[논문 리뷰] Schrödinger bridge problem via empirical risk minimization

Denis Belomestny, Alexey Naumov외 2명|arXiv (Cornell University)|2026. 02. 09.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

논문은 샘플로부터 Schrödinger 다리를 학습하기 위해 변환된 포텐셜 g에 대한 비선형 고정점 문제를 형식화하고 이를 경험적 위험 최소화로 추정하여, 연속 포텐셜과 브리지를 위한 샘플러를 확률적 제어를 통해 얻는 것을 제안한다.

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.

연구 동기 및 목표

• 엔드포인트 한정 분포가 샘플을 통해서만 이용 가능한 경우 Schrödinger 포텐셜 추정의 필요성에 동기 부여.
• SBP를 변환된 포텐셜 g에 대한 비선형 고정점 문제로 재형성.
• 샘플 이외의 일반화를 가능하게 하는 함수 클래스 𝒢에서 g를 추정하기 위한 ERM 제안.
• 커널과 터미널 밀도에 대한 sub-Gaussian 가정하에서 경험적 위험의 균일 집중 보장 확보.
• 학습된 포텐셜을 확률적 제어 표현에 주입하여 드리프트 보정(a∇log h, h(t,x) 진화)을 통해 브리지 샘플 생성에 사용되는 실용적 샘플러를 보여주기.

제안 방법

• 단일 변환 포텐셜 g를 만족시키는 비선형 고정점 방정식 g = C[g]를 갖도록 SBP 재작성.
• 기대치를 샘플 평균으로 교체하여 경험적 연산자 ĈN,M[g] 정의.
• Ŕ̂N,M(g) = (1/M) Σj ℓ(g(Yj), ĈN,M[g](Yj))로 ERM 목적함수를 정의하고, 등호에서 최소가 되도록 ℓ를 설정(예: 제곱손실).
• 확률적 경사 방법을 통해 가설 공간 𝒢의 양의 함수(예: 신경망)에서 최적화.
• 균일 집중 보정: E[R(ĝN,M)] ≤ infg∈𝒢 R(g) + 2 E[ supg∈𝒢 | Ŕ̂N,M(g) − R(g) | ].
• 가우시안 Q와 Hermite 전개를 이용하면 모집단 고정점이 빠르게 수렴하는 급수로 표현되며 엔드투엔드 위험 상한을 제공한다.
• 학습된 포텐셜을 확률적 제어 형태에 사용하여 drift 보정(a∇log h with h(t,x) evolution)을 통해 다리 샘플을 생성한다.

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

실험 결과

연구 질문

• RQ1 단일 변환 포텐셜 g가 Schrödinger 시스템을 샘플로부터 직접 학습될 수 있는가?
• RQ2 sub-Gaussian 커널/터미널 밀도 가정 하에서 g의 ERM 추정값의 통계적 보장(집중성 및 근사성)은 무엇인가?
• RQ3 학습된 포텐셜이 확률적 제어 표현을 통해 Schrödinger 다리를 샘플링하는 데 얼마나 잘 작동하는가?
• RQ4 연속적이고 학습된 포텐셜과 이산적 Sinkhorn 기반 포텐셜 간의 정확도와 일반화 측면에서의 트레이드오프는 무엇인가?
• RQ5 제안된 방법이 합성 데이터 및 실제 데이터의 운송 작업에서 기존 기준 방법과 비교하여 어떤 성능을 보이는가?

주요 결과

• ERM-Bridge는 추가 보정 없이도 드리프트 구성에 적합한 연속 학습 포텐셜을 제공한다.
• Gaussian 기준 커널 아래에서 모집단 고정점 g⋆는 효율적인 Hermite 함수 확장을 허용하므로 명시적 근사 상한을 얻을 수 있다.
• 모집단 위험 주위에서 경험적 위험의 균일 집중이 성립하며 샘플 크기에 대해 거의 파라메트릭 의존성을 보인다(다항로그까지 보정).
• 수치 실험은 Swiss roll에서 S-curve로의 전이, 시프트 하에서의 Gaussian 혼합 운송, 단일 세포 보간 작업에서 baselines보다 경쟁적이거나 우수한 성능을 보인다.
• 이 방법은 더 매끄럽고 연속적인 포텐셜을 만들어내며 Sinkhorn 기반 접근법에 비해 운송 품질이 비슷하거나 개선되며 학습 및 샘플링 시간이 유리하다.
• 프레임워크는 희소 표현과 포텐셜 및 드리프트 계산에 대한 확장 가능한 평가를 허용한다.

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.