Neues Verfahren: Noise Annealing in Semi-Dual Neural OT

In einer kürzlich veröffentlichten Studie wird ein neues Verfahren vorgestellt, das die Zuverlässigkeit von Semi‑Dual Neural Optimal Transport (OT) deutlich verbessert. Bei der klassischen Methode kann das Training häufig zu falschen oder degenerierten Transportkarten führen, insbesondere wenn die Daten auf einer niedrigdimensionalen Mannigfaltigkeit liegen.

Die Autoren analysieren diese irreführenden Lösungen genau: Off der Datenmannigfaltigkeit ist die Zielfunktion unterbestimmt, während die Transportinformation auf der Mannigfaltigkeit eindeutig identifizierbar bleibt. Um dieses Problem zu beheben, wenden sie ein additive‑Rausch‑Glättungsverfahren an und zeigen, dass die Transportkarte exakt wiederhergestellt werden kann, sobald das Rauschen gegen Null geht.

Ein zentraler Beitrag ist die Berechnung eines praktischen Grenzwerts für das Rauschen, ε_stat(N), der die optimale statistische Rate erreicht. Dieser Grenzwert hängt von der intrinsischen Dimension m der Daten ab und nicht von der umgebenden Dimension. Die Formel entsteht aus einer einheitlichen Analyse von Stabilität, Glättungsbias und Stichprobenfehler.

Darüber hinaus zeigen die Autoren, dass die reduzierte Semi‑Dual‑Objektive mit abnehmendem Rauschen zunehmend schlecht konditioniert werden. Das liefert einen klaren Stoppkriterium: Das Rauschen unter ε_stat(N) zu senken, verbessert die statistische Genauigkeit nicht, sondern verschlechtert die Optimierungsbedingungen.