两个多元高斯分布之间的wasserstein 距离

Wasserstein distance

定义

• Wasserstein distance 是在度量空间 ，定义概率分布之间距离的距离函数。
• 定义：让 作为一个度量空间，每一个在 上的概率测度是一个 测度，（具体这是什么我也不清楚）。对于 的情况， 表示对于在 度量空间上的 ，在 上有有限个 距（moment）的概率测度集合 ，等于：
  

那么，对于两个分布 和 在 中的（p阶） Wasserstein距离为：

集合 表示在 空间上所有测度的集合，并且这些测度的边缘分布分别是 和 。（又称为 和 的耦合（coupling））。

变换上式得到：

---

• 注：什么是距（moments）：在数学中，力矩是对函数形状的一种特定的定量度量。定义：关于值 的实值连续函数 的第 阶矩为：
  

如果 是一个概率密度函数，则上述积分的值称为概率分布的 阶矩；如果 是任何概率分布的累积概率分布函数，其中可能没有密度函数，随机变量为，则概率分布的第n个矩为：

由此我们得到公式 到 的表示。

• 什么是测度：测度（Measure）是一个函数，它对一个给定集合的某些子集指定一个数，这个数可以比作大小、体积、概率等等。 传统的积分是在区间上进行的，后来人们希望把积分推广到任意的集合上，就发展出测度的概念，它在数学分析和概率论有重要的地位。

---

Intuition and connection to optimal transport

在Wiki百科中有

Wasserstein distance between two gaussian

• 两个多元高斯分布之间的2阶Wasserstein距离是什么，公式 中的距离函数 如果是欧几里得距离的话，那么两个分布之间的2阶Wasserstein距离是：

两个多元高斯分布之间的2阶Wasserstein距离 是：

当协方差矩阵可以互换 ,公式 退化为：

• 注：
  
  当 与 都是对称矩阵：，有：
  

代码：

def Wasserstein(mu, sigma, idx1, idx2):
    p1 = torch.sum(torch.pow((mu[idx1] - mu[idx2]),2),1)
    p2 = torch.sum(torch.pow(torch.pow(sigma[idx1],1/2) - torch.pow(sigma[idx2], 1/2),2) , 1)
    return p1+p2

---

• 矩阵 范数表示为 ，：

上划线表示矩阵的中每一个数共轭复数。

• 协方差矩阵：
  • 多元高斯部分的情况：是正定矩阵。
  • 多元高斯部分的情况：考虑一个一般的对称协方差矩阵 ，其有个独立的参数。对于，又有个独立的参数。多以一共有个参数。当变大时，其独立的参数个数以的二次方增长。只考虑 是对角阵，即 ,我们就只用关心2D个独立的参数。

---

• 参考：

https://zlearning.netlify.com/computer/prml/PRMLch2dot3-gaussian-again.pdf
http://www.robots.ox.ac.uk/~davidc/pubs/tt2015_dac1.pdf
https://en.wikipedia.org/wiki/Wasserstein_metric#cite_note-1
http://djalil.chafai.net/blog/2010/04/30/wasserstein-distance-between-two-gaussians/
https://en.wikipedia.org/wiki/Wasserstein_metric#cite_note-1