Wasserstein Distances Made Explainable: Insights Into Dataset Shifts and Transport Phenomena

Este trabajo propone un método basado en Inteligencia Artificial Explicable que permite atribuir con precisión y eficiencia las distancias de Wasserstein a componentes específicos de los datos, como subgrupos o características, facilitando así la comprensión de los factores que influyen en los desplazamientos de distribuciones y fenómenos de transporte.

Lo esencial

¡Claro que sí! Imagina que tienes dos grandes grupos de personas: un grupo de niños y un grupo de adultos. Si quieres saber "qué tan diferentes" son estos dos grupos, podrías simplemente comparar su altura promedio. Pero, ¿y si quieres entender exactamente en qué se diferencian? ¿Es solo la altura? ¿O también el peso? ¿O quizás la forma de caminar?

El artículo que presentas habla de una nueva herramienta llamada WaX (que significa "Hacer explicables las distancias de Wasserstein"). Vamos a desglosarlo con analogías sencillas.

1. El Problema: El "Costo de Mudanza"

Imagina que quieres mudar a todos los niños de un salón a otro salón donde están los adultos, pero quieres hacerlo de la manera más eficiente posible (como si fueran cajas en una mudanza).

• La Distancia de Wasserstein: Es como calcular el costo total de esa mudanza. Te dice cuánta energía gastaste en total para mover a todos los niños y convertirlos en adultos.
• El Plan de Transporte: Es la lista de instrucciones que dice: "Mueve a Juanito (niño) a la silla de la Sra. Pérez (adulto)".

El problema: Hasta ahora, solo podíamos ver el costo total (ej. "Gastamos 100 dólares") o la lista de instrucciones (el plan). Pero eso no nos decía por qué costó tanto. ¿Fue porque los niños eran muy pesados? ¿O porque tenían que caminar muy lejos? ¿O porque había un pasillo estrecho (un "cuello de botella") que hacía difícil el movimiento?

2. La Solución: WaX (El "Detective de Mudanzas")

Los autores crearon WaX, que es como ponerle un detective a esa mudanza. Este detective no solo te dice cuánto costó, sino que te da un informe detallado:

• Atribución de Características: Te dice: "El 40% del costo fue por la altura, el 30% por el peso y el 30% por la edad".
• Atribución de Individuos: Te dice: "La mudanza fue cara principalmente porque teníamos que mover a los 5 niños más altos del grupo".

La analogía clave: Imagina que el costo de la mudanza es una factura gigante. WaX es la herramienta que desglosa esa factura para decirte exactamente qué ítem (qué característica o qué persona) hizo que la cuenta fuera tan alta.

3. ¿Cómo funciona? (La Magia detrás de escena)

Para hacer esto, los autores usaron una técnica de Inteligencia Artificial llamada XAI (Inteligencia Artificial Explicable).

• Neuralización: Imaginan que el cálculo de la mudanza es como una red de tuberías o un circuito eléctrico.
• Propagación Inversa: En lugar de solo mirar el final (el costo total), toman el costo y lo "rebotan" hacia atrás a través de las tuberías. Al hacerlo, pueden ver por dónde pasó la mayor parte de la "energía" (el costo).
• Resultado: Obtienen un mapa de calor que muestra qué partes de los datos (qué características o qué personas) fueron las "culpables" de la diferencia entre los dos grupos.

4. ¿Para qué sirve esto en la vida real? (Ejemplos del papel)

El paper muestra tres casos geniales donde WaX es muy útil:

• Caso 1: Mejorar la Robustez (El Filtro de Ruido)
  Imagina que entrenas a un robot para reconocer perros, pero usas fotos de un hospital (donde hay muchos perros de terapia) y fotos de una calle. El robot podría aprender a reconocer "bata de médico" en lugar de "perro".

  • WaX entra en acción: Identifica que la "bata de médico" es la característica que más diferencia a los dos grupos (el "costo" de la mudanza).
  • Solución: Le dices al robot: "Oye, ignora las batas, solo mira a los perros". ¡El robot se vuelve más inteligente y menos estúpido!

• Caso 2: Entender el Envejecimiento (El Viaje en el Tiempo)
  Imagina que tienes fotos de un grupo de personas a los 20 años y las mismas personas a los 30. ¿Cómo cambian?

  • WaX entra en acción: No solo dice "envejecieron". Descubre que, para las personas altas, el peso cambió de una manera, pero para las personas pequeñas, cambió de otra. Desglosa el envejecimiento en "sub-grupos" o conceptos específicos, revelando que no todos envejecen igual.

• Caso 3: Comparar Bases de Datos (El Ojo Crítico)
  Imagina que tienes dos álbumes de fotos de famosos: uno de Hollywood (CelebA) y otro de gente en la calle (LFW).

  • WaX entra en acción: Analiza las diferencias y descubre cosas sutiles como: "En el álbum de Hollywood hay muchas actrices jóvenes, pero en el de la calle hay muchos políticos mayores". O incluso: "En el álbum de la calle hay muchas fotos de parejas, pero en Hollywood casi no". Esto ayuda a los científicos a saber si sus datos están "sesgados" (desbalanceados).

En Resumen

WaX es como un traductor que toma un número complejo (la distancia entre dos grupos de datos) y lo convierte en una historia comprensible.

En lugar de decirte "Estos dos grupos son muy diferentes", WaX te dice: "Estos grupos son diferentes principalmente porque en el grupo A hay más personas con gafas y en el grupo B hay más personas con sombreros, y eso es lo que está causando el 'choque' entre ellos."

Esto permite a los científicos y a la inteligencia artificial entender mejor el mundo, detectar errores en sus modelos y tomar decisiones más inteligentes sobre cómo usar los datos.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Wasserstein Distances Made Explainable: Insights Into Dataset Shifts and Transport Phenomena" (Distancias de Wasserstein Haces Explicables: Perspectivas sobre Desplazamientos de Conjuntos de Datos y Fenómenos de Transporte), traducido y adaptado al español.

---

1. Planteamiento del Problema

Las distancias de Wasserstein (basadas en el Transporte Óptimo, OT) son herramientas fundamentales para comparar distribuciones de datos, analizar cambios a lo largo del tiempo y detectar inhomogeneidades. Sin embargo, existen limitaciones críticas en su interpretación actual:

• Falta de Explicabilidad: Calcular la distancia de Wasserstein ($W_p$) o analizar el plan de transporte óptimo ($\gamma^\star$) resultante no revela qué factores específicos (subgrupos de datos, características de entrada o subespacios) contribuyen a una distancia alta o baja.
• Insensibilidad del Plan de Transporte: El plan de transporte a menudo es insensible a los parámetros del modelo de distancia (como $p$ y $q$) y no captura adecuadamente los "cuellos de botella" o las contribuciones de valores atípicos (outliers) que son cruciales para la magnitud de la distancia.
• Vacío en la Literatura: No existen estudios sistemáticos que expliquen la distancia entre distribuciones completas utilizando técnicas de IA Explicable (XAI), ya que la mayoría de los métodos XAI se centran en instancias individuales o en modelos de clasificación.

2. Metodología Propuesta: WaX

Los autores proponen WaX (Wasserstein distances made explainable), un marco basado en XAI que atribuye la distancia de Wasserstein a componentes de datos específicos (instancias, características o subespacios).

A. Enfoque Neuralización-Propagación

WaX adapta el método de Propagación de Relevancia por Capas (LRP), tradicionalmente usado en redes neuronales, a la distancia de Wasserstein. El proceso consta de dos pasos:

1. Neuralización:

   • Se reescribe el cálculo de la distancia de Wasserstein $W_p$ como una red neuronal equivalente de dos capas, fijando el acoplamiento óptimo $\gamma^\star$ (calculado previamente).
   • Capa 1: Calcula las diferencias entre pares de instancias de las distribuciones fuente ($x_k$) y objetivo ($y_l$): $z_{kl} = \|x_k - y_l\|_q$.
   • Capa 2: Aplica una norma ponderada por el acoplamiento: $W_p = (\sum \gamma^\star_{kl} z_{kl}^p)^{1/p}$.
   • Esta estructura permite tratar la distancia como un grafo computacional diferenciable.

2. Propagación (Backward Pass):

   • Se propagan los valores de relevancia desde la salida ($W_p$) hacia atrás a través de la red para asignar puntuaciones de relevancia ($R$) a los pares de instancias y luego a las características de entrada.
   • Se definen reglas LRP con hiperparámetros $\alpha$ y $\beta$:
     • $R_{kl}$ (relevancia del par): Depende de $\gamma^\star_{kl}$ y $z_{kl}^\alpha$.
     • $R_i$ (relevancia de la característica $i$): Se distribuye basándose en la diferencia absoluta de la característica $i$ entre los pares, ponderada por $\beta$.
   • Heurística de Parámetros: Los autores proponen $\alpha = p$ y $\beta = \min(p+2, q)$ para equilibrar la sensibilidad a los valores atípicos y la localización de la explicación.

B. Propiedades Teóricas

• Conservación: La suma de las relevancias asignadas es igual a la distancia total ($\sum R_i = W_p$), garantizando que la explicación cubra todo el fenómeno de transporte.
• Conexión con Gradientes: Bajo ciertas condiciones ($\alpha=p, \beta=q$), las puntuaciones de relevancia son equivalentes a cálculos de gradiente, lo que valida su fiabilidad local.
• Eficiencia: Utiliza el "truco de detach" (desconectar gradientes) para calcular las explicaciones en una sola pasada hacia atrás, evitando el costo computacional prohibitivo de métodos de eliminación de características (occlusion).

C. Extensión: U-WaX (Explicaciones Basadas en Subespacios)

Para fenómenos complejos, se introduce U-WaX, que descompone la distancia en subespacios ortogonales interpretados como "conceptos" o "sub-desplazamientos".

• Utiliza una matriz ortogonal $U$ para proyectar las diferencias de datos en subespacios.
• Optimiza la matriz $U$ maximizando una estadística de "cola" (tailedness) para aislar sub-desplazamientos dominantes, permitiendo disentangle (desenredar) fenómenos de transporte heterogéneos.

3. Contribuciones Clave

1. Primer Marco XAI para Distancias de Distribución: Llena un vacío en la literatura al proporcionar un método sistemático para explicar distancias entre distribuciones completas, no solo instancias individuales.
2. Sensibilidad al Modelo: A diferencia de los planes de transporte clásicos, WaX es altamente sensible a los parámetros del modelo de Wasserstein ($p, q$), revelando cómo cambios en la formulación afectan la interpretación de los datos.
3. Eficiencia Computacional: Es significativamente más rápido que las líneas base de "occlusión" (que requieren resolver OT múltiples veces) y comparable en velocidad a métodos simples como el cambio de media, pero con mucha mayor precisión.
4. Versatilidad: Funciona con distancias de Wasserstein clásicas, regularizadas (Sinkhorn) y métricas de Minkowski generales.

4. Resultados Empíricos

El método se evaluó en múltiples escenarios:

• Fidelidad de la Explicación (Tabla I):

  • Se utilizó la métrica Symmetric Relevance Gain (SRG) para medir qué tan bien las características identificadas como relevantes explican la distancia.
  • WaX superó consistentemente a las líneas base (MeanShift, Occlusión, y el propio Plan de Transporte/Coupling) en diversos conjuntos de datos (Crime, Mice, Wine, etc.) y configuraciones de $p$ y $q$.
  • Destacó especialmente en modelos con alta no linealidad (valores altos de $p$ y $q$), donde las líneas base fallaron al no capturar la sensibilidad a los outliers.

• Caracterización de Fenómenos de Transporte (Tabla III):

  • En series temporales sintéticas y datos de patología (PLISM), WaX reconstruyó con mayor precisión las "verdades terrenales" de los desplazamientos (ej. cambios de varianza o distorsiones complejas) en comparación con métodos basados en clasificadores o cambios de media.
  • Los clasificadores lineales fallaron cuando las distribuciones no eran isotrópicas, mientras que WaX mantuvo su rendimiento.

• Casos de Uso Prácticos:

  1. Alineación de Dominios (Domain Adaptation): WaX identificó y podó características específicas del dominio (ruido/bias) en el benchmark Office-Caltech10, mejorando la robustez de los clasificadores sin necesidad de algoritmos de adaptación complejos.
  2. Fenómeno de Envejecimiento (Abalone): U-WaX descompuso el proceso de envejecimiento en subespacios, revelando que diferentes subgrupos de vieiras envejecen de manera distinta (relaciones no lineales entre longitud y peso), algo que los métodos de agrupamiento (clustering) tradicionales no lograron disentangle.
  3. Diferencias entre Conjuntos de Datos (CelebA vs. LFW): U-WaX identificó sub-desplazamientos semánticos específicos (ej. presencia de gafas, ropa deportiva, parejas vs. individuos) utilizando el espacio latente de CLIP, demostrando su utilidad para la auditoría de datos.

5. Significado e Impacto

Este trabajo transforma la distancia de Wasserstein de una métrica de "caja negra" a una herramienta interpretable y accionable.

• Para la Ciencia de Datos: Permite a los investigadores diagnosticar por qué dos conjuntos de datos difieren, más allá de simplemente cuantificar la diferencia.
• Para la Robustez de Modelos: Facilita la identificación y eliminación de sesgos de dominio o características espurias, mejorando la generalización de los modelos de aprendizaje automático.
• Para el Análisis de Fenómenos: Ofrece una nueva lente para estudiar procesos dinámicos (como el transporte de fluidos o el envejecimiento biológico) descomponiendo la evolución de la distribución en componentes interpretables.

En resumen, WaX no solo explica la distancia, sino que proporciona un marco interactivo para validar modelos de transporte, seleccionar hiperparámetros y desarrollar modelos basados en Wasserstein más informados y robustos.