[论文解读] SRRM: Improving Recursive Transport Surrogates in the Small-Discrepancy Regime

Yufei Zhang, Tao Wang+1 more|arXiv (Cornell University)|Mar 19, 2026

Generative Adversarial Networks and Image Synthesis被引用 0

一句话总结

论文将 Recursive Rank Matching (RRM) 作为 Wasserstein 距离的递归分区代理，指出最后一里程不匹配机制，并引入 Selective Recursive Rank Matching (SRRM) 在小差异 regime 提高保真度。

ABSTRACT

Recursive partitioning methods provide computationally efficient surrogates for the Wasserstein distance, yet their statistical behavior and their resolution in the small-discrepancy regime remain insufficiently understood. We study Recursive Rank Matching (RRM) as a representative instance of this class under a population-anchored reference. In this setting, we establish consistency and an explicit convergence rate for the anchored empirical RRM under the quadratic cost. We then identify a dominant mismatch mechanism responsible for the loss of resolution in the small-discrepancy regime. Based on this analysis, we introduce Selective Recursive Rank Matching (SRRM), which suppresses the resulting dominant mismatches and yields a higher-fidelity practical surrogate for the Wasserstein distance at moderate additional computational cost.

研究动机与目标

• 通过递归分区为 Wasserstein 距离提供快速、可扩展的代理动机。
• 建立在 L2 成本下对锚定的经验 RRM 的总体锚定一致性与显式收敛速率。
• 诊断小差异 regime 下的主导不匹配机制（最后一里程问题）。
• 提出 SRRM 以抑制主导不匹配并在额外成本较小的前提下改善传输耦合。
• 在基准测试中演示相比基线，SRRM 具有更高的准确性、稳定性和鲁棒性。

提出的方法

• 定义坐标轴递归质量中位数分区，采用确定性循环分裂坐标与叶节点的二进制编码。
• 将 Recursive Rank Matching (RRM) 距离定义为在公共参数域 (0,1) 上所诱导的传输映射的 L2 距离。
• 证明 W2(mu,nu) <= RRM(mu,nu) 且 RRM 在 P_infty(R^d) 上也是度量。
• 采用总体锚定的经验框架，在有界密度假设下研究 RRM 的一致性和收敛速率。
• 识别在小差异设置中，早期分区边界对近邻匹配造成不稳定的最后一里程现象。
• 引入 SRRM 作为一个选择性、多轮次精 Refinement 框架，将计划合并并使用基于锚点的筛选在完成匈牙利匹配以确保双射前修复可靠对。

实验结果

研究问题

• RQ1 递归分区代理是否能在总体锚定设置下一致地近似 Wasserstein 距离？
• RQ2 在小差异 regime 中导致递归代理分辨率丢失的机制是什么（最后一里程问题），以及如何缓解？
• RQ3 与现有递归传输代理相比，SRRM 是否显著提升匹配保真度、稳定性和鲁棒性？
• RQ4 实现 SRRM 的计算成本与实际注意事项是什么？
• RQ5 跨基准的经验结果是否支持 SRRM 的理论保证与实际收益？

主要发现

• RRM 是对 Wasserstein 距离的一致代理，在 L2 成本下具有被证明的收敛速率。
• 一个主导的最后一里程不匹配机制在小差异 regime 中导致非消失的偏差底。
• SRRM 通过选择性、基于锚点的精 Refinement 与 计划合并来抑制主导不匹配。
• SRRM 在基准数据集与设置下提升了匹配准确性、稳定性和鲁棒性。
• 有限深度的一致性结果为将经验树映射作为对人口映射的实际代理提供了依据。