要旨: 加法的ガウスモデル Y = X + \sigma Z を考える。ここで X \sim P は未知の信号であり、Z \sim N(0,1) は X と独立で、\sigma > 0 は既知である。Q を Y の分布（法則）とする。高次のスコア関数 q^{(m)}/q, m \geq 1 のみに依存する、階層的なデノイザ T_0, T_1, \ldots, T_\infty \colon \mathbb{R} \to \mathbb{R} を構成する。これらは P の法則に関する知識を一切必要としない。K 次のデノイザ T_K は次数 2K{-}1 までのスコアを用い、任意の r \geq 1 に対して W_r(T_K \sharp Q, P) = O(\sigma^{2(K+1)}) を満たす。極限では、T_\infty は単調な最適輸送写像（Brenier写像）—すなわち Q を P に押し出す写像—を復元する。
我々は、部分ベール多項式の再帰関係を通じて、この階層を支配する組合せ構造を完全に特徴付ける。これにより、高次スコア関数が Brenier 写像をどのように符号化しているかを精密に明らかにする。さらに、Q からの独立同分布な n 個の標本に基づいて、これらのスコアを推定するための 2 つの相補的戦略について、収束率を確立する： (i) プラグイン型のカーネル密度推定、(ii) 高次スコアマッチング。構成は、高次のフィッシャー型情報、最適輸送、そして整数分割の組合せ論との間に存在する、明確な相互作用を示す。
分布的縮約II：高次スコアがブレニエ写像を符号化する
arXiv stat.ML / 2026/3/26
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、加法的ガウス観測モデル \(Y = X + \sigma Z\) を研究し、未知の信号分布 \(P\) を必要とせず、観測分布 \(Q\) の高次スコア関数のみを用いるデノイザの階層を構築する。
- 各次数 \(K\) について、デノイザ \(T_K\) は次数 \(2K-1\) までのスコア情報を用い、ウォルステイン誤差の評価式 \(W_r(T_K\#Q, P) = O(\sigma^{2(K+1)})\) を与える。\(K\) を増やすほど改善する。
- 極限として、デノイザ \(T_\infty\) は \(Q\) から \(P\) への単調な最適輸送写像（ブレニエ写像）に収束し、ブレニエ写像がこれらの高次スコアによって符号化されていることを示す。
- 著者らは、部分ベル多項式の再帰に基づく完全な組合せ論的な階層の特徴づけを与え、高次のフィッシャー型量が最適輸送とどのように整数分割構造を通じて結びつくかを明確化する。
- さらに、\(Q\) の \(n\) 個の独立同分布（i.i.d.）サンプルから必要となる高次スコアを、プラグイン型のカーネル密度推定、または高次スコアマッチングのいずれかにより推定する方法を分析し、それぞれの収束率を示す。
