跳转至

Central Limit Theorems for Optimal Transport Functionals

作者: Haruki Kono
主题: 非参数 / 半参数
相关性: 7/10
链接: https://arxiv.org/abs/2610.27857


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是最优传输(Optimal Transport, OT)的统计推断,其根本科学问题是:当我们只能从目标分布 \(P\) 中观测到 i.i.d. 样本时,如何对依赖于最优传输映射 \(T_P\) 或其势函数 \(\phi_P\) 的标量泛函 \(\theta(P) = J(\phi_P)\) 进行推断(构造置信区间、检验假设)。这里的核心统计困难在于,传输映射本身是一个非光滑(甚至不连续)的函数-valued 估计量,其收敛速度与维度密切相关,导致经典的 delta 方法(在 Banach 空间中)失效。该方向当前处于活跃发展阶段,但尚未形成统一的理论框架,不同设定(光滑化、熵正则化、半离散)下的结果彼此独立。

发展脉络(history)

  1. 奠基工作:一维与代价泛函的 CLT。del Barrio and Loubes (2019) 证明了在一般维度下,经验二次传输代价(Wasserstein 距离)的期望中心化 CLT。这是最早将 OT 代价视为统计泛函并建立极限理论的工作,但其极限分布以期望为中心,而非总体值,且不涉及传输映射本身。
  2. 主要进展:映射与势函数的极限理论。Manole et al. (2024a) 在平坦环面上建立了光滑传输映射的逐点 CLT(归一化为 \(\sqrt{nh_n^d}\)),但该结果依赖于核平滑(带宽 \(h_n\)),且维度 \(d \ge 3\) 时归一化因子不再是 \(\sqrt{n}\)。Goldfeld et al. (2024a, 2024c) 对光滑化 Wasserstein 距离建立了极限分布与 bootstrap 一致性。González-Sanz and Sheng (2025) 则对光滑化目标分布的映射建立了 CLT。这些工作共同揭示了:在 \(L^2\) 意义下,经验传输映射不存在非退化的弱极限(本文 Theorem 1.1 将其推广到所有维度 \(d \ge 2\) 且无需平滑)。
  3. 当前 frontier:标量泛函的直接推断。Hundrieser et al. (2024) 通过 Hadamard 方向可微性与经验过程理论,对一大类 OT 泛函建立了统一的极限理论,但其框架要求泛函在相关拓扑下可微,且极限分布通常为高斯过程的 sup 泛函,难以直接用于推断。本文的贡献在于:绕开映射本身的收敛性,直接在目标分布上对泛函进行线性化,从而在低维度(\(d=2,3\))下获得标量泛函的 \(\sqrt{n}\)-CLT 与 bootstrap 有效性。

子线索聚类

  • 线索 A:代价/距离泛函的极限理论(del Barrio & Loubes 2019; Hundrieser et al. 2024; Goldfeld et al. 2024a)。这类工作关注 \(W_2^2(\mu, P)\) 或其光滑/熵正则化版本的推断,核心工具是经验过程理论与 delta 方法。已知瓶颈:极限分布通常非正态(sup 泛函),且需要复杂的函数空间嵌入条件。
  • 线索 B:映射/势函数的极限理论(Manole et al. 2024a; González-Sanz & Sheng 2025; Sadhu et al. 2024)。这类工作关注 \(T_P\) 或 \(\phi_P\) 本身的估计,核心工具是 PDE 正则性理论与核平滑。已知瓶颈:映射的收敛速度慢(\(n^{-1/d}\) 或更慢),且 \(L^2\) 下无极限分布(本文 Theorem 1.1 给出了严格证明)。
  • 线索 C:标量泛函的直接线性化(本文)。这类工作(目前仅本文)直接对 \(J(\phi_P)\) 进行线性化,将影响函数表示为线性椭圆 PDE 的解,从而避开映射收敛性问题。核心优势:在低维度下获得 \(\sqrt{n}\)-CLT 与 bootstrap 有效性;核心代价:需要求解 PDE 并验证其正则性。

这个方向在追问的核心问题

  1. 何时存在 \(\sqrt{n}\)-CLT? 本文给出的充分条件是:维度 \(d \le 3\) 且泛函满足一定的光滑性(Assumption 2.2)。已知的瓶颈是:维度 \(d \ge 4\) 时,经验传输映射的 \(L^2\) 误差以 \(n^{-2/d}\) 收敛,其平方的期望为 \(n^{-4/d}\),导致 \(\sqrt{n}\) 乘以余项发散。这是一个本质障碍还是技术障碍? 目前没有答案。
  2. 如何构造有效的置信区间? 本文证明了 bootstrap 的有效性,但 bootstrap 需要重估传输映射,计算成本高。是否存在无需重估的解析方差估计量(如直接估计影响函数 \(\psi_P\))?本文未讨论。
  3. 如何推广到双边问题(两个分布均未知)? 本文仅处理单样本问题(参考分布 \(\mu\) 已知)。若 \(\mu\) 也需估计,影响函数将包含额外的项,且传输映射的收敛性会更差。这是否会导致不同的收敛速率?

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"尽管已有大量关于 OT 代价和映射的极限理论,但对于依赖于映射的标量泛函(如风险度量),缺乏统一的推断框架。现有方法要么要求泛函在 \(L^q\) 拓扑下可微(但梯度泛函不满足),要么依赖平滑化(改变目标量)。本文通过直接线性化泛函,填补了这一空白。" 作者淡化了以下竞争路线:(i) Hundrieser et al. (2024) 的统一框架(作者认为其极限分布非正态,不便于推断);(ii) 熵正则化 OT 的推断(作者未引用 del Barrio et al. 2023 之外的熵正则化统计文献);(iii) 双边问题的已有结果(作者完全未讨论)。值得研究者去查的问题:为什么作者没有引用 Goldfeld et al. (2024b) 关于熵正则化映射的 CLT?这是否意味着本文的方法无法推广到熵正则化设定?

张力

未见明显对立引用。但存在一个微妙的张力:Manole et al. (2024a) 在环面上证明了映射的逐点 CLT(归一化 \(\sqrt{nh_n^d}\)),而本文 Theorem 1.1 证明了 \(L^2\) 下无极限。这两者并不矛盾(逐点收敛与 \(L^2\) 收敛的归一化不同),但暗示了:映射的极限行为高度依赖于拓扑。这值得研究者注意:如果未来工作声称"映射的 CLT",必须明确说明是在何种拓扑下。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

  • 参数 / 估计目标:
  • \(\mu\):已知的参考分布,支撑在 \(\Omega \subset \mathbb{R}^d\),密度 \(\rho\) 满足 \(0 < \inf \rho \le \sup \rho < \infty\)。
  • \(P\):未知的目标分布,支撑在 \(\Lambda \subset \mathbb{R}^d\),密度 \(p\) 满足类似的正则性(Assumption 2.1)。
  • \(T_P := \nabla \phi_P\):从 \(\mu\) 到 \(P\) 的二次最优传输映射(Brenier 映射),\(\phi_P\) 为凸势函数,归一化为 \(\mu\phi_P = 0\)。
  • \(\theta(P) := J(\phi_P)\):标量泛函,是本文的估计目标(estimand)。
  • \(\psi_P\):影响函数(influence function),满足 \(P\psi_P = 0\),是 \(\theta\) 在 \(P\) 处的"导数"。
  • \(g_P := \psi_P \circ T_P\):影响函数在 \(\Omega\) 上的"拉回",是线性椭圆 PDE 的解。

  • 随机变量 / 样本:

  • \(Y_1, \dots, Y_n \overset{\text{i.i.d.}}{\sim} P\):可观测样本。
  • \(P_n := n^{-1}\sum_{i=1}^n \delta_{Y_i}\):经验分布。
  • \(\phi_{P_n}\):从 \(\mu\) 到 \(P_n\) 的经验传输势函数。
  • \(\hat{\theta}_n := J(\phi_{P_n})\):plug-in 估计量。

  • 潜在 / 不可观测量:

  • \(T_P, \phi_P, \psi_P, g_P\):均依赖于未知的 \(P\),不可直接观测,只能通过样本估计。
  • 关键识别假设:本文假设 \(\mu\) 完全已知。这意味着我们不需要估计参考分布,只需估计目标分布 \(P\)。若 \(\mu\) 未知,整个框架需要重新设计。

第二步:最小内核

剥去所有技术假设后,本文的核心数学问题是:

设 \(P\) 是 \(\mathbb{R}^d\)(\(d \ge 2\))上的光滑分布,\(\mu\) 是已知的光滑参考分布。定义泛函 \(\theta(P) = J(\phi_P)\),其中 \(\phi_P\) 是 Brenier 势函数。给定 i.i.d. 样本 \(Y_1, \dots, Y_n \sim P\),plug-in 估计量 \(\hat{\theta}_n = J(\phi_{P_n})\) 是否满足

\[> \sqrt{n}(\hat{\theta}_n - \theta(P)) \Rightarrow N(0, \sigma_P^2)? >\]

为什么这个问题难?

  1. 映射不收敛:经验传输映射 \(T_{P_n}\) 在 \(L^2(\mu)\) 下不收敛到任何非零极限(Theorem 1.1)。因此,任何试图先证明 \(T_{P_n} \to T_P\) 再应用 delta 方法的路线都行不通。
  2. 泛函不光滑:\(J\) 依赖于 \(\phi_P\) 的梯度,而 \(\phi_P\) 是 PDE 的解,其 \(L^2\) 误差的收敛速度仅为 \(n^{-1/d}\)(\(d=2\))或 \(n^{-2/d}\)(\(d=3\)),远慢于 \(\sqrt{n}\)。
  3. 维度效应:当 \(d \ge 4\) 时,\(\sqrt{n} \cdot n^{-2/d} \to \infty\),意味着即使线性化成立,余项也无法忽略。因此,本文的结果本质上局限于 \(d \le 3\)。

本文的关键想法(最小内核):

不要先估计映射,再估计泛函。而是直接在分布 \(P\) 上对泛函 \(\theta\) 进行线性化。

具体来说,对于另一个分布 \(R\),有

\[\theta(R) - \theta(P) \approx \int \psi_P \, d(R-P),\]
其中 \(\psi_P\) 是影响函数。本文证明: 1. \(\psi_P\) 可以通过求解一个线性椭圆 PDE 得到(方程 (18)); 2. 余项可以被传输映射的 \(L^2\) 误差的某个幂次控制; 3. 在 \(d \le 3\) 且 \(r > d/2\) 的条件下,余项乘以 \(\sqrt{n}\) 趋于零。

最简例子(\(d=2\),线性泛函):

假设 \(J(\phi) = \int w \cdot \nabla \phi \, d\mu\)(即 \(w\) 与传输映射的内积的期望)。此时: - 影响函数为 \(\psi_P(y) = w(T_P^{-1}(y)) - P\psi_P\)(需通过 PDE 求解); - 余项为 \(\int w \cdot (T_{P_n} - T_P) \, d\mu\),其期望的绝对值 \(\le \|w\|_{L^2} \|T_{P_n} - T_P\|_{L^2}\); - 由 Lemma 4.1,\(\mathbb{E}[\|T_{P_n} - T_P\|_{L^2}^2] \le C n^{-1/2}\)(\(d=2\)),故余项为 \(O_P(n^{-1/4})\),乘以 \(\sqrt{n}\) 后为 \(O_P(n^{-1/4}) = o_P(1)\)。

这个例子的启示:即使映射本身不收敛,其"平均"(即泛函)仍然可以收敛,且收敛速度为 \(\sqrt{n}\)。这正是本文的核心洞察。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在参考分布已知、目标分布未知的单样本设定下,对依赖于二次最优传输映射的标量泛函(如 Wasserstein 代价、风险度量)建立 \(\sqrt{n}\)-CLT 与 bootstrap 置信区间。
  2. 核心工具 / 方法:直接在目标分布上对泛函进行线性化,将影响函数表示为线性椭圆 PDE 的解;余项由传输映射的 \(L^2\) 误差控制,并在低维度(\(d=2,3\))下证明其可忽略性。
  3. 主要结论:在维度 \(d=2,3\) 且泛函满足一定光滑性(Assumption 2.2)的条件下,plug-in 估计量满足 \(\sqrt{n}(\hat{\theta}_n - \theta(P)) \Rightarrow N(0, \sigma_P^2)\),且经验 bootstrap 一致有效;同时证明了在 \(L^2\) 下映射误差不存在非零弱极限(Theorem 1.1),从而排除了基于映射收敛的推断路线。

关键设定与假设

  • Assumption 2.1(分布正则性):\(\mu\) 和 \(P\) 都是正则分布(支撑为有界凸域,密度 \(C^{1,\alpha}\) 且上下有界)。这保证了 Brenier 映射的存在性、唯一性和 \(C^{2,\alpha}\) 正则性(Lemma 2.1)。
  • Assumption 2.2(泛函光滑性):泛函 \(J\) 在 \(\phi_P\) 处有连续 Fréchet 导数,且导数满足 Hölder 条件(指数 \(r-1\))。这保证了线性化的余项可以被控制。
  • 关键隐含假设:
  • 单样本问题:\(\mu\) 已知,只有 \(P\) 需要估计。若 \(\mu\) 未知,影响函数会改变。
  • 低维度:\(d \le 3\)。这是由传输映射的收敛速率决定的(见 Lemma 4.1)。
  • 无平滑化:直接使用经验分布 \(P_n\),不进行核平滑或熵正则化。这与 Manole et al. (2024a) 和 Goldfeld et al. (2024a) 形成对比。

主要结果

  1. Theorem 1.1(无映射 CLT):在 \(d \ge 2\) 下,\(\sqrt{n}(T_{P_n} - T_P)\) 在 \(L^2(\mu)\) 中不紧(不存在非零弱极限)。这排除了"先估计映射,再应用 delta 方法"的路线。
  2. Theorem 3.1(线性展开):对任意分布 \(R\),
    \[\theta(R) - \theta(P) = (R-P)\psi_P + \mathcal{R}(R,P), \quad |\mathcal{R}(R,P)| \le C \|T_R - T_P\|_{L^2(\mu)}^r.\]
    这是全文的基石,将泛函的差分解耦为影响函数项和余项。
  3. Lemma 4.1(映射误差界):\(\mathbb{E}[\|T_{P_n} - T_P\|_{L^2(\mu)}^2] \le C a_{n,d}\),其中 \(a_{n,d} = \log n / n\)(\(d=2\))或 \(n^{-2/d}\)(\(d \ge 3\))。结合 Theorem 3.1,当 \(d=2,3\) 且 \(r > d/2\) 时,\(\sqrt{n} \mathcal{R}(P_n, P) = o_P(1)\)。
  4. Theorem 4.3(CLT):在 \(d=2,3\) 且 \(r > d/2\) 下,\(\sqrt{n}(\hat{\theta}_n - \theta(P)) \Rightarrow N(0, \sigma_P^2)\),其中 \(\sigma_P^2 = P\psi_P^2\)。
  5. Theorem 4.5(Bootstrap):经验 bootstrap 的分布一致收敛到同一正态极限,因此可用于构造置信区间。

证明路线与技术技巧

  1. 整体路线:
  2. Step 1:证明映射误差的矩界(Lemma 4.1),利用 Ambrosio et al. (2022) 和 Huesmann et al. (2025) 的 Wasserstein 距离收敛速率。
  3. Step 2:对泛函 \(J\) 进行 Taylor 展开,将余项分解为"泛函非线性"和"映射误差"两部分。
  4. Step 3:将影响函数表示为线性椭圆 PDE 的解(方程 (18)),并利用 PDE 正则性理论(Zhuge 2021)证明其光滑性。
  5. Step 4:结合 Step 1-3,证明余项在 \(\sqrt{n}\) 尺度下可忽略。
  6. Step 5:对影响函数项应用经典 CLT 与 bootstrap 理论。

  7. 关键技术技巧:

  8. 影响函数的 PDE 刻画:将 \(\theta\) 的导数表示为椭圆算子的解,这是本文最核心的技术贡献。具体地,\(\psi_P = g_P \circ F_P\),其中 \(g_P\) 满足 Neumann 边值问题 (18)。这避免了直接计算 \(\phi_P\) 的导数。
  9. 余项的分段估计:对于不穿过界面 \(\Sigma_P = T_P(\partial A)\) 的样本点,使用 Taylor 展开;对于穿过界面的点,使用 Lipschitz 连续性。这种"分段控制"是处理不连续权重的关键。
  10. 谱理论:在 Theorem 1.1 的证明中,使用 Laplacian 的特征函数展开(Laugesen 2012),将 \(L^2\) 紧性转化为特征值的发散性。

真实例子与应用

  • 例 3(Wasserstein 代价):\(J_W(\phi) = \int \|z - \nabla\phi(z)\|^2 d\mu(z)\)。此时影响函数为 \(\psi_{W,P}(y) = \|y\|^2 - 2\phi_P^*(y) - P\psi_{W,P}\),其中 \(\phi_P^*\) 是凸共轭。本文证明该泛函满足 Assumption 2.2 且 \(r=2\),因此在 \(d=2,3\) 下 CLT 成立。
  • 例 6(最大尾部相关):\(\kappa_\tau(P) = \frac{1}{\tau}\int_{E_\tau} z \cdot \nabla\phi_P(z) d\mu(z)\)。该泛函的权重在 \(\partial A_\tau\) 处不连续,因此需要 \(r=4/3\) 的特殊处理。本文证明在 \(d=2\) 下 CLT 成立,但 \(d=3\) 时 \(r=4/3 < 3/2\),CLT 不成立。
  • 无真实数据实验:本文为纯理论论文,没有数值模拟或实际数据应用。

🔎 结论是否比证明窄

  • Theorem 4.3 的陈述:要求 \(d \in \{2,3\}\) 且 \(r > d/2\)。但证明中 Lemma 4.1 的映射误差界在 \(d=3\) 时仅为 \(n^{-2/3}\),其 \(r/2\) 次方为 \(n^{-r/3}\)。当 \(r=2\) 时,\(\sqrt{n} \cdot n^{-2/3} = n^{-1/6} \to 0\),没问题。但当 \(r=4/3\) 时,\(\sqrt{n} \cdot n^{-4/9} = n^{1/18} \to \infty\),CLT 不成立。作者在例 6 中明确指出了这一点,但 Theorem 4.3 的陈述本身没有强调这一限制。
  • Bootstrap 的陈述:Theorem 4.5 要求与 Theorem 4.3 相同的条件。但 bootstrap 需要重估传输映射,其计算误差在 \(d=3\) 时可能影响有限样本表现。作者未讨论 bootstrap 的收敛速度。
  • 效率界:Theorem 5.1 声称 plug-in 估计量达到半参数效率界,但该结论依赖于影响函数的正确性。对于例 5(子群评估),影响函数在界面处不连续,效率界的推导需要额外的正则性条件,作者未明确说明。

四、开放问题

  1. 维度 \(d \ge 4\) 的推断:本文的 CLT 在 \(d \ge 4\) 时不成立(因为 \(\sqrt{n} \cdot n^{-r/d} \to \infty\))。是否存在其他归一化(如 \(n^{2/d}\))下的极限分布?或者需要采用平滑化/正则化策略?这是最直接的开放问题。(扎根于 Theorem 4.3 的维度限制和 Lemma 4.1 的误差界。)
  2. 双边问题:若参考分布 \(\mu\) 也未知(需要从另一组样本估计),影响函数会如何变化?传输映射的收敛性会更差,是否会导致不同的速率?本文完全未讨论。(扎根于 Assumption 2.1 中 \(\mu\) 已知的设定。)
  3. 影响函数的显式估计:本文证明了 bootstrap 的有效性,但未给出影响函数 \(\psi_P\) 的显式估计量。能否通过估计 PDE (18) 的解来构造解析的方差估计量,从而避免 bootstrap 的计算成本?(扎根于 Theorem 4.5 的 bootstrap 设定。)
  4. 非光滑泛函:本文要求泛函 \(J\) 满足 Hölder 光滑性(Assumption 2.2)。对于不光滑的泛函(如涉及传输映射的 \(L^\infty\) 范数),是否存在类似的线性化框架?(扎根于 Assumption 2.2 的光滑性要求。)
  5. 效率界的紧性:Theorem 5.1 声称达到半参数效率界,但未讨论该界是否紧(即是否存在更高效的估计量)。对于例 5 中的不连续权重,效率界是否仍然有效?(扎根于 Theorem 5.1 的陈述。)

提示:要确认上述问题是否为真 gap,建议去读 González-Sanz et al. (2026a)、Manole et al. (2024a) 和 Hundrieser et al. (2024) 的引言部分——如果它们都指向同一个未解决问题,那就是共识;如果它们各自提出不同的框架,那就是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论