Sample complexity of unbalanced entropic OT
非平衡熵正则最优传输的样本复杂度AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论最优传输的样本复杂度与对偶几何性质，属于统计学习理论方向，未涉及所给微观、宏观或金融领域细分的具体文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
非平衡熵正则最优传输的样本复杂度
- 研究问题
- 摘要称，研究的是熵正则非平衡最优传输在最优耦合层面的样本复杂度，而非仅关注标量传输值；动机是精确平衡 OT 对质量缺失、新增或消失的数据过于刚性，且在高维下样本复杂度不佳。
- 方法与思路
- 作者提出平移不变的对偶表述，证明内在对偶变量的紧性与强凸性，并把这些几何估计转化为经验耦合的高概率有限样本界；摘要提到结果与可扩展的 Sinkhorn 类求解器相容。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：给出熵正则非平衡 OT 在耦合层面的有限样本界，并据此说明正则化为何在机器学习应用中具有实际必要性——缓解维数灾难、减少稳定估计传输所需的样本量。
- 阅读关注点
- 应核对：对偶表述的构造与平移不变性如何定义；紧性与强凸性成立所需的条件；有限样本界的具体形式、范数与概率保证；结论是否确实针对耦合而非仅传输值；与 Sinkhorn 类算法的兼容性是否有形式化陈述。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、常数与速率、证明细节及与已有界的关系；摘要未说明实验或数值验证。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Optimal transport (OT) has become a central language for comparing probability measures, but exact balanced OT is often both too rigid for data with missing, created, or destroyed mass and subject to unfavorable high-dimensional sample complexity. Entropic regularization and unbalanced relaxations address these limitations in complementary ways. Entropy smooths the geometry, improves statistical behavior, and enables fast Sinkhorn-type algorithms, while unbalanced marginal penalties replace hard conservation constraints by divergence terms adapted to noisy empirical data. This paper studies the sample complexity of entropic unbalanced OT at the level of the optimal coupling, rather than only the scalar transport value. We develop a translation-invariant dual formulation, prove compactness and strong convexity properties for the intrinsic dual variables, and convert these geometric estimates into high-probability finite-sample bounds for empirical couplings. The results clarify why regularization is a practical necessity in machine learning applications: it softens the curse of dimensionality, reduces the number of samples needed for stable transport estimation, and keeps the resulting estimators compatible with scalable Sinkhorn-type solvers.