📊 statistics

Robust Wasserstein barycenter

本文针对经典 Wasserstein 平均分布对异常值敏感且依赖矩假设的局限性，提出了一种基于鲁棒最优传输的鲁棒 Wasserstein 平均分布（RWB），并建立了其存在性与一致性理论保证，同时通过模拟及真实数据实验验证了其在图像处理和金融时间序列分析等任务中优于传统方法的鲁棒性。

原作者： Zixiong Cheng, Hang Liu

发布于 2026-03-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zixiong Cheng, Hang Liu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 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

这篇文章主要解决了一个数学和统计学中的老问题：当数据里混入了“捣乱分子”（异常值）时，如何找到一个最公平、最准确的“平均值”？

为了让你轻松理解，我们可以把这篇论文的核心内容想象成一场**“寻找最佳聚会地点”**的冒险。

1. 背景：什么是“沃瑟斯坦中心”（Wasserstein Barycenter）？

想象一下，你有 100 个朋友，每个人都住在城市里不同的地方（每个朋友代表一个概率分布）。

传统方法（经典沃瑟斯坦中心）：你想找一个地点开派对，让这 100 个人到这里的总路程最短。这个地点就是“沃瑟斯坦中心”。
它的优点：它考虑了每个人具体的居住分布，比简单的算术平均（比如直接算坐标平均值）更聪明，能更好地反映数据的“形状”。
它的致命弱点：它太“老实”了。如果这 100 个人里突然混进了一个住在火星上的朋友（这就是异常值/Outlier），为了让他也能参加，这个“最佳地点”会被强行拉向火星，导致原本住在地球上的 99 个人都要跑很远。而且，如果某个朋友住的地方离得太远（数据没有有限的“矩”），这个算法甚至直接算不出来。

简单说：传统的“平均地点”太容易被极端数据带偏，甚至算不出来。

2. 创新：什么是“鲁棒沃瑟斯坦中心”（Robust Wasserstein Barycenter, RWB）？

作者提出了一种新方法，叫**“鲁棒沃瑟斯坦中心”（RWB）**。

核心比喻：给路程设个“封顶价”
想象一下，传统的算法是：“不管多远，都要算上你的路费”。
而 RWB 的算法是：“我们设定一个最大报销额度（比如 100 公里）。

如果你住在 50 公里外，算 50 公里。
如果你住在 1000 公里外（像那个火星朋友），我们只算 100 公里。
如果你住在火星，我们依然只算 100 公里，不再管他住得有多离谱。”

这就是论文中的“截断成本函数”（Truncated Cost Function）。
通过给“距离”设一个上限，那些极端的异常值（火星朋友）对最终结果的影响就被切断了。无论他们住得多远，对“最佳聚会地点”的拉扯力都是一样的（且很小）。

3. 这篇论文做了什么？（三大贡献）

提出了新理论：正式定义了这种“带封顶”的平均算法（RWB），并证明了它一定存在，而且随着数据越多，它算出来的结果会越来越准（一致性）。
解决了“算不出来”的问题：传统的算法要求数据必须“有界”（不能无限远），但 RWB 不需要。哪怕数据里有无限远的异常值，它也能算。
发明了更快的算法：
- 旧方法（固定网格）：像是在一张巨大的地图上，把每个小格子都当成可能的聚会地点。如果地图很大（高维数据），格子多到电脑算不过来（维数灾难）。
- 新方法（自由支持）：像是直接问大家：“你们觉得哪里合适？”然后只在这些真正有人住的地方找答案。作者发现，其实只需要很少的几个点就能代表整个分布。这让算法在计算图片等复杂数据时，既快又准。

4. 实验结果：真的有用吗？

作者做了两个有趣的实验来证明 RWB 的厉害：

实验一：修图（图像去噪）
- 场景：有一堆椭圆形的图片，但右上角被人为加了一些杂乱的噪点（异常值）。
- 结果：传统的“平均图”（WB）会被噪点带偏，椭圆变形、模糊，甚至位置跑偏。而新的“鲁棒平均图”（RWB）依然保持椭圆清晰、位置端正，完全无视那些噪点。
- 比喻：就像一群人里混进了几个乱涂乱画的人，传统方法会把整张画都涂歪，而新方法能自动忽略乱涂乱画，还原出原本清晰的画作。
实验二：股票分析（金融数据）
- 场景：分析股票价格波动。正常波动在 0 附近，但偶尔会有“黑天鹅”事件导致价格暴涨暴跌（异常值）。
- 结果：如果用传统方法，这些暴涨暴跌会把“平均趋势”拉得面目全非。用 RWB 方法，算出来的趋势线依然紧贴着大多数正常股票的表现，非常稳健。
- 比喻：在计算全班平均身高时，如果混进一个巨人，传统算法会让平均身高变高；RWB 算法则会自动把巨人的身高“截断”，让平均身高回归到普通人的水平。

5. 总结

这篇论文就像给统计学界提供了一把**“防弹盾牌”**。

以前：计算数据的“中心”时，只要混进几个捣乱的数据，结果就全废了。
现在：有了鲁棒沃瑟斯坦中心（RWB），无论数据里有多少极端异常值，或者数据分布多么奇怪，我们都能算出一个既准确又稳定的“中心”。

这对于处理金融风控（防止黑天鹅误导模型）、图像处理（去除噪点）以及机器学习（让模型更抗造）等领域，都有着巨大的实用价值。

以下是基于论文《Robust Wasserstein barycenter》（鲁棒 Wasserstein 重心）的详细技术总结：

1. 研究背景与问题 (Problem)

核心问题：
经典的 Wasserstein 重心（Wasserstein Barycenter, WB）在统计学、机器学习和图像处理等领域有广泛应用，用于对多个概率分布进行“平均”。然而，经典 WB 存在两个根本性的局限：

矩假设限制：计算经典 WB 通常要求输入分布具有有限的低阶矩（如一阶或二阶矩）。
对异常值敏感：经典 WB 对数据中的异常值（outliers）和污染（contamination）非常敏感。在存在离群点的情况下，计算出的重心会发生显著偏移，导致结果失真。
计算维数灾难：现有的固定支撑集（fixed-support）算法（如 IBP）在处理高维数据时，由于支撑点数量随维度指数级增长，面临“维数灾难”。

研究目标：
提出一种新的鲁棒 Wasserstein 重心（Robust Wasserstein Barycenter, RWB），旨在克服上述敏感性，无需矩假设，并能有效抵抗异常值干扰，同时解决高维计算难题。

2. 方法论 (Methodology)

2.1 理论基础：鲁棒最优传输 (Robust Optimal Transport)

作者基于 Mukherjee 等人 [13] 和 Ma 等人 [4] 提出的鲁棒最优传输概念，对经典 Wasserstein 距离进行了改进：

截断成本函数：引入截断参数 $\lambda > 0$ ，定义截断距离函数 $c^{(\lambda)}(x, y) = \min\{d(x, y), \lambda\}$ 。
鲁棒 Wasserstein 距离 ( $W_p^{(\lambda)}$ )：
$W_p^{(\lambda)}(\mu, \nu) := \min_{\gamma \in \Pi(\mu, \nu)} \left\{ \int_{X \times X} [c^{(\lambda)}(x, y)]^p d\gamma \right\}^{1/p}$
该距离不再要求概率测度具有有限矩，且通过截断大距离值，降低了异常值对总传输成本的影响。

2.2 鲁棒 Wasserstein 重心 (RWB) 定义

RWB 定义为最小化鲁棒 Wasserstein 距离加权和的分布：
$\nu_{p,k}^{(\lambda)} := \arg \min_{\xi} \sum_{i=1}^n w_i \left[ W_p^{(\lambda)}(\mu_i, \xi) \right]^k$
其中 $\mu_i$ 是输入分布， $w_i$ 是权重。通常取 $k=p$ 。

2.3 理论保证

存在性 (Existence)：证明了在任意随机概率测度 $\Lambda$ 下，RWB 的目标函数存在最小化器。
一致性 (Consistency)：证明了当输入分布序列收敛时，RWB 序列也收敛到真实的鲁棒重心。
支撑集性质：证明了当输入分布具有有限支撑集时，RWB 的支撑集也是有限的，并给出了支撑集大小的上界（ $|\text{supp}(\nu^*)| \le \sum S_i + 1 - n$ ）。
唯一性说明：由于截断参数 $\lambda$ 的存在，目标函数不再是严格凸的，因此 RWB 在一般情况下可能不唯一。

2.4 计算算法：自由支撑集方法 (Free-Support Method)

针对高维问题，作者提出了一种自由支撑集算法，改进了传统的固定支撑集算法（如 IBP）：

原理：不再将重心限制在预定义的网格上，而是同时优化重心的概率质量权重和支撑点位置。
迭代步骤：
1. 利用固定支撑算法计算当前支撑集下的最优质量分布。
2. 根据定理 2 定义的映射 $B_{\nu}$ ，更新支撑点位置（寻找使加权截断距离和最小的新点）。
3. 重复上述过程直至收敛。
优势：利用 RWB 稀疏性的理论结果，显著减少了支撑点数量，从而克服了维数灾难，并在图像处理中表现出比固定支撑集更好的效果。

3. 主要贡献 (Key Contributions)

提出新概念：首次定义了鲁棒 Wasserstein 重心（RWB），解决了经典 WB 对异常值敏感且依赖矩假设的问题。
理论证明：建立了 RWB 的存在性和一致性证明，并刻画了离散输入下 RWB 支撑集的大小上界。
算法创新：提出了一种通用的自由支撑集算法，推广了现有的固定支撑算法，有效解决了高维场景下确定合适支撑集的难题。

4. 实验结果 (Results)

4.1 图像合成实验

设置：在 40x40 的随机嵌套椭圆图像上添加右上角的随机异常点。
发现：
- 经典 WB 的边界在异常点附近变得模糊，且重心明显向异常点偏移。
- RWB（无论是自由支撑还是固定支撑）保持了更清晰的边界，且未出现明显的偏移，表现出更强的抗干扰能力。
- 在图像处理中， $W_1$ 距离下的结果通常比 $W_2$ 更锐利。

4.2 数值模拟实验

污染数据测试：混合正态分布（信号）与远离信号的正态分布（污染）。
- 随着污染比例增加，经典 WB 与真实重心的 Wasserstein 距离增长较快，而 RWB 的增长较缓。
- 当截断参数 $\lambda$ 适中（如 $\lambda=30$ ）时，RWB 性能最优。
重尾分布测试：使用自由度 $df=3$ 的 t 分布（重尾）。
- RWB 在重尾分布下表现优于经典 WB，证明了其在缺乏有限矩假设下的鲁棒性。

4.3 真实数据分析

数据集：股票收盘价的对数收益率。
方法：使用孤立森林（Isolation Forest）识别异常值，构建含异常值和不含异常值的输入分布。
结果：
- 在包含大量异常值的场景下，RWB 计算出的分布形状与“干净”数据下的经典 WB 分布高度吻合。
- 相比之下，经典 WB 受异常值影响较大，分布发生显著变形。
- 最优截断参数 $\lambda \approx 0.30$ 。

5. 意义与展望 (Significance)

理论意义：将鲁棒统计思想引入最优传输领域，扩展了 Wasserstein 空间的应用范围，使其适用于重尾分布和无矩假设的复杂数据场景。
应用价值：为金融时间序列分析、图像处理、聚类分析等存在噪声或异常值的实际任务提供了更可靠的分布平均工具。
未来方向：
- 研究带有熵正则化的 RWB 版本。
- 探索 RWB 在高维数据中的理论性能。
- 将 RWB 与前沿深度学习模型结合。

总结：该论文通过引入截断成本函数和自由支撑集算法，成功构建了一个既具备理论严谨性（存在性、一致性），又具有实际鲁棒性（抗异常值、适应重尾）的鲁棒 Wasserstein 重心框架，显著优于经典方法。