Resumen Técnico: Clasificación Funcional Semiparamétrica mediante Regresión Logística de Firmas de Caminos con Selección de Orden Adaptativa

Planteamiento del Problema

El artículo aborda el desafío de clasificar datos funcionales de valores vectoriales (por ejemplo, trayectorias de series temporales multidimensionales) en presencia de covariables escalares. Los modelos tradicionales de regresión logística funcional dependen de supuestos lineales y expansiones de bases fijas (por ejemplo, Fourier, B-splines, FPCA). Estos enfoques clásicos enfrentan tres limitaciones primarias:

1. Supuesto de Linealidad: Asumen una relación lineal entre los predictores funcionales y el logaritmo de las probabilidades (log-odds) de la respuesta, lo cual puede fallar al capturar dinámicas no lineales complejas.
2. Sensibilidad a la Base: El rendimiento depende altamente de la elección de las funciones de base y la colocación de los nudos, lo que conduce a una posible especificación errónea del modelo y una interpretabilidad oscurecida.
3. Fragilidad ante el Muestreo Irregular: Las proyecciones de base asumen trayectorias completas y uniformemente muestreadas. El muestreo irregular o los datos faltantes introducen un sesgo de representación y requieren interpolación, lo que puede derivar en un sobre-suavizado o en un sesgo estructural.

Además, los métodos existentes a menudo descuidan las correlaciones entre canales o requieren un alineamiento temporal perfecto, lo cual es poco práctico en escenarios del mundo real como el análisis de la marcha o el reconocimiento de actividad basado en sensores.

Metodología: Regresión Logística de Firmas de Caminos (PSLR)

Los autores proponen la Regresión Logística de Firmas de Caminos (PSL) [Path Signatures Logistic Regression], un marco semiparamétrico que reemplaza el término funcional lineal por una transformación no lineal basada en firmas de caminos (path signatures).

Formulación del Modelo

El modelo asume una estructura aditiva semiparamétrica para el logaritmo de las probabilidades condicionales:
$$\text{Logit}(P(y=1|X, z)) = F(X) + z^\top \gamma$$
donde $X$ es un predictor funcional de $d$ dimensiones, $z$ es un vector de covariables escalares, y $F$ es un mapeo funcional suave y no paramétrico.

Para aproximar $F(X)$, el método trata la señal aumentada en el tiempo $\tilde{X} = (X, t)$ como un camino continuo. Aprovechando la propiedad de universalidad de las firmas de caminos (teorema de tipo Stone–Weierstrass), $F(X)$ se aproxima mediante una forma lineal de la firma truncada:
$$F(X) \approx S_p(\tilde{X})^\top \beta_p$$
donde $S_p(\tilde{X})$ es la firma de camino truncada de orden $p$, y $\beta_p$ es un vector de coeficientes. El modelo completo se convierte en un modelo lineal generalizado:
$$\text{Logit}(P(y=1|X, z)) = \tilde{S}_p^\top \theta_p$$
donde $\tilde{S}_p$ concatena las características de la firma y las covariables escalares.

Innovaciones Clave

1. Representación Libre de Bases: Las firmas capturan características geométricas y temporales (desplazamiento, curvatura, área con signo) sin requerir la selección de una base.
2. Robustez ante la Irregularidad: La transformada de firma es estable bajo pequeñas perturbaciones del camino. El método utiliza una interpolación lineal segmentada local, la cual teóricamente desaparece en error a medida que la rejilla de muestreo se refina, a diferencia de las proyecciones de base globales que sufren de un sesgo estructural irreducible.
3. Selección de Orden Adaptativa: Una contribución crítica es un procedimiento totalmente basado en los datos para seleccionar el orden de truncamiento $p$. En lugar de fijar $p$ de forma heurística, los autores proponen minimizar un criterio de riesgo empírico penalizado:
   $$\hat{p} = \arg\min_{p} \left( \hat{L}_n(p) + \text{penn}(p, q) \right)$$
   donde $\hat{L}_n(p)$ es el riesgo empírico regularizado y el término de penalización $\text{penn}(p, q)$ escala con la complejidad de las características de la firma ($\sqrt{s_d(p)}$) y la dimensión de las covariables escalares ($\sqrt{q}$).

Contribuciones Teóricas

El artículo proporciona garantías no asintóticas rigurosas para el marco propuesto:

• Existencia de un Orden Óptimo: Demuestra la existencia de un orden de truncamiento óptimo $p^*$ y coeficientes $\theta^*_{p^*}$ que aproximan el riesgo poblacional de manera arbitraria.
• Consistencia: Se demuestra que el estimador basado en datos $\hat{p}$ es consistente, convergiendo al verdadero orden óptimo $p^*$ con probabilidad exponencial a medida que aumenta el tamaño de la muestra.
• Convergencia del Riesgo: El riesgo del clasificador converge a la tasa paramétrica estándar de $O(n^{-1/2})$, siempre que se seleccione el orden correcto.
• Límite de Búsqueda Finito: Los autores derivan un límite computable $P$ para el rango de búsqueda de $p$, asegurando que la optimización sea finita y práctica ($P = O(\log n)$).
• Propagación del Error: Se establece un marco que muestra cómo el error de reconstrucción de PSLR desaparece con el refinamiento de la rejilla, contrastando con el sesgo irreducible de los métodos de expansión de bases.

Resultados Experimentales

El método fue evaluado en datos sintéticos y tres conjuntos de datos del mundo real:

1. Datos Sintéticos: PSLR superó consistentemente a los clasificadores funcionales clásicos (B-spline, Fourier, FPCA) y a las versiones abladas (solo Firma, solo Escalar) a través de diversas dimensiones, conteos de covariables escalares y escenarios de muestreo irregular (datos faltantes y rejillas temporales desiguales).
2. Análisis de la Marcha en la Enfermedad de Parkinson: Utilizando datos de Fuerza de Reacción del Suelo Vertical (VGRF), PSLR logró una precisión y puntuaciones F1 superiores en comparación con las líneas base. El modelo identificó con éxito coeficientes interpretables, como el impacto negativo de la reducción de la variabilidad en regiones específicas del pie sobre la probabilidad de PD, alineándose con las observaciones clínicas de la marcha rígida.
3. Reconocimiento de Actividad Humana (MotionSense): En la clasificación de caminar frente a trotar utilizando datos de sensores de smartphones, PSLR demostró mayor precisión y estabilidad que las líneas base, aprovechando eficazmente tanto las señales de movimiento funcionales como los atributos escalares (por ejemplo, el peso).
4. de Marcha Clínica Multicohorte: El método se aplicó para distinguir entre pacientes neurológicos y controles sanos utilizando datos de sensores portátiles (wearables), validando aún más su robustez en entornos complejos y de alta dimensión.

Significado y Reivindicaciones

El artículo sostiene que PSLR ofrece un avance práctico y teórico en el análisis de datos funcionales al:

• Integrar la Teoría de Caminos Rugosos con la Complejidad Adaptativa: Cierra la brecha entre el poder teórico de las firmas de caminos y la selección de modelos práctica, yendo más allá de las heurísticas de orden fijo.
• Manejar las Imperfecciones de los Datos Reales: Al evitar las expansiones de bases, el método maneja intrínsecamente el muestreo irregular y las dependencias entre canales sin requerir alineamiento temporal o imputación compleja.
• Interpretabilidad: El marco mantiene la interpretabilidad para las covariables escalares mientras proporciona una interpretación geométrica de los efectos funcionales a través de términos de la firma (por ejemplo, desplazamiento, área, interacciones).
• Rigor Teórico: Llena un vacío crítico en la literatura al proporcionar las primeras garantías no asintóticas para la selección de orden adaptativo en la clasificación basada en firmas semiparamétrica, asegurando que la complejidad del modelo crezca solo según sea necesario para capturar la estructura intrínseca de los datos.

Los autores enfatizan que, aunque la transformada de firma en sí es conocida, su integración con el control de complejidad adaptativa y las covariables escalares dentro de un marco de regresión logística semiparamétrica unificado es una contribución novedosa respaldada por rigurosas garantías de muestra finita.