用于高效重建随机微分方程的平方 Wasserstein-2 距离
内容提要
本文综述了Wasserstein距离的相关研究：二次W2距离在逆问题中具有平滑效应，有限维下优化凸性优于L2和H⁻¹距离；切片Wasserstein距离的优化、蒙特卡洛逼近及随机梯度下降收敛性；参数化正交投影近似高维分布的一维边际用于生成模型；基于深度学习的切片距离小批量近似；熵正则化与Sinkhorn算法实现O(n)复杂度的二次输运计算；Sinkhorn散度估计平方Wasserstein距离；Wasserstein距离的弱收敛与矩收敛理论；调整分布以提升L2-Wasserstein距离与随机序的一致性；正交耦合蒙特卡洛估计及能量函数切片分布EBSW距离。
延伸解读
W2距离在逆问题中的双重优势
文章指出，二次Wasserstein距离（W2）在计算逆问题中作为数据差异度量有两个关键作用：在无限维情况下，W2对反演过程具有平滑效应；在有限维问题中，W2相比经典的L2和H-1距离表现出更好的优化凸性。这意味着在逆问题求解时，选择W2可能带来更稳定的数值行为和更优的优化景观，但需注意其计算成本通常高于传统距离。
切片Wasserstein距离的优化与近似
针对高维分布比较，切片Wasserstein距离通过随机投影降维，文章展示了随机梯度下降最小化该距离的收敛性，并介绍了基于深度学习的切片距离小批量近似方法，用于自编码器和生成对抗网络等模型。此外，参数化正交投影方法用少量投影近似高维分布的一维边际，在图像和视频生成基准上表现优越。这些工作表明切片距离在生成建模中具有实用价值，但近似质量依赖投影数量和采样策略。
熵正则化与Sinkhorn加速计算
为降低二次输运度量的计算复杂度，文章提到基于熵正则化、近似Sinkhorn缩放和高斯核矩阵低秩逼近的算法，可在O(n)复杂度下计算两个点云或离散分布间的二次Wasserstein距离。进一步，使用Sinkhorn散度估计平方Wasserstein距离允许更高的正则化水平，从而改进复杂度界限并实现实际加速。这些方法在保持近似精度的同时提升了可扩展性，但正则化参数的选择会影响估计偏差。
理论性质与距离一致性调整
文章综述了Wasserstein距离的弱收敛与矩收敛理论，并讨论通过适当调整分布来提高L2-Wasserstein距离与随机序的一致性，引入基于该距离的“不同意度”指数及渐近检验。此外，正交耦合蒙特卡洛估计和能量函数切片分布EBSW距离被用于点云梯度流、颜色转移和点云重建等任务。这些工作表明Wasserstein距离的理论性质需结合具体应用场景调整，实际使用时应关注收敛条件和估计方差。
Q&A
二次Wasserstein距离在逆问题中有什么作用？
二次Wasserstein距离（W2）作为逆问题的数据差异度量，在无限维情况下对反演过程具有平滑效应；在有限维问题中，相比经典的L2和H⁻¹距离，W2距离具有更好的优化凸性质。
切片Wasserstein距离的优化和收敛性如何？
切片Wasserstein距离可以通过随机梯度下降（SGD）方法进行最小化，并且SGD方法在最小化该距离时具有收敛性。此外，还研究了其蒙特卡洛逼近。
如何高效计算两个点云之间的二次输运度量？
可以使用基于熵正则化、近似Sinkhorn缩放和高斯核矩阵低秩逼近的算法来计算两个点云或离散分布之间的二次输运度量（即2-Wasserstein距离或均方根距离），其复杂度为O(n)。
Sinkhorn散度如何用于估计平方Wasserstein距离？
Sinkhorn散度可用于估计平方Wasserstein距离，它允许更高的正则化水平，从而改进计算复杂度界限并实现实际的强加速。
Wasserstein距离在统计学中有哪些重要应用和理论性质？
Wasserstein距离作为概率分布度量的数学概念，在统计学中有重要应用，包括弱收敛、矩收敛、概率分布扰动等内容。
如何提高L2-Wasserstein距离与随机序的一致性？
通过适当调整分布，可以提高L2-Wasserstein距离到随机序的一致性，并引入基于该距离的“不同意度”指数，同时提供渐近结果来检验该指数是否符合拒绝原假设的条件。
EBSW距离是什么？它在哪些任务中表现优异？
EBSW（energy-based sliced Wasserstein）距离是一种基于能量函数的切片分布构建的一维Wasserstein距离，具有拓扑、统计和计算性质。实验表明，该方法在点云梯度流、颜色转移和点云重建等任务中表现优异。
