바서슈타인 거리의 정의
정의
누적분포함수가 각각 $F_{1}$, $F_{2}$ 인 두 확률변수 $X_{1} : \Omega \to \mathbb{R}$, $X_{2} : \Omega \to \mathbb{R}$ 에 대해 $p$-바서슈타인 거리$p$-Wasserstein distance는 다음과 같이 정의된다. $$ W_{p} \left( X_{1}, X_{2} \right) := \left( \int_{0}^{1} \left| F_{1}^{-1}(y) - F_{2}^{-1}(y) \right|^{p} dy \right)^{\frac{1}{p}} $$
설명
$y \in [0, 1]$ 에 대해 $F_{1}^{-1}$, $F_{2}^{-1}$ 는 일종의 $y$-퍼센타일로써, 결국에는 두 분포가 얼마나 비슷하는지를 측정하는 거리가 된다. 실제로는 $p = 1$ 인 경우가 가장 많이 쓰이며, 이 때의 $W_{1}$ 은 $X_{1}$ 와 $X_{2}$ 의 확률밀도함수 $f_{1}$, $f_{2}$ 에 대해 $$ y = F(x) \implies dy = f(x) dx $$ 이므로 $$ \int_{-\infty}^{\infty} \left| f_{1}(x) - f_{2}(x) \right| dx $$ 와 같이 상식적인 두 분포의 비교와 다를 바 없다. 다만 이러한 확률 분포가 정확하게 주어져있지 않고 경험적인 분포, 다시 말해 데이터만 주어진 경우에는 이상적분을 계산하는 것보다 원래의 정의 그대로 퍼센타일을 계산하는 게 훨씬 편하다.
코드
다음은 $1$-바서슈타인 거리의 수치적 계산을 위한 줄리아 코드다.
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

저희들의 저서 「줄리아 프로그래밍」이 2024 세종도서 학술부문에 선정되었습니다!

