技术摘要：Sinkhorn 线性化与谱代理 (Sinkhorn Linearization and the Spectral Proxy)
1. 问题陈述
本文研究了在特征参数化代价 （feature-parameterized cost）设置下的逆最优传输 （Inverse Optimal Transport, IOT）问题，其中 C θ ( i , j ) = − θ ⊤ ϕ ( i , j ) C_\theta(i, j) = -\theta^\top \phi(i, j) C θ ( i , j ) = − θ ⊤ ϕ ( i , j ) 条件转移算子 （conditional transition operators，即状态转移数据）中恢复稀疏代价参数 θ \theta θ
核心挑战在于代价参数与观测到的传输计划之间存在非线性且高维的关系，并受到以下因素的复杂影响：
规范退化（Gauge Degeneracy）： OT 计划在代价矩阵的行和列常数变换下具有不变性（即规范子空间 G G G θ \theta θ 统计推断： 从有限样本的转移算子中恢复 θ \theta θ 模型误设（Misspecification）： 现实世界的数据可能并不严格遵循 OT 模型，因此需要分析当真实数据生成机制偏离 OT 假设时，估计量收敛于何处。
2. 方法论与核心技术贡献
本文的核心技术创新是 Sinkhorn 线性化 及其相关的 谱代理（Spectral Proxy, SSP） 。
Sinkhorn 线性化
通过对熵正则化 OT 问题的 KKT 条件应用隐函数微分，作者推导出了传输计划 π \pi π C C C δ x = − B H T − 1 B ⊤ δ c \delta x = -B H_T^{-1} B^\top \delta c δ x = − B H T − 1 B ⊤ δ c x = vec ( π ) x = \text{vec}(\pi) x = vec ( π ) c = vec ( C ) c = \text{vec}(C) c = vec ( C ) B B B H T H_T H T 受限 Hessian 矩阵（restricted Hessian） 。
谱夹逼（Spectral Sandwich）与代理
一个关键引理确立了受限 Hessian 逆矩阵的谱夹逼 性质：π min ε I ⪯ H T − 1 ⪯ π max ε I \frac{\pi_{\min}}{\varepsilon} I \preceq H_T^{-1} \preceq \frac{\pi_{\max}}{\varepsilon} I ε π m i n I ⪯ H T − 1 ⪯ ε π m a x I π min \pi_{\min} π m i n π max \pi_{\max} π m a x ε \varepsilon ε
为了提供几何透明度和计算效率，作者引入了谱代理（Spectral Proxy, SSP） ：δ x S S P = − 1 ε P T D π P T δ c \delta x_{SSP} = -\frac{1}{\varepsilon} P_T D_\pi P_T \delta c δ x S S P = − ε 1 P T D π P T δ c → \to → π \pi π → \to → 谱意义上是精确的 ，它保留了与精确线性化相同的上界和下界奇异值范围。这使得所有后续的统计界限都可以使用更简单的代理进行推导。
核心谱界限
结合特征参数化代价结构，得到了驱动整个理论的核心谱界限 ：σ min ( J θ ) ≥ π min a max ε λ min ( Σ ) \sigma_{\min}(J_\theta) \geq \frac{\pi_{\min}}{a_{\max} \varepsilon} \sqrt{\lambda_{\min}(\Sigma)} σ m i n ( J θ ) ≥ a m a x ε π m i n λ m i n ( Σ ) J θ J_\theta J θ θ \theta θ a max a_{\max} a m a x Σ \Sigma Σ
3. 主要理论结果
本文建立了四个定理和一个观察结果，所有结果均源自上述核心谱界限。
T1: 可识别性 (Identifiability)
结果： 只要特征维度满足 F ≤ ( K − 1 ) 2 F \leq (K-1)^2 F ≤ ( K − 1 ) 2 rank ( Σ ) = F \text{rank}(\Sigma) = F rank ( Σ ) = F θ \theta θ 商空间 F / N Φ F / N_\Phi F / N Φ N Φ N_\Phi N Φ 机制： 可识别性的证明通过三步复合论证完成：(1) 线性参数化在模规范意义下是单射；(2) Sinkhorn 映射在模规范意义下是单射（由于对偶问题的严格凸性）；(3) 到条件算子的归一化是线性且单射的。注： 尺度耦合 ( θ , ε ) → ( c θ , c ε ) (\theta, \varepsilon) \to (c\theta, c\varepsilon) ( θ , ε ) → ( c θ , c ε ) ε \varepsilon ε
T2: 稀疏一致性 (Sparsistency)
结果： ℓ 1 \ell_1 ℓ 1 θ \theta θ 条件： 需要实际 OT 信息矩阵满足不可表示性条件（irrepresentability condition） 、全坐标得分集中性以及全局选择条件。速率： 失败概率按 exp ( − C 2 n t n 2 ) \exp(-C_2 n t_n^2) exp ( − C 2 n t n 2 ) C 2 = 2 / Δ max 2 C_2 = 2/\Delta_{\max}^2 C 2 = 2/ Δ m a x 2 Δ max \Delta_{\max} Δ m a x
T3: 良定性与稳定性 (Well-Posedness and Stability)
结果： 从观测算子到代价参数的逆映射是强单调 且 Lipschitz 连续的。局部与全局：
局部： 强单调性在任何紧凸子集上成立，无需全局紧致性。全局： 要求参数域是紧致的，以确保 π min \pi_{\min} π m i n
Lipschitz 界限： 逆映射的 Lipschitz 常数为 L ≤ ε ∥ Φ ⊤ S a ∥ o p π min λ min ( Σ ) L \leq \frac{\varepsilon \|\Phi^\top S_a\|_{op}}{\pi_{\min} \lambda_{\min}(\Sigma)} L ≤ π m i n λ m i n ( Σ ) ε ∥ Φ ⊤ S a ∥ o p 偏差： 如果估计量使用的正则化水平 ε ′ ≠ ε \varepsilon' \neq \varepsilon ε ′ = ε O ( ∣ ε ′ − ε ∣ ) O(|\varepsilon' - \varepsilon|) O ( ∣ ε ′ − ε ∣ )
T4: 收敛性 (Convergence)
结果： 总体交叉熵目标函数在真实参数 θ ∗ \theta^* θ ∗ 局部强凸 的。收敛： 带有足够小步长的梯度下降法会单调收敛至局部极小值。曲率： 真值处的 Hessian 是正定的，其下界为 μ ≥ π min 2 λ min ( Σ ) ε 2 \mu \geq \frac{\pi_{\min}^2 \lambda_{\min}(\Sigma)}{\varepsilon^2} μ ≥ ε 2 π m i n 2 λ m i n ( Σ ) O ( n − 1 / 2 ) O(n^{-1/2}) O ( n − 1/2 )
O5: 误设分析 (Misspecification Analysis)
结果： 在模型误设（数据并非由 OT 生成）的情况下，估计量收敛于真实算子在 OT 模型集上的投影 。猜想： 该投影映射的 Hölder 连续性是一个猜想但尚未得到证明；数值实验表明其经验有效指数 α e f f ∈ ( 0 , 1 ) \alpha_{eff} \in (0, 1) α e f f ∈ ( 0 , 1 )
4. 实验验证
作者提供了广泛的数值验证（实验 E1–E10）来支持其理论主张：
可识别性 (T1)： 证实了秩与边际数量无关，但随着 ε → 0 \varepsilon \to 0 ε → 0 π min → 0 \pi_{\min} \to 0 π m i n → 0 稀疏一致性 (T2)： 展示了支撑集恢复概率的相变，并验证了指数衰减速率。作者指出，虽然不可表示性条件是充分条件，但在处理无结构特征时，它在实践中并非严格必要。良定性 (T3)： 验证了 Lipschitz 常数的预测，并观察到当 ε ′ \varepsilon' ε ′ ε \varepsilon ε 收敛性 (T4)： 表明与随机初始化相比，多尺度初始化显著提高了收敛成功率，这与局部吸引盆的存在相一致。误设 (O5)： 显示在非 OT 生成的情况下，估计量会投影到一个伪真点（pseudo-true point），且投影映射表现出依赖于设置的 Hölder 指数。标度律 (Scaling Laws)： 实验揭示了 π min \pi_{\min} π m i n ε → 0 \varepsilon \to 0 ε → 0
5. 意义与主张
本文声称通过单一的谱框架 统一了特征参数化 IOT 的统计与算法理论。其意义在于：
降低复杂度： 通过从 Sinkhorn 线性化导出的核心谱界限，推导出复杂的统计属性（可识别性、稀疏率、稳定性、收敛性）。显式常数： 提供了关键理论量的可计算常数，例如特征维度界限 F ≤ ( K − 1 ) 2 F \leq (K-1)^2 F ≤ ( K − 1 ) 2 几何透明度： 谱代理为算子范数分析提供了一个比精确线性化更具几何直观性且计算高效的替代方案。严谨的基础： 超越了贝叶斯框架或启发式方法，为 IOT 建立了频率派保证（支撑集恢复、一致性），并明确解决了以往工作中常被忽视的规范退化和误设问题。
作者对开放性问题保持谦逊，承认在无界空间上的全局强单调性、投影映射的 Hölder 连续性证明以及极小极大下界（minimax lower bounds）仍有待解决。