Un marco matemático para medir el costo mínimo de transformar una distribución de probabilidad en otra.El transporte óptimo es un marco matemático que plantea una pregunta sencilla: ¿cuál es la forma más eficiente de mover un montón de tierra (o cualquier masa) de un lugar a otro, dado un costo por unidad de distancia? En términos más formales, busca el costo mínimo para transformar una distribución de probabilidad en otra, donde el 'costo' puede definirse de muchas maneras: distancia, tiempo, energía o cualquier otra métrica. Este problema aparentemente abstracto se ha convertido en una herramienta poderosa en la ciencia, porque muchos procesos pueden enmarcarse como el movimiento de masa o información de un estado a otro.
El problema fue planteado por primera vez por Gaspard Monge en 1781, y posteriormente reformulado por Leonid Kantorovich en 1942, quien introdujo la formulación probabilística que lo hizo tratable. El trabajo de Kantorovich le valió el Premio Nobel de Economía en 1975. El campo experimentó un renacimiento en la década de 1990 con conexiones con la dinámica de fluidos y la geometría.
La idea central es encontrar un 'plan de transporte' que empareje cada pieza infinitesimal de masa en la distribución fuente con una pieza en la distribución objetivo, minimizando el costo total. Esto no es un emparejamiento simple uno a uno; es un problema de optimización global que puede resolverse mediante programación lineal o, más elegantemente, a través de la teoría de ecuaciones en derivadas parciales (la ecuación de Monge-Ampère). La solución a menudo revela una 'geodésica' entre distribuciones, y el costo mínimo en sí mismo define una métrica (la distancia de Wasserstein) que mide cuán 'separadas' están dos distribuciones.
Se utiliza en el registro y la transformación de imágenes, en economía (para igualar oferta y demanda), en aprendizaje automático (para entrenar modelos generativos como las GAN) y en física para modelar flujos granulares y la evolución de sistemas estelares.
La distancia de Wasserstein, derivada del transporte óptimo, es la métrica utilizada en el entrenamiento de las Redes Generativas Antagónicas (GAN), que son responsables de generar deepfakes realistas y arte con IA.








