数学 > 概率
[提交于 2025年9月3日
]
标题: 一个Brenier定理在$(\mathcal{P}_2 (\mathcal{P}_2(\mathbb{R}^d )), W_2 )$上的应用及适应运输的应用
标题: A Brenier Theorem on $(\mathcal{P}_2 (\mathcal{P}_2(\mathbb{R}^d )), W_2 )$ and Applications to Adapted Transport
摘要: Brenier的基本定理通过凸函数的梯度,对度量$\mu, \nu$在$\mathbb{R}^d$上和二次距离成本的最优传输计划进行了表征。 特别是它保证了对于相对于Lebesgue测度绝对连续的度量存在最优传输映射。 我们的目标是为度量$P,Q$在$\mathcal{P}_2(\mathbb{R}^d)$上以及由平方Wasserstein距离$W_2^2(\mu, \nu)$给出的成本提供这个结果的一个版本。 我们根据Lions提升的凸性来表征优化器。 这是基于一个似乎具有独立兴趣的观察:泛函$\phi$的$c$变换,其中$c(\mu, \nu)$表示$\mu, \nu$的最大协方差,恰好对应于$\phi$的 Lions 提升的 Legendre 变换。 此外我们证明,对于典型的$P \in\mathcal{P}_2(\mathbb{R}^d)$,优化器是唯一的,并由一个传输映射给出。 在没有$\mathcal{P}_2(\mathbb{R}^d)$上规范参考测度的情况下,我们使用拓扑概念来精确描述“典型”。 具体来说,我们证明传输正则测度属于第二 Baire 类。 我们文章的一个特殊动机源于适应传输理论,其中适应 Wasserstein 距离为随机过程之间提供了适当的距离。 与其他度量相比,适应 Wasserstein 距离能够保持 Doob 分解、最优停止和随机控制问题的连续性。 基于我们对$\mathcal{P}_2(\mathbb{R}^d)$的结果,我们得到了适应性 Wasserstein 距离的第一个 Brenier 型定理。
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.