数学 > 泛函分析
[提交于 2025年9月1日
]
标题: 完全凸函数,$L^2$-最优传输对于随机测度的分布,以及蒙日问题的解
标题: Totally convex functions, $L^2$-Optimal transport for laws of random measures, and solution to the Monge problem
摘要: 我们研究在Kantorovich-Wasserstein空间$\mathcal{P}_2(\mathcal{P}_2(\mathrm{H}))$中的随机测度的定律的最优传输问题,该空间与一个希尔伯特空间$\mathrm{H}$(有限或无限维)相关,并且对应于由$\\mathcal{P}_2(\mathrm{H}).$中的平方Wasserstein度量引起的二次成本。尽管成本缺乏光滑性,空间$\mathcal{P}_2(\mathrm{H})$不是希尔伯特型的,并且底层Wasserstein度量引起的曲率失真,我们将展示如何在$\mathcal{P}_2(\mathcal{P}_2(\mathrm{H}))$中的随机测度层面上恢复将欧几里得最优传输问题与凸分析相联系的同样深刻而强大的结果,这些结果适用于$\mathcal{P}_2(\mathrm{H})$。 我们的方法依赖于完全凸泛函、它们的总次微分以及空间平方可积$\mathrm{H}$-值映射$L^2(\mathrm{Q},\mathbb{M};\mathrm{H}).$中的拉格朗日提升。 利用这些工具,我们确定了$\mathcal{P}_2(\mathcal{P}_2(\mathrm{H}))$中的一类自然正则测度,对于这些测度,OT 问题的蒙日表述具有唯一解,并且我们将证明这个类包括$\mathcal{P}_2(\mathrm{H})$中具有完整支撑的相关测度示例,这些测度来源于$L^2(\mathrm{Q},\mathbb{M};\mathrm{H}).$中非退化高斯测度的前向推导变换。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.