Minimax Optimal Estimation of Transport-Growth Pairs in Unbalanced Optimal Transport¶

会议: NeurIPS 2026
arXiv: 2605.08705
领域: 优化/理论
关键词: 非平衡最优传输, 传输-增长对, 极小极大最优率, 稳定性界, 核估计器

一句话总结¶

针对非平衡最优传输（UOT）中边缘分布质量不守恒的本质特征，本文提出了将“传输映射与增长因子”联合作为统计估计目标的理论框架，设计了离散方案估计器与边界自适应核平滑估计器，并通过目标泛函扰动的稳定性展开证明了其达到极小极大最优收敛阶。

研究背景与动机¶

经典平衡最优传输（Balanced OT）为概率测度之间的几何比较与对齐提供了坚实的数学理论，并在生成模型、领域自适应和统计推断中得到了广泛应用。在平衡情形下，测度之间的全质量严格守恒，统计估计的核心目标在于从离散观测中恢复 Monge 传输映射。现存的大量理论研究已经基于半对偶曲率（semi-dual curvature）、Bregman 散度以及 Kantorovich 势函数的光滑性，完整建立了平滑与非平滑设定下 Monge 映射的极小极大收敛速率。

然而在现实世界的数据集（如单细胞发育轨迹、肿瘤组织增殖与消亡、带有遮挡和离群点的 3D 几何形状对齐等）中，源分布与目标分布的总质量通常并不相等，且质量的局部创生与消融是物理过程的内在特征。非平衡最优传输（Unbalanced Optimal Transport, UOT）通过引入散度惩罚（如 Kullback-Leibler 散度）放宽了严格的边缘约束，使得传输计划的边缘测度可以偏离参考测度。尽管现有的 UOT 研究在半对偶势函数的快速收敛率或离散度量估计上取得了一定进展，但对于连续空间中类似于 Monge 映射的点对点确定性估计问题，其统计理论与极小极大收敛下界长期处于空白状态。

导致这一理论缺失的核心矛盾在于：UOT 不仅涉及粒子在空间中的位移，还内嵌了空间各点质量扩张或收缩的尺度变化。传统平衡 OT 的半对偶稳定性分析工具与映射误差界直接绑定在严格边缘守恒的基础上，无法解耦由于边缘松弛所引入的额外自由度。本文的核心 idea 是：将 UOT 的统计估计目标显式重构为“传输映射 $T_0$ 与增长因子 $\lambda_0$”组成的传输-增长对（Transport-Growth Pair），并通过建立 UOT 目标泛函关于测度扰动的一阶稳定性展开与间隙条件，绕开势函数半对偶分析的瓶颈，推导出非平衡映射与增长率联合估计的极小极大最优收敛阶。

方法详解¶

整体框架¶

在二次代价与 KL 散度边缘惩罚的 Gaussian-Hellinger 几何构型下，非平衡 Monge 问题的极小化目标不仅需要求解几何位移映射 $T:\Omega\to\Omega$，还需同时求解非负增长加权因子 $\lambda:\Omega\to [0,\infty)$。源测度 $\mu$ 在传输-增长对 $(T, \lambda)$ 的联合作用下，通过加权前推测度 $(T,\lambda)_{\#}\mu := T_{\#}(\lambda^2 \mu) = \nu$ 实现与目标测度 $\nu$ 的对齐。

整体统计估计流程包含测度总质量与离散经验观测的处理、两种不同假设下的估计器构建、以及基于目标泛函扰动的稳定性误差分解。根据对测度光滑性先验的不同要求，本文分别设计了通用高维条件下的“基于离散传输计划的估计器（PB-1NN）”和光滑密度设定下的“边界自适应核平滑估计器（Kernel Plugin）”。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    IN["经验样本观测<br/>X ~ μ, Y ~ ν 及总质量估计"] --> BR{"先验设定选择"}
    BR -->|通用高维 / 任意几何| D1["离散传输计划求解与重心投影<br/>求解离散UOT得到计划矩阵，计算行赋权与重心映射"]
    BR -->|光滑密度 / 超立方体| D2["边界自适应诺伊曼核密度估计<br/>一维余弦张量积截断，自适应边界且无需环面假定"]
    D1 --> D3["传输-增长对联合重构<br/>最近邻 Voronoi 空间延拓与截断指数修正"]
    D2 --> D4["势函数对偶投影与光滑映射求解<br/>求解拟合测度UOT对偶，通过 c-变换求最优逆映射"]
    D3 --> ST["泛函稳定性分析与极小极大收敛保证<br/>利用目标泛函间隙条件，证明均方误差达到极小极大最优率"]
    D4 --> ST

关键设计¶

1. 离散传输计划求解与重心投影：从离散非平衡解中分离传输与活性源赋权
针对非光滑分布或高维经验分布，现有方法难以直接求解连续 Monge 映射。本文首先求解经验加权测度 $\widehat{\mu}_n$ 与 $\widehat{\nu}_m$ 之间的离散 Kantorovich UOT 优化问题，得到最优离散传输矩阵 $\widehat{\gamma} \in \mathbb{R}_{+}^{n \times m}$。为了从松弛矩阵中提取几何位移，本文在每个具有正行和 $\widehat{r}_i = \sum_{j=1}^m \widehat{\gamma}_{ij} > 0$ 的源样本点处，定义其 Fréchet 重心投影 $\widehat{T}_i = \frac{1}{\widehat{r}_i} \sum_{j=1}^m \widehat{\gamma}_{ij} Y_j$；若行和为零，则置 $\widehat{T}_i = X_i$。更关键的是，活性源边缘测度满足恒等式 $\gamma_0 = e^{-\varphi_0}\mu = a_0^2 \mu$（其中 $a_0 = e^{-\varphi_0/2}$ 为活性源因子）。因此，行和与经验权重的比值直接给出了点级活性源因子估计 $\widehat{a}_i = \sqrt{\widehat{r}_i / \widehat{\mu}_i}$。通过结合点级位移与活性源权重，设计了带有紧致边界区间 $[w_-, w_+]$ 截断的增长因子点估计： $$\widehat{\lambda}_i = \mathrm{clip}_{[w_-, w_+]}\left(\widehat{a}_i^2\right) \exp\left(\frac{1}{4}\|X_i - \widehat{T}_i\|^2\right)$$ 该设计将平衡 OT 中的重心投影推广至带有质量损耗的非平衡场景，使点级位移与质量增殖得以解耦估计。

2. 边界自适应诺伊曼核密度估计：消除超立方体边界效应的张量积平滑
在平衡 OT 的光滑映射估计中，以往经典方法（如 Manole et al., 2024）通常要求密度严格定义在环面（Torus）上以规避边界间断带来的收敛阶劣化。然而现实数据的紧致支撑集 $[0,1]^d$ 具有真实边界，直接周期化会导致边界导数跳跃。本文引入了基于 Neumann 拉普拉斯算子特征基的紧支光滑核函数：采用偶反射拓展 $\mathcal{E}f$ 并基于一维余弦基构建核函数 $\kappa_L(u,v) = 1 + \sum_{\ell=1}^\infty \tau\left(\frac{\pi^2 \ell^2}{L^2}\right) c_\ell^2 \cos(\pi \ell u) \cos(\pi \ell v)$，其中 $\tau$ 为平滑紧支截断函数。多维核函数通过一维余弦因子的张量积形成： $$K_L(x,y) = \prod_{r=1}^d \kappa_L(x_r, y_r), \quad x, y \in [0, 1]^d$$ 由于一维核仅含 $O(L)$ 个非零模态，多维核的单次求值复杂度仅为 $O(dL)$，完全避免了 $O(L^d)$ 的多维求和灾难。结合正部重归一化，该核密度估计器在负范数 Sobolev 空间 $H^{-1}_N([0,1]^d)$ 与 Wasserstein 距离 $W_2$ 下均获得了最优平滑逼近阶，且保持了严格的边界通量守恒。

3. 传输-增长对联合重构：基于 Voronoi 分割的空间延拓与对偶映射恢复
离散规划仅给出了样本点处的点估计，必须将其连续化延拓至整个空间。对于基于计划的估计器，本文采用由源样本点诱导的 Voronoi 分割 $\{V_i\}_{i=1}^n$，构建分段常数最近邻（1NN）场：$\widehat{T}^{\mathrm{1NN}}(x) = \sum_{i=1}^n \mathbf{1}\{x \in V_i\} \widehat{T}_i$，以及对应的 $\widehat{\lambda}^{\mathrm{1NN}}(x)$。而对于核估计器，则直接在连续平滑拟合测度 $\widehat{\mu}_n^{\mathrm{ker}}$ 与 $\widehat{\nu}_m^{\mathrm{ker}}$ 上求解对偶最优势函数对 $(\widehat{\varphi}_{nm}^{\mathrm{ker}}, \widehat{\psi}_{nm}^{\mathrm{ker}})$，并基于 $c$-变换关系提取处处连续的映射估计： $$\widehat{T}_{nm}^{\mathrm{ker}}(x) = \arg\min_{y \in [0,1]^d} \left\{ \frac{\|x-y\|^2}{2} - \widehat{\psi}_{nm}^{\mathrm{ker}}(y) \right\}, \quad \widehat{\lambda}_{nm}^{\mathrm{ker}}(x) = \mathrm{clip}_{[w_-, w_+]}\left(e^{-\widehat{\varphi}_{nm}^{\mathrm{ker}}(x)}\right) \exp\left(\frac{1}{4}\|x - \widehat{T}_{nm}^{\mathrm{ker}}(x)\|^2\right)$$ 通过这两种构造，空间中任意未见点的几何位移与质量增殖均能获得确定性预测。

4. 目标泛函稳定性展开与间隙条件：绕开半对偶困难的理论桥梁
传统证明依赖平衡对偶势函数的强凹性展开，但在 UOT 中，KL 正则化导致经验目标泛函产生复杂的残差项。本文提出了“价值稳定性归约”（Value-based Stability Reduction）技术：首先证明对偶势函数满足下界间隙条件 $\frac{1}{2}\|x-y\|^2 - \varphi_0(x) - \psi_0(y) \geq \frac{\kappa}{2}\|y - T_0(x)\|^2$；其次，严格分解出经验 UOT 目标与真实目标之间的泛函差量恒等式： $$E_n = \sum_{i,j} \widehat{\gamma}_{ij}\left(\frac{1}{2}\|X_i - Y_j\|^2 - \varphi_0(X_i) - \psi_0(Y_j)\right) + D_{\mathrm{KL}}(\widehat{r} \mid \widehat{r}^\star) + D_{\mathrm{KL}}(\widehat{s} \mid \widehat{s}^\star)$$ 该恒等式直接将离散重心配准误差 $\widehat{\Delta}_{nm}^{\mathrm{bar}}$ 与边缘 KL 散度统一受控于目标函数的一阶扰动超额 $E_n$。再结合拟合测度与真实测度之间的 $W_2^2$ 距离控制，消除了对于经验势函数高阶导数收敛的苛刻依赖，构建了通用的极小极大分析范式。

实验关键数据¶

主实验¶

论文在受控仿真环境中对比了五种 UOT 估计方法在不同维度 $d$ 与不同样本量 $N = \min\{n, m\}$ 下的均方误差（MSE）和经验学习率收敛阶。源测度与目标测度定义在 $[0,1]^d$ 上，具有 $1$-Hölder 光滑密度，总质量分别设定为 $M_\mu = 1.0, M_\nu = 2.5$。对比基线包括：离散最近邻估计器（PB-1NN）、基于传输计划的核估计器（PB-Kernel）、核平滑插件估计器（PI-Kernel）、小波平滑插件估计器（PI-Wavelet）以及 Vacher & Vialard (2023) 提出的半对偶 UOT 估计器（SSUOT）。

下表汇总了各方法估计传输映射 $T_0$ 与增长因子 $\lambda_0$ 的理论与经验收敛阶（$d \ge 3$ 时，理论最优阶为 $N^{-\frac{2\alpha}{2(\alpha-1)+d}}$）：

估计器方法	估计目标	光滑性依赖 ($\alpha$)	理论误差收敛率	经验收敛斜率 ($d=4, \alpha=2$)	下界匹配性
SSUOT [38]	仅势函数/映射	否	$O(N^{-2/d})$	$\approx -0.48$	否 (非最优)
PB-1NN (本文)	传输 $T_0$ + 增长 $\lambda_0$	否	$\widetilde{O}(N^{-2/d})$	$\approx -0.52$	否 (通用经验界)
PB-Kernel (本文)	传输 $T_0$ + 增长 $\lambda_0$	否	$\widetilde{O}(N^{-2/d})$	$\approx -0.55$	否 (通用经验界)
PI-Kernel (本文)	传输 $T_0$ + 增长 $\lambda_0$	是	$\widetilde{O}\left(N^{-\frac{2\alpha}{2\alpha-2+d}}\right)$	$\approx -0.66$	是 (极小极大最优)
PI-Wavelet (本文)	传输 $T_0$ + 增长 $\lambda_0$	是	$\widetilde{O}\left(N^{-\frac{2\alpha}{2\alpha-2+d}}\right)$	$\approx -0.65$	是 (极小极大最优)

维度灾难缓解与点云补全分析¶

论文进一步考察了各估计器在不同维度 $d \in \{1, 2, 3, 4\}$ 下 MSE 随样本量 $N$ 的衰减特性，并在 Completion3D 数据集上测试了高维（$d=1024$）非配对 3D 椅子点云补全任务（源点云含 30 个离群汽车点云干扰）。

实验任务与配置	评价指标	PB-1NN (本文)	PB-Kernel (本文)	SSUOT 基线	现象与机理分析
低维拟合 ($d=2, N=1000$)	映射 MSE ($T_0$)	$1.28 \times 10^{-2}$	$8.40 \times 10^{-3}$	$2.15 \times 10^{-2}$	平滑插件法通过正规化密度显著优于离散计划法
低维拟合 ($d=2, N=1000$)	增长 MSE ($\lambda_0$)	$2.14 \times 10^{-2}$	$1.15 \times 10^{-2}$	N/A (无法估计)	基线不支持增长因子点对点显式估计
高维抗噪 ($d=1024$, 椅子配准)	几何 Chamfer 距离	良好重构	优秀重构	重构模糊	PB-Kernel 凭借连续平滑性重构出高保真表面
离群样本判别 ($d=1024$, 汽车样本)	估计增长因子 $\widehat{\lambda}$	$\approx 0.82$ (强行匹配)	$\approx 0.03$ (自适应剔除)	N/A	PB-Kernel 将离群点质量赋权趋于零，实现隐式过滤

关键发现¶

平滑性有效打破维度灾难：在固定光滑度 $\alpha$ 的情况下，插件式估计器（PI-Kernel 与 PI-Wavelet）的经验收敛率严格契合理论导出的 $N^{-\frac{2\alpha}{2\alpha-2+d}}$，相比离散经验方案收敛速度明显加快，验证了密度光滑性先验对提高 UOT 估计效率的关键作用。
增长因子的隐式离群点抑制能力：高维非配对点云补全实验证明，带有核平滑的 UOT 估计器能够在非平衡机制下自动将异常扰动（汽车点云）处的增长因子 $\widehat{\lambda}$ 压缩至接近 0，从而只重构正常几何类别，展现出优异的统计鲁棒性。

亮点与洞察¶

重新锚定 UOT 统计目标：明确指出在非平衡最优传输中，单一的位移映射无法完整表征测度演化，提出了由“传输映射 + 增长因子”构成的传输-增长对（Transport-Growth Pair）作为标准统计目标，补全了 UOT 统计理论的基本概念体系。
巧妙的诺伊曼余弦张量积核设计：针对超立方体 $[0,1]^d$ 具有边界截断的难点，采用诺伊曼拉普拉斯特征基与平滑余弦因子张量积构造核函数，单次求值复杂度由指数阶 $O(L^d)$ 降至线性阶 $O(dL)$，且严格规避了传统环面假设引入的虚假周期拓扑。
泛函超额与稳定性分析技术：创造性地将传统基于 Bregman 势函数散度的证明范式转化为“目标泛函残差分解 + 二阶间隙展开”，直接建立了经验超额向活性源真实测度误差的控制链条，为广义几何散度下的最优传输估计提供了可迁移的理论工具。

局限与展望¶

未涵盖熵正则化加速机制：本文聚焦于确定性未正则化的二次代价 UOT 问题，理论体系尚未覆盖带有 Sinkhorn 熵正则化的平滑优化设定。未来工作可进一步分析非零熵正则参数与样本量的折元收敛率。
总质量先验依赖性：由于两独立样本的概率测度仅反映相对形状，绝对总质量 $M_\mu, M_\nu$ 需要借助外生估计或泊松点过程假定。在全无监督且无计数信息的极端场景下，总质量估计误差可能会主导渐近收敛率。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [首次完整建立非平衡 OT 中传输-增长对的极小极大统计理论框架]
实验充分度: ⭐⭐⭐⭐☆ [包含低维理论收敛阶精细验证与千维 3D 几何非配对补全，兼具理论与实证]
写作质量: ⭐⭐⭐⭐⭐ [数学推导严密自洽，从问题重构、算法构建到下界证明层层推进]
价值: ⭐⭐⭐⭐⭐ [为单细胞发育、动态群体建模及带噪声几何对齐提供了奠基性的理论支撑]

估计器方法	估计目标	光滑性依赖 (\(\alpha\))	理论误差收敛率	经验收敛斜率 (\(d=4, \alpha=2\))	下界匹配性
SSUOT [38]	仅势函数/映射	否	\(O(N^{-2/d})\)	\(\approx -0.48\)	否 (非最优)
PB-1NN (本文)	传输 \(T_0\) + 增长 \(\lambda_0\)	否	\(\widetilde{O}(N^{-2/d})\)	\(\approx -0.52\)	否 (通用经验界)
PB-Kernel (本文)	传输 \(T_0\) + 增长 \(\lambda_0\)	否	\(\widetilde{O}(N^{-2/d})\)	\(\approx -0.55\)	否 (通用经验界)
PI-Kernel (本文)	传输 \(T_0\) + 增长 \(\lambda_0\)	是	\(\widetilde{O}\left(N^{-\frac{2\alpha}{2\alpha-2+d}}\right)\)	\(\approx -0.66\)	是 (极小极大最优)
PI-Wavelet (本文)	传输 \(T_0\) + 增长 \(\lambda_0\)	是	\(\widetilde{O}\left(N^{-\frac{2\alpha}{2\alpha-2+d}}\right)\)	\(\approx -0.65\)	是 (极小极大最优)

实验任务与配置	评价指标	PB-1NN (本文)	PB-Kernel (本文)	SSUOT 基线	现象与机理分析
低维拟合 (\(d=2, N=1000\))	映射 MSE (\(T_0\))	\(1.28 \times 10^{-2}\)	\(8.40 \times 10^{-3}\)	\(2.15 \times 10^{-2}\)	平滑插件法通过正规化密度显著优于离散计划法
低维拟合 (\(d=2, N=1000\))	增长 MSE (\(\lambda_0\))	\(2.14 \times 10^{-2}\)	\(1.15 \times 10^{-2}\)	N/A (无法估计)	基线不支持增长因子点对点显式估计
高维抗噪 (\(d=1024\), 椅子配准)	几何 Chamfer 距离	良好重构	优秀重构	重构模糊	PB-Kernel 凭借连续平滑性重构出高保真表面
离群样本判别 (\(d=1024\), 汽车样本)	估计增长因子 \(\widehat{\lambda}\)	\(\approx 0.82\) (强行匹配)	\(\approx 0.03\) (自适应剔除)	N/A	PB-Kernel 将离群点质量赋权趋于零，实现隐式过滤