最优传输问题

Transport Polytope、可解释为联合概率的集合

使用$⟨\cdot ,\cdot ⟩$代表Frobenius点积。对于 ∑ d : = { x ∈ R + d : x T 1 d = 1 } \sum_d:=\{x\in\R^d_+:x^T1_d=1\} ∑d​:={x∈R+d​:xT1d​=1}中的两个概率向量$r$和$c$，将$U(r,c)$记为$r$和$c$的transport polytope，称为$d\times d$矩阵的polyhedral集合，$1_d$为值全为1的d维向量
U ( r , c ) : = { P ∈ R + d × d ∣ P 1 d = r , P T 1 d = c } U(r,c):=\{P\in \R^{d\times d}_+|P1_d=r,P^T1_d=c\} U(r,c):={P∈R+d×d​∣P1d​=r,PT1d​=c}.
$U(r,c)$包含所有$d\times d$的行和列的和分别$r$和$c$的非负矩阵。$U(r,c)$的概率解释为：对于X和Y这两个取值为 { 1 , . . . , d } \{1,...,d\} {1,...,d}的多项随机变量，其分布分别为$r$和$c$，集合$U(r,c)$包含$(X,Y)$的所有可能的联合概率。实际上，任意矩阵$P\in U(r,c)$与$(X,Y)$的联合概率等价，$p(X=i,Y=j)=p_{ij}$。将熵$h$，$P,Q\in U(r,c)$的Kullback-Leibler散度和边缘参数$r\in {\sum }_d$记为

$r$和$c$之间的最优传输

给定$d\times d$的代价矩阵$M$，从$r$映射到$c$的代价可以用传输矩阵(transport matrix)（或联合概率）量化为$⟨P,M⟩$。
$\boxed{d_M(r,c):=\underset{P\in U(r,c)}{\min }⟨P,M⟩}$(1)
等式(1)称作给定代价矩阵$M$时，$r$和$c$的最优传输(OT)问题。除其他方法外，使用network simplex(Ahuja et al., 1993, §9)可以得到该问题的最优表$P^{\ast }$。当M是度量矩阵时，该问题的最优解$d_M(r,c)$是$r$和$c$的距离(Villani, 2009, §6.1)，称为M属于距离矩阵的锥。(Avis, 1980; Brickell et al., 2008)

在近期提出的算法之中，对于一般的矩阵$M$，最优解的计算复杂度在最差情况下，范围在$O(d^3\log d)$之间，实际上也是超立方(Pele and Werman, 2009, §2.1)