[论文解读] Minimizing relative entropy of path measures under marginal constraints

Aymeric Baradat, Christian Léonard|arXiv (Cornell University)|Jan 29, 2020

Markov Chains and Monte Carlo Methods参考文献 24被引用 6

一句话总结

本文通过在多个时间边际和联合端点约束下，利用参考测度不可约性假设下的马尔可夫方法，将薛定谔问题推广为在路径测度上最小化相对熵的问题。关键结果是Radon-Nikodym导数可分解为一个加法泛函与一个边界项的指数形式，将经典分解结构推广至多时间约束情形。

ABSTRACT

We study generalizations of the Schrödinger problem in statistical mechanics in two directions: when the density is constrained at more than two times, and when the joint law of the initial and final positions for the particles is prescribed. This is done in agreement with the so-called Brödinger problem recently introduced to regularize Brenier's variational model for incompressible fluids. We recover generalizations of the standard factorization result for the Radon-Nikodym derivative of the solution $P$ with respect to the reference measure $R$: this density can be written in terms of an additive functional on the set of constrained times. The specificity of this work is that we place ourselves in the case when $R$ is Markov (or reciprocal), and that we use Markovian methods rather than classical convex analysis arguments. In this setting, it appears that a natural assumption to be made on the reference measure $R$ is of irreducibility type.

研究动机与目标

• 将薛定谔问题推广至包含多于两个时间边际及联合初始-终值分布的设定。
• 理解布罗丁格问题，该问题结合了不可压缩性（均匀边际）与端点约束。
• 在这些广义约束下，推导解路径测度的因子分解结构。
• 使用马尔可夫技术而非凸分析来建立解的结构。
• 识别参考测度的不可约性作为实现因子分解结果的关键条件。

提出的方法

• 在受马尔可夫或互逆参考测度 $ R $ 控制的路径测度上，制定相对熵最小化问题。
• 应用马尔可夫方法证明，在边际约束下，最小化器 $ P $ 从 $ R $ 继承了马尔可夫性质。
• 引入仅在约束时间集 $ \mathcal{T} $ 上有正电荷的加法泛函 $ A $，以捕捉边际约束。
• 使用条件化技巧（引理 B.2）关联条件概率与边际测度，确保绝对连续性下的一致性。
• 推导出解的密度形式为 $ \frac{dP}{dR} = \exp(\eta(X_0,X_1) + A([0,1])) $，其中 $ \eta $ 编码端点约束。
• 利用双指标鞅的正则性结果，确保加法泛函 $ A $ 的存在性与连续性。

实验结果

研究问题

• RQ1 当超过两个时间边际被约束时，薛定谔问题的因子分解结构如何推广？
• RQ2 参考测度 $ R $ 需满足何种条件，才能确保最小化器 $ P $ 具备因子分解密度形式？
• RQ3 马尔可夫技术能否替代凸分析，用于推导熵最小化路径测度的结构？
• RQ4 联合初始-终值分布与多重边际约束如何影响解的形式？
• RQ5 参考测度的不可约性在实现Radon-Nikodym导数因子分解中起何种作用？

主要发现

• 在参考测度 $ R $ 不可约的条件下，相对熵最小化器 $ P $ 的密度具有因子分解形式：$ \frac{dP}{dR} = \exp(\eta(X_0,X_1) + A([0,1])) $，其中 $ \eta $ 编码端点约束，$ A $ 是定义在 $ \mathcal{T} $ 上的加法泛函。
• 加法泛函 $ A $ 仅依赖于路径过程 $ X_t $ 在 $ t \in \mathcal{T} $ 处的取值，且仅对约束时间集有正电荷。
• 若 $ R $ 是马尔可夫的，则解 $ P $ 也是马尔可夫的，且在不可约性假设下，$ P $ 关于 $ R $ 的密度是 $ X_0 $ 和 $ X_1 $ 的函数。
• 加法泛函 $ A $ 的正则性由其关联的双指标鞅的连续性与左极限性质所保证。
• 条件化技巧（引理 B.2）确保：对 $ \mathbf{q}_Y $-几乎处处的 $ y $，在 $ \mathbf{q}^{Y=y} $-几乎处处成立的性质，可推出在边际 $ \mathbf{q}_X $ 上也成立，从而在分解中保持一致性。
• 该结果将经典薛定谔因子分解推广至多时间约束情形，为解提供了基于边界项与加法泛函的路径级结构。