[论文解读] Semi-discrete optimal transport - the case p=1

Valentin Hartmann, Dominic Schuhmacher|arXiv (Cornell University)|Jun 23, 2017

Markov Chains and Monte Carlo Methods参考文献 13被引用 8

一句话总结

本文提出了一种针对 p=1（欧几里得代价）的半离散最优传输的新型算法，利用加权Voronoi镶嵌和L-BFGS优化，计算连续测度与有限点集之间的精确传输计划。主要贡献在于提出了一种鲁棒且收敛的方法，确保由传输映射诱导的唯一解，并在测试案例中展示了其性能，以及在拟合优度划分和空间资源分配中的应用。

ABSTRACT

We consider the problem of finding an optimal transport plan between an absolutely continuous measure $μ$ on $\mathcal{X} \subset \mathbb{R}^d$ and a finitely supported measure $ν$ on $\mathbb{R}^d$ when the transport cost is the Euclidean distance. We may think of this problem as closest distance allocation of some ressource continuously distributed over space to a finite number of processing sites with capacity constraints. This article gives a detailed discussion of the problem, including a comparison with the much better studied case of squared Euclidean cost ("the case $p=2$"). We present an algorithm for computing the optimal transport plan, which is similar to the approach for $p=2$ by Aurenhammer, Hoffmann and Aronov [Algorithmica 20, 61-76, 1998] and Mérigot [Computer Graphics Forum 30, 1583--1592, 2011]. We show the necessary results to make the approach work for the Euclidean cost, evaluate its performance on a set of test cases, and give a number of applications. The later include goodness-of-fit partitions, a novel visual tool for assessing whether a finite sample is consistent with a posited probability density.

研究动机与目标

• 为解决欧几里得代价（p=1）的半离散最优传输缺乏高效算法的问题，该问题相较于 p=2 情况研究较少。
• 开发一种计算高效且收敛的算法，用于计算连续测度 μ 与具有有限支撑的测度 ν 之间的最优传输计划。
• 提供一个理论与算法框架，确保由传输映射诱导的唯一解，这与 p=2 情况下更复杂的性质形成对比。
• 在测试案例中展示该方法的性能，并将其应用于实际问题，如拟合优度划分和空间资源分配。
• 探索扩展与改进，包括自适应多尺度粗化和用于更高精度的数值精炼。

提出的方法

• 该算法采用多尺度方法，从目标测度 ν 的粗略近似开始，通过迭代细化以提高收敛性。
• 利用加权Voronoi镶嵌，根据 ν 的支撑点到 μ 的连续测度的邻近性，定义最优划分。
• 通过 L-BFGS 算法执行优化，以最小化与传输代价相关的凸的、分段线性目标函数 Φ。
• 在标准 L-BFGS 条件下保证收敛，所有测试示例中均观察到经验收敛。
• 对 AHA 算法（用于 p=2）的关键改进被应用，且针对 p=1 代价函数的非光滑性进行了调整。
• 通过求解具有有限支撑和连续源的传输问题，该算法可处理资源分配中的容量约束。

实验结果

研究问题

• RQ1 能否在代价函数非光滑的情况下，为 p=1 的半离散最优传输开发一种快速且收敛的算法？
• RQ2 所提出的算法与现有方法相比性能如何，特别是在收敛速度和精度方面？
• RQ3 在半离散传输问题中，使用 p=1（欧几里得距离）相较于 p=2（平方欧几里得距离）具有哪些理论与实际优势？
• RQ4 该方法在哪些实际数据分析应用中可有效使用，如拟合优度检验或空间资源分配？
• RQ5 如何通过多尺度粗化、自适应阈值或数值精炼技术改进该算法？

主要发现

• 所提出的算法在所有测试示例中均实现收敛，尽管 L-BFGS 步骤缺乏正式收敛证明，仍表现出鲁棒性。
• 该方法产生由传输映射诱导的唯一最优传输计划，这是 p=2 情况下不总是能保证的有利性质。
• 该算法在测试案例中表现良好，计算效率足以应对最多 10^5 个支撑点的问题。
• 该方法可精确计算连续测度与离散测度之间的 Wasserstein-1 距离，这对统计与几何数据分析具有重要价值。
• 在拟合优度划分和空间资源分配等应用中，展示了该方法在检测空间模式和优化分配网络方面的实际效用。
• 作者识别出未来工作的有前景方向，包括多尺度精炼中的自适应阈值以及为提升数值精度而定制的优化方法。