最適輸送、Sinkhorn高速化で深層学習の訓練に

解説記事は最適輸送をニッチな技法ではなく、統合的な考え方として位置づけている。Mongeが1781年に問うた、最小の労力で土を動かす問題から始め、1942年にKantorovichが緩和によって質量の分割を可能にし、Wasserstein距離につながったことを示す。

転換点はCuturiが2013年にエントロピー正則化とSinkhornアルゴリズムを導入したことだった。これにより計算が高速かつ微分可能になり、解説記事はそれが最適輸送を深層学習へと押し進めた理由だと述べる。そこから同じ数学を拡散モデル、ドメイン適応、さらにはattention機構にも結びつけ、これらはすべて分布の移動や比較の変形だと論じている。

記事はバイオ、金融、物流にわたる実用事例も整理し、例えばmoscotフレームワークが2025年にNatureに掲載され、約170万個のマウス胚細胞を20の時点にわたって整列させるのに最適輸送を用いたことに触れている。結論として、分布を比較・変換する能力はこれらの分野をまたぐ応用可能なスキルだとしている。