性提供了严格的理论依据。

该工作依赖于未正则化传输映射是双- $C^{1,\alpha}$ 正则的假设，这一条件在测度支撑集为凸集时是满足的（引用 [6]）。本文并不旨在提出新的数值算法或实验验证，而是专注于为正则化传输方法的稳定性与收敛性提供分析基础。