확산 모델 (diffusion models), 정규화 흐름 (normalizing flows), 그리고 흐름 매칭 (flow matching)을 포함한 많은 현대적 생성 모델링 방법들은 최적 운송 (optimal transport, OT) 맵을 명시적으로 목표로 하지 않고도 분포 간의 운송 맵 (transport maps) 또는 계획 (plans)을 추정합니다. 생성 모델링과 같은 응용 분야에서는 운송 비용 (transport cost) 자체가 무관하며, 이는 통계적 또는 계산적 관점에서 더 다루기 쉬운 맵을 목표로 하는 것이 자연스럽게 만듭니다. 이 짧은 노트에서, 우리는 엄격한 미니맥스 (minimax) 프레임워크 내에서 임의의 유효한 운송 맵을 추정하는 과업을 공식화합니다. 이러한 프레임워크의 한 가지 결과는, 방법론과 그 목표 맵의 분석적 복잡성으로 인해 직접적인 분석이 어려울 수 있는 설정에서, 학습된 객체가 운송 맵 또는 계획으로 평가되는 흐름 매칭 (flow matching) 및 확산 기반 생성 모델 (diffusion-based generative models)을 포함한 모든 방법에 대해 샘플 복잡도 (sample complexity) 하한을 도출한다는 것입니다. 우리는 OT 문헌의 표준적이지만 강력한 안정성 가정 (stability assumptions) 하에서, 임의의 유효한 운송 맵을 추정하는 것이 통계적으로 OT 맵을 추정하는 것만큼 어렵다는 것을 관찰합니다. 우리는 이러한 안정성 가정이 실패할 때, 대안적인 운송 맵이 OT 맵보다 실질적으로 더 정확하게 학습될 수 있음을 보여주는 몇 가지 예시를 통해 이러한 결과들을 보완합니다. 우리의 미니맥스 프레임워크는 현대적인 운송 기반 생성 방법들의 통계적 한계를 이해하기 위한 엄격한 토대를 제공하며, 언제 하위 최적 (sub-optimal) 맵을 목표로 하는 것이 실제적인 통계적 이점을 제공할 수 있는지를 명확히 합니다.