形式陈述
允许拆分质量的最优计划,何时实际上不需要拆分?Brenier 定理为欧氏空间的平方成本提供一个清楚的充分条件。
设整数 ,,即二者二阶矩有限,并且源分布 对 Lebesgue 测度绝对连续理路测度的绝对连续Absolute continuity of measures当一个测度的零集必为另一个测度的零集时成立的支配关系。。则成本 的Kantorovich 最优计划理路Kantorovich 输运问题Kantorovich transport problem在指定边缘的联合分布上最小化搬运成本,允许拆分质量并利用弱紧性保证最优计划存在。唯一,且形如
其中 为 proper 下半连续凸函数理路凸函数Convex function函数在任意凸组合处不超过相同权重下函数值的凸组合。。因此 ,该映射同时解决 Monge 问题,并在 几乎处处意义下唯一。
唯一性指最优计划和映射的几乎处处值,不表示凸势在整个空间唯一,也不保证势光滑。目标 可以含原子;绝对连续性要求施加在源这一侧。
直觉
平方成本最优支撑具有循环单调性理路输运的循环单调性Cyclical monotonicity in transport以任意有限循环交换都不能降低成本,刻画输运支撑的最优性结构。,因此可包含在凸势的次梯度图中。一般次梯度可能在同一点给出多个方向,这仍允许拆分;但次梯度图中的源点属于凸势的有效定义域。这个凸域承载全部源质量,由 可知它有正 Lebesgue 测度,因而内点非空;其边界是零测集。凸函数在定义域内部几乎处处可微,源也不向不可微例外集合赋正质量。对任一这样的可微点,把次梯度支撑不等式理路次梯度与次微分Subgradient · Subdifferential以全局仿射下界刻画凸函数在不可微点的支撑斜率集合。用于 并令 ,便迫使所有次梯度等于唯一的梯度理路梯度Gradient标量函数微分在内积下对应的向量。。于是计划在几乎每个源点只选一个目标。
唯一性还可这样理解:若有两个不同最优映射,它们对应计划的平均仍然最优。可定理的单值化机制要求每个最优计划在几乎每个源点只选择一个目标;平均计划若混合两个不同目标便违反这一点。所以两个映射必须几乎处处相同。
证明:凸域、几乎处处可微与唯一计划
由有限二阶矩和最优计划存在性,取一个最优 。循环单调页的完整构造给出 proper 下半连续凸函数 ,使 集中于 。记 ;它是 Borel 凸集,且 。由 可知 的 Lebesgue 测度为正。若凸集的仿射包是全空间,它含一个满维单纯形,故有内点;反之若无内点便包含在真仿射子空间,测度为零。因此 非空。
凸域边界不带质量。 选 ,并取 使 。凸性给出
,:先对 中的点,把 按比例与该点相加;再以 中点逼近闭包点,得到半径稍小的开球仍在 。这也说明 ,例如从内点沿射线稍越过所考察的闭包内点再作上述压缩。
对 ,令 。则 。Lebesgue 测度的平移及缩放公式给出
而 ;取递增整数 得 。所以 。
凸函数在 内几乎处处可微。 这里可直接给出所需论证。沿每条坐标直线, 是开区间上的有限一维凸函数,邻近两侧的割线斜率把内点的左右导数夹在有限数之间。左右导数单调,左右导数不等的点至多可数:各正长度导数间隙互不相交,可各选一个不同有理数。已构造的 是 Borel 函数,左右导数可由可数差商极限表示,因此例外集合可测。当 时直接使用上述可数性;当 时,在包含于 的每个有界坐标盒内,对该例外集的指标函数使用Fubini 定理理路Fubini 定理Fubini's theorem在适当可积条件下,多重积分等于任意次序的迭代积分。:指标由一控制,盒的测度有限,故绝对可积,而每条坐标截面为零测集。再以可数个这样的盒覆盖 ,说明每个偏导不存在的集合在 内为零测集;有限并后,所有偏导同时存在几乎处处。
还须把“偏导存在”升级为真正可微。固定这样的点 ,令 为偏导向量,。有 、 凸,且各坐标方向导数为零。对充分小的 ,凸性给出
各项满足 ;上下界同除以 ,得到 。所以 在 可微,且次梯度支撑不等式迫使 。
从单值图到计划及唯一性。 上述可微点集是 Borel 的:各坐标左右差商极限相等给出一个可数极限条件。在该集合上,梯度也是 Borel 差商极限;在其余点定义为零,得到全空间 Borel 映射 。由于 , 几乎处处满足 。对任意有界 Borel 函数 ,
这正是推前测度理路推前测度Pushforward measure · Image measure · 像测度沿可测映射把源测度搬到目标空间,使目标集合的质量等于其原像的质量。等式 。特别地 。
上述论证适用于每个最优计划。若 都最优,其平均也最优,因而集中在某个单值图 。两份非负计划分别也必须集中在该图,故各自都等于 。最优计划唯一,诱导它的映射则在 几乎处处意义下唯一。整个论证没有对目标分布要求绝对连续,也未断言梯度处处连续。
例子与边界
源为 上均匀分布,目标为 。取凸势
其梯度在 时为 ,在 时为 ,因此将左右两半分别送往两个目标。中点不可微,但源在单点的质量为零,不影响计划或最优性。最优成本为 。这个例子说明目标含原子完全允许,而最优映射可以不连续。
一维高斯源 与目标 ,,最优映射为
它是斜率为正的仿射映射,故是凸二次函数的梯度,并把均值、方差推到目标。代入成本得到 ;也可对任意耦合的中心化变量使用Cauchy–Schwarz 不等式理路Cauchy–Schwarz 不等式Cauchy–Schwarz inequality · 柯西–施瓦茨不等式内积的绝对值不超过两向量范数之积,且等号精确刻画线性相关。,得到协方差不超过 ,从而证明这是下界。
若源是 ,目标是两个点的等权混合,则没有 Monge 映射,最优计划必须拆分,源绝对连续条件不能直接删除。它是一个充分保证,并非每个具体问题的必要条件;例如 到 仍有唯一映射。
成本改变时,凸梯度结构也可能改变。即使已有一个推前映射,它若不是相应的凸梯度,也不能仅凭可行性称为平方成本最优。高阶光滑性还依赖源、目标密度和区域几何,均不包含在本页结论中。