Дезинтеграция мер

Элементарная теория вероятностей определяет P(A|B) только при P(B) > 0. Дезинтеграция решает проблему радикально: она разбивает любую меру на слои и даёт строгий смысл условному распределению даже при P(B) = 0.

• **AlphaGo и условные вероятности:** DeepMind обучил AlphaGo на 50 млн позиций, и в основе каждого шага - P(ход | позиция). Математически это условная мера mu_y, которую и даёт дезинтеграция
• **Байесовские модели Spotify:** в 2023 году Spotify обработал 100 млрд стримингов с помощью байесовских моделей, опирающихся на условные вероятности P(жанр | история прослушиваний) - формально это дезинтеграция меры по проекции
• **Оптимальный транспорт:** план перевозки γ на X×Y дезинтегрируется по X, давая для каждого x распределение γ_x назначений - стандартный инструмент в вычислении расстояния Вассерштейна
• **Диффузионные модели (DDPM, Score matching):** score-функция ∇ log p_t(x) - это градиент логарифма маргинальной плотности, которая получается интегрированием условных мер по шумовому расписанию

Предварительные знания

• Польские пространства: полные сепарабельные метрические пространства (R^n, C([0,1]), l^2)
• Борелевская сигма-алгебра и измеримые отображения
• Образ меры (pushforward): nu = pi_* mu, nu(B) = mu(pi^{-1}(B))
• Условное математическое ожидание E[f | G] как проекция в L^2

• Условное математическое ожидание
• Меры и интегрирование

Теорема дезинтеграции

В 2014 году Google DeepMind обучил AlphaGo на 50 миллионах позиций, и в основе каждого шага стояла условная вероятность. Математической базой служит теорема дезинтеграции: любую меру можно разложить по слоям измеримого отображения, получив семейство условных мер.

Условные меры и оптимальный транспорт

Spotify в 2023 году обработал 100 миллиардов стримингов с помощью байесовских моделей, опирающихся на условные вероятности. Дезинтеграция даёт строгий смысл P(A|B) даже при P(B) = 0 -- проблема, которую элементарная теория вероятностей не решает.

Дезинтеграция в теории меры и смежных областях

Теорема дезинтеграции - мост между абстрактной теорией меры и прикладными условными распределениями. Она унифицирует формулы двойного интегрирования, теорему Фубини и регулярные условные распределения.

• Оптимальный транспорт — Дезинтеграция плана γ ∈ Π(μ,ν) по первой координате даёт условный план γ_x - ключевой шаг в численном OT
• Теорема Фубини-Тонелли — Фубини - частный случай дезинтеграции для продуктных мер: условные меры mu_y совпадают со второй маргиналью
• Байесовский вывод — Апостериорное распределение P(θ|x) - дезинтеграция совместной меры P(θ,x) по наблюдению x
• Диффузионные модели — Score-функция и score-matching используют условные плотности p(x|t), которые формально являются условными мерами дезинтеграции

Итоги

• **Теорема дезинтеграции:** для польского X, измеримого pi: X → Y и меры mu существует nu-п.в. единственное семейство {mu_y}, сосредоточенное на слоях pi^{-1}(y), такое что mu = ∫ mu_y dν(y)
• **Двойное интегрирование:** ∫_X f dμ = ∫_Y (∫_{pi^{-1}(y)} f dμ_y) dν(y) - обобщение теоремы Фубини на немультипликативные меры
• **Регулярное условное распределение:** P(A|Y=y) = mu_y(A) решает проблему условирования при P(Y=y) = 0
• **Бивариатный Гаусс:** mu_y = N(ρy, 1-ρ²) - условная мера в явном виде, следствие замкнутости нормального семейства
• **OT-приложение:** дезинтеграция оптимального плана γ по x даёт точечные массы γ_x = δ_{σ(x)} для монотонного транспорта на R