[論文レビュー] Schrödinger bridge problem via empirical risk minimization

Denis Belomestny, Alexey Naumov+2 more|arXiv (Cornell University)|Feb 9, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

論文はサンプルからシュレーディンガー橋を学ぶことを提案し、変換されたポテンシャル g の非線形固定点問題を定式化して経験リスク最小化を通じて推定し、連続的なポテンシャルとブリッジを確率的制御を介してサンプラーとして得る。

ABSTRACT

We study the Schrödinger bridge problem when the endpoint distributions are available only through samples. Classical computational approaches estimate Schrödinger potentials via Sinkhorn iterations on empirical measures and then construct a time-inhomogeneous drift by differentiating a kernel-smoothed dual solution. In contrast, we propose a learning-theoretic route: we rewrite the Schrödinger system in terms of a single positive transformed potential that satisfies a nonlinear fixed-point equation and estimate this potential by empirical risk minimization over a function class. We establish uniform concentration of the empirical risk around its population counterpart under sub-Gaussian assumptions on the reference kernel and terminal density. We plug the learned potential into a stochastic control representation of the bridge to generate samples. We illustrate performance of the suggested approach with numerical experiments.

研究の動機と目的

• エンドポイント周辺の边 marginals がサンプルを通じてしか得られない場合のシュレーディンガー・ポテンシャルの推定を動機づける。
• SBPを変換されたポテンシャル g の非線形固定点問題として再定式化する。
• サンプル外推定を可能にする関数クラス上で g を推定するERMを提案する。
• 核と端点密度のサブガウシアン仮定の下で経験リスクの一様濃度を確立する。
• learned ポテンシャルを確率的制御表現に組み込み、ブリッジサンプルをサンプリングする実用的サンプラーを示す。

提案手法

• SBP を非線形固定点方程式 g = C[g] を満たす単一の変換ポテンシャル g で書き直す。
• 期待をサンプル平均で置換して経験演算子 ĈN,M[g] を定義する。
• ERM 目的 Ŕ̂N,M(g) = (1/M) Σj ℓ(g(Yj), ĈN,M[g](Yj)) を、等号での最小化（例: 二乗誤差）で定義する。
• 確率的勾配法により 𝒢 に属する正の関数の仮説クラス上で最適化する。
• 一様濃度を証明する: E[R(ĝN,M)] ≤ infg∈𝒢 R(g) + 2 E[ supg∈𝒢 | Ŕ̂N,M(g) − R(g) | ].
• ガウス的 Q と Hermite 展開を用いると、母集団の固定点は急速に収束する級数を持ち、エンドツーエンドのリスク境界を提供する。
• learned ポテンシャルを確率的制御形に使用して、drift 調整 (a∇log h による h(t,x) の進化) によりブリッジサンプルを生成する。

Figure 1 : Sample translation from Swiss-Roll to S-Curve and density map for ERM-Bridge at time $t\in[0,0.25,0.5,0.75,1].$

実験結果

リサーチクエスチョン

• RQ1 単一の変換ポテンシャル g がサンプルから直接学習可能か？
• RQ2 サブガウシアン核/端点密度仮定の下で ERM 推定量の統計的保証（濃度・近似）はどうなるか？
• RQ3 学習されたポテンシャルは確率的制御表現を介してシュレーディンガー橋のサンプリングをどれだけうまく支援するか？
• RQ4 連続的で学習されたポテンシャルと離散的な Sinkhorn ベースのポテンシャルとの間で、精度と一般化の点でどのようなトレードオフがあるか？
• RQ5 提案手法は、既存のベースラインと比較して、合成データや実データの輸送タスクでどのように性能を発揮するか？

主な発見

• ERM-Bridge は事後の平滑化なしでドリフト構築に適した連続学習ポテンシャルを生み出す。
• ガウス参照カーネルの下で母集団の固定点 g⋆ は効率的な Hermite 関数展開を許し、明示的な近似境界を提供できる。
• 母集団リスクの周りの経験リスクの一様濃度が、サンプルサイズにほぼパラメトリックな依存性（多項式対数因子まで）で確立される。
• 数値実験は、チェステップでの Swiss roll から S-curve、shift による Gaussian mixture transport、単一細胞補完タスクでベースラインと競合または優越することを示す。
• 本手法はより滑らかで連続的なポテンシャルを生み出し、Sinkhornベースの手法と比較して輸送品質が同等または改善され、学習とサンプリングの時間は好ましい。
• framework は疎な表現とポテンシャルと勾配の評価のスケーラブルな計算を許容する。

Figure 3 : Comparison of training and sampling times for ERM-Bridge and SinkhornBridge on the Swiss-Roll to S-Curve translation task. We used 2000 training points for both algorithms.