logo

📂確率論

ワッサースタイン距離の定義

定義

累積分布関数がそれぞれ$F_{1}$、$F_{2}$である二つの確率変数 $X_{1} : \Omega \to \mathbb{R}$、$X_{2} : \Omega \to \mathbb{R}$に対して、$p$・ワッサースタイン距離$p$-Wasserstein distanceは次のように定義される。 $$ W_{p} \left( X_{1}, X_{2} \right) := \left( \int_{0}^{1} \left| F_{1}^{-1}(y) - F_{2}^{-1}(y) \right|^{p} dy \right)^{\frac{1}{p}} $$

説明

$y \in [0, 1]$に対して$F_{1}^{-1}$、$F_{2}^{-1}$は一種の$y$・パーセンタイルであり、結局は二つの分布がどれほど似ているかを測る距離となる。実際には$p = 1$の場合が最もよく使われ、このときの$W_{1}$は、$X_{1}$と$X_{2}$の確率密度関数 $f_{1}$、$f_{2}$に対して $$ y = F(x) \implies dy = f(x) dx $$ であるから $$ \int_{-\infty}^{\infty} \left| f_{1}(x) - f_{2}(x) \right| dx $$ のように、常識的な二つの分布の比較と変わらない。ただし、このような確率分布が正確に与えられておらず、経験的な分布、言い換えればデータだけが与えられている場合には、広義積分を計算するよりも、元の定義そのままにパーセンタイルを計算する方がはるかに楽である。

コード

次は$1$・ワッサースタイン距離の数値的計算のためのJuliaコードである。

using Statistics, StatsBase

function w1(a::AbstractVector, b::AbstractVector)
    a = filter(isfinite, a)
    b = filter(isfinite, b)
    if isempty(a) || isempty(b)
        return Inf
    end
    q = range(0.0, 1.0, length = 100)
    return mean(abs.(quantile(a, q) .- quantile(b, q)))
end