[論文レビュー] Kantorovich Regression Analysis of Random Distributions with Mixed Predictors

Kaheon Kim, Changbo Zhu|arXiv (Cornell University)|Mar 9, 2026

Markov Chains and Monte Carlo Methods被引用数 0

ひとこと要約

分布値応答の回帰を開発し、混合の分布・ユークリッド予測子を用いる。Kantorovichポテンシャルと一変量の関数パラメータを用いて変位場を補正する。

ABSTRACT

We study regression problems with distribution-valued responses and mixed distributional and Euclidean predictors. In quadratic cost, the negative gradient of the Kantorovich potential represents, at each source location, the displacement to its matched location under the optimal transport map. By constructing potentials from the Wasserstein barycenter to individual distributions, the proposed Kantorovich regression model approximates the response displacement field as a sum of predictor displacement fields, each adjusted by a functional parameter. Owing to the linear structure, Euclidean predictors can enter as scaling coefficients of $c$-concave parameter potentials. We characterize functional parameter classes ensuring the intrinsic structure of the model, establish asymptotic theory through uniform convergence of the empirical Wasserstein loss, and derive Gâteaux derivatives leading to first-order optimization algorithms. Real data applications include a mixed-predictor analysis of housing price distributions and an analysis of two-dimensional temperature distributions, demonstrating the flexibility and interpretability of the proposed framework.

研究の動機と目的

• 応答が分布であり、予測子が分布、ベクトル、またはその両方である場合の回帰を動機づける。
• 応答の変位場を、Kantorovichポテンシャルを介して補正された予測子の変位場の和としてモデル化する。
• レベルセットに基づくスケーリングとポテンシャルの中心化によって内在的な構造と計算の扱いやすさを確保する。
• 実データのWasserstein損失の経験的理論を確立し、1階最適化法を導出する。
• 住宅価格と温度分布といった現実データ問題への適用性を示す。

提案手法

• 輸送写像をWassersteinのベクトル中心（ベクトル平均）に対するKantorovichポテンシャルを通して表現する。
• 予測子の変位場をスケールする1次元の関数パラメータfを導入する（操作は f circled-circ phi）。
• 中心化された補正ポテンシャルを用いてベクトル中心が参照分布のままになるようにする。
• 正則性集合K(gamma_minus,gamma_plus)および関数クラスF_delta(kappa1,kappa2)を課し、c-凹性と循環単調性を保証する。
• Wasserstein損失のGâteaux微分を導出し、離散格子上での1階勾配法に基づく最適化を実装する。
• 異なる f の効果を示し、計算的実現可能性を実演するために、1次元と2次元の2つの数値例を提供する。

実験結果

リサーチクエスチョン

• RQ1 混合の分布値・Euclidean予測子を、分布値応答の回帰に組み込むにはどうすればよいか。
• RQ2 輸送写像の固有構造（循環単調性）を保つための関数パラメータクラスはどれか。
• RQ3 この設定における経験的Wasserstein損失の勾配の計算と最適化の方法は。
• RQ4 提案モデルの推定量と経験的損失の漸近特性はどうなるか。
• RQ5 分布値の結果を持つ実データ（例：住宅価格、温度場）で提案手法はどう機能するか。

主な発見

• 応答の変位は、1次元の関数パラメータにより駆動される予測子の変位場のスケール和として表現される。
• 十分条件（定理3.2）は、適切な関数クラスとパラメータ選択に対して f circled phi_i がc-凹になることを保証する。
• 1次元では母集団損失が凸であり、分離条件の下でM-estimationの一貫性を可能にする。
• 多変量の設定では母集団損失は非凸だが、過剰リスクを介して収束性を特徴づけられる。
• 系3.3の系は、線形な f（f(t)=at）を用いるとc-凹性と実装の条件がより単純になることを示す。
• 離散化と1階勾配法によって計算上の実現可能性が保たれ、住宅価格分布と2D温度分布の現実データ例で示される。