機械学習のための最適輸送

- 「最適輸送」(Optimal Transport, OT)は、ある確率分布を別の分布へ最小コストで「運ぶ」方法を求める数学理論。もともとは18世紀の工学問題に起源を持ち、ガスパール・モンジュやレオニード・カントロビッチ（ノーベル経済学賞受賞）らが発展させた。 - この資料は、機械学習研究者・実務者向けにOTの理論とアルゴリズムを解説したチュートリアル。機械学習では、生成モデル（画像生成など）、機械翻訳、ドメイン適応、データセット間の分布のずれを補正する手法としてOTが使われる。 - 著者のGabriel Peyré氏（CNRS研究員、ENS教授、OTと機械学習の著名な研究者）らによるもので、数学的な厳密さと実装への橋渡しを意図している。ワッサースタイン距離（OTが導く距離指標）が、勾配降下法と組み合わせられるようになったことで、GANs（敵対的生成ネットワーク）や画像生成の品質指標として広く採用されている。 - 背景知識として、線形計画法、凸解析、確率分布の基礎があると理解が深まるが、この資料自体が初学者向けに丁寧に構築されている。