[论文解读] Uniform Convergence of Transport Maps

Victor Chernozhukov|arXiv (Cornell University)|Dec 29, 2014

Point processes and geometric inequalities被引用 1

一句话总结

本文提出Monge-Kantorovich深度，一种基于从ℝᵈ上的分布到单位球的最优传输映射的新型多变量统计深度概念。它建立了经验传输映射的均匀收敛性，确保了深度轮廓、分位数、秩和符号的一致性，相较于半空间深度，能更优地检测非凸分布特征。

ABSTRACT

We propose new concepts of statistical depth, multivariate quantiles, ranks and signs, based on canonical transportation maps between a distribution of interest on $R^d$ and a reference distribution on the $d$-dimensional unit ball. The new depth concept, called Monge-Kantorovich depth, specializes to halfspace depth in the case of spherical distributions, but, for more general distributions, differs from the latter in the ability for its contours to account for non convex features of the distribution of interest. We propose empirical counterparts to the population versions of those Monge-Kantorovich depth contours, quantiles, ranks and signs, and show their consistency by establishing a uniform convergence property for empirical transport maps, which is of independent interest.

研究动机与目标

• 开发一种新的统计深度概念，将半空间深度推广至非球形分布之外。
• 实现对多变量数据分布中非凸特征的精确检测。
• 利用规范传输映射定义多变量分位数、秩和符号。
• 建立经验传输映射的均匀收敛性，以确保理论一致性。

提出的方法

• 通过从ℝᵈ上的目标分布到d维单位球上均匀分布的最优传输映射定义深度。
• 使用单位球中从原点出发的径向距离作为深度度量，推广半空间深度以适用于非球形分布。
• 利用经验测度和最优传输理论构造传输映射的经验对应物。
• 证明经验传输映射在紧致子集上的均匀收敛性，确保基于深度的统计量的一致性。
• 在Monge-Kantorovich框架中使用Brenier映射作为规范传输映射。
• 将收敛结果应用于建立经验深度轮廓、分位数、秩和符号的一致性。

实验结果

研究问题

• RQ1 能否开发一种深度概念，以捕捉半空间深度无法涵盖的多变量分布中的非凸特征？
• RQ2 如何利用最优传输映射一致地定义多变量分位数、秩和符号？
• RQ3 在一般条件下，经验传输映射是否能一致收敛到总体传输映射？
• RQ4 基于传输映射的经验证据深度轮廓的一致性有何理论保障？
• RQ5 所提出的深度概念能否降低偏斜或非椭球分布中深度估计的偏差？

主要发现

• Monge-Kantorovich深度推广了半空间深度，并能正确捕捉多变量数据分布中的非凸特征。
• 经验传输映射一致收敛到总体传输映射，确保了所有推导统计量的理论一致性。
• 基于传输映射的深度轮廓比传统深度度量更能适应复杂分布形态。
• 基于传输映射的经验分位数、秩和符号在均匀收敛下是一致的。
• 该方法为多变量分析提供了一个有原则的框架，突破了椭球对称性假设的限制。
• 均匀收敛结果本身具有独立兴趣，并广泛适用于使用最优传输的非参数统计。