📊 statistics

Interpretable Network-assisted Random Forest+

Este artículo introduce una familia de modelos asistidos por redes interpretables construidos sobre un marco de bosque aleatorio generalizado que cierra la brecha entre la alta precisión de predicción y la transparencia del modelo al aprovechar las dependencias de red, proporcionando al mismo tiempo herramientas exhaustivas para cuantificar las contribuciones de las características y de la red.

Autores originales: Tiffany M. Tang, Elizaveta Levina, Ji Zhu

Publicado 2026-09-09

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Tiffany M. Tang, Elizaveta Levina, Ji Zhu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la ciencia de datos moderna, a menudo se enseña a las computadoras a aprender de los ejemplos, de forma muy parecida a un estudiante que estudia para un examen. Durante décadas, el supuesto estándar ha sido que cada ejemplo es independiente, un hecho solitario que se mantiene por sí solo. Pero en el mundo real, las cosas rara vez son aisladas. Las personas están conectadas por amistades, las ciudades por carreteras y los genes por vías biológicas. Estas conexiones crean una red de influencia donde el comportamiento de una persona o la condición de una ciudad pueden propagarse para afectar a sus vecinos. Cuando los puntos de datos están vinculados de esta manera, tratarlos como independientes crea un punto ciego, perdiendo de vista las fuerzas sutiles pero poderosas que dan forma a los resultados. El desafío para los científicos es construir modelos que puedan utilizar estas conexiones para realizar mejores predicciones sin convertir el modelo en una caja negra que nadie pueda entender. Si un modelo predice el futuro de un estudiante o la tasa de criminalidad de una ciudad basándose en su círculo social, necesitamos saber exactamente cuánto importa ese círculo en comparación con su historia personal.

Este es el problema que aborda un nuevo método llamado NeRF+, desarrollado por investigadores de la Universidad de Notre Dame y la Universidad de Michigan. Ellos buscaron crear una herramienta que pudiera aprovechar el poder de las conexiones de red para mejorar las predicciones, permaneciendo al mismo tiempo lo suficientemente transparente como para ser confiable para los humanos. Los enfoques tradicionales a menudo obligan a elegir: usar sistemas complejos y altamente precisos que son imposibles de interpretar, o usar sistemas simples y comprensibles que no logran capturar el matiz de los datos conectados. Los investigadores cerraron esta brecha construyendo un modelo flexible que combina la fuerza predictiva de los árboles de decisión con la claridad de las ecuaciones lineales. Su enfoque permite que la computadora aprenda de la estructura de los datos, identificando no solo qué rasgos personales importan, sino cuánto influye el entorno circundante en el resultado.

El núcleo de su trabajo consiste en enseñar a la computadora a reconocer dos formas distintas en que una red puede moldear la realidad. A veces, las personas que están cerca en una red son similares porque comparten una cualidad oculta y subyacente, como pertenecer al mismo grupo social. Otras veces, son similares simplemente porque están directamente conectadas e influyen entre sí, como vecinos que adoptan hábitos similares. El nuevo método puede detectar ambos patrones. Lo hace observando los datos de dos maneras simultáneas. Primero, mapea la red para encontrar agrupaciones ocultas, de forma muy parecida a clasificar a las personas en círculos basadas en a quién conocen. Segundo, aplica una regla de suavizado que fomenta que el modelo trate a los vecinos conectados como similares, capturando el flujo directo de influencia entre ellos. Al combinar esto con los detalles individuales de cada persona o lugar, el modelo crea una predicción que es tanto aguda como adaptable.

Para asegurar que esta herramienta sea útil para la toma de decisiones en el mundo real, los investigadores la equiparon con un conjunto integrado de lentes para ver cómo funciona. A diferencia de otros sistemas avanzados que requieren herramientas separadas y a menudo poco fiables para explicar sus elecciones, este modelo se explica a sí mismo. Puede decirle a un investigador exactamente cuánto contribuyó una característica específica, como la calificación de un estudiante o la temperatura de una ciudad, a una predicción. Más importante aún, puede separar la influencia de la red de la influencia de los rasgos personales. Puede cuantificar cuánto de una predicción provino del hecho de que una persona está conectada con otros, y cuánto provino de sus propias características únicas. Esta capacidad de desentrañar la red del individuo es crucial para comprender los verdaderos motores de los resultados en sistemas complejos.

Los investigadores probaron su método utilizando datos simulados donde conocían las reglas exactas del juego. Crearon escenarios donde la red jugaba un papel pequeño, un papel grande o ningún papel, y donde las relaciones entre las variables eran simples o extremadamente complejas. En cada caso, el nuevo método funcionó tan bien como o mejor que las técnicas existentes. Cuando la red era un factor fuerte, el método la utilizó para aumentar significativamente la precisión. Cuando la red era irrelevante, el método simplemente la ignoró sin perder su capacidad de predicción. Crucialmente, mantuvo su alto rendimiento incluso cuando las relaciones en los datos eran irregulares e impredecibles, una situación en la que los modelos más simples suelen fallar. Las simulaciones también mostraron que el método podía identificar correctamente qué partes de la red estaban impulsando los resultados, distinguiendo entre las agrupaciones ocultas y las conexiones directas.

Para demostrar que el método funcionaba en la realidad desordenada del mundo real, el equipo lo aplicó a dos estudios de caso distintos. El primero involucró un gran experimento sobre conflictos escolares, donde los investigadores intentaron predecir qué tan amigable percibiría un estudiante su escuela al final del año. Los datos incluían los antecedentes de los estudiantes y un mapa de sus amistades. El nuevo modelo predijo con éxito estas percepciones, y su análisis interno reveló algo sorprendente: para algunas escuelas, la estructura social general era el principal motor, mientras que para otras, lo que más importaba eran los grupos de amigos muy unidos. En una escuela específica, el modelo identificó un pequeño grupo aislado de estudiantes de octavo grado cuyas amistades estaban fuertemente vinculadas a una visión negativa de la escuela. Sin la capacidad del modelo para hacer zoom en las conexiones individuales, este grupo específico podría haberse perdido en el ruido promedio de los datos.

El segundo estudio de caso analizó las tasas de criminalidad en Filadelfia durante quince años. Aquí, los datos consistían en estadísticas mensuales de criminalidad de cientos de vecindarios, vinculados por su adyacencia física. El objetivo era predecir las tasas de criminalidad utilizando datos meteorológicos y el tiempo. Los resultados fueron claros: la red de vecindarios adyacentes fue el factor más importante, superando con creces al clima o a la época del año. Las herramientas internas del modelo mostraron que la influencia provenía casi por completo de la conexión directa entre los vecinos, confirmando que las tasas de criminalidad tienden a suavizarse a través de las fronteras. El modelo incluso pudo señalar qué vecindarios específicos estaban impulsando estos patrones, mostrando un gradiente de influencia claro y suave que coincidía con los mapas de criminalidad observados. Tanto en las escuelas como en las ciudades, el método demostró que podía aprender de las conexiones sin confundirse por ellas.

Los investigadores enfatizan que esta herramienta está diseñada para situaciones donde entender el "por qué" es tan importante como la predicción misma. Ya sea un médico tratando de entender un diagnóstico, un responsable de políticas evaluando una intervención, o un científico estudiando la dinámica social, la capacidad de ver la contribución de la red es vital. El método no pretende resolver el misterio del comportamiento humano ni probar que una cosa causa otra, pero proporciona un mapa claro y honesto de cómo se están utilizando los datos. Ofrece una forma de navegar la complejidad de los datos conectados con confianza, asegurando que los conocimientos obtenidos no sean solo precisos, sino también transparentes y confiables. Al hacer visible la red invisible de influencia, este trabajo abre la puerta a decisiones más informadas en un mundo donde todo está conectado.

Resumen Técnico: Bosque Aleatorio con Asistencia de Redes Interpretable (NeRF+)

Planteamiento del Problema
Los algoritmos de aprendizaje automático suelen asumir que las muestras de entrenamiento son independientes. Sin embargo, en muchas aplicaciones modernas (por ejemplo, redes sociales, datos espaciales), los puntos de datos están conectados mediante una red, lo que induce dependencias que reducen el tamaño efectivo de la muestra e introducen sesgos. Si bien aprovechar estas dependencias (cohesión de red) puede mejorar la predicción, los métodos existentes enfrentan un compromiso:

Redes Neuronales de Grafos (GNN): Ofrecen una alta precisión de predicción, pero suelen ser "cajas negras", careciendo de interpretabilidad intrínseca. Las herramientas de explicabilidad post-hoc para las GNN suelen ser inestables y susceptibles a ataques adversarios.
Regresión Lineal con Asistencia de Red (p. ej., RNC): Es altamente interpretable, pero a menudo carece de la flexibilidad para capturar relaciones no lineales complejas, lo que conduce a un rendimiento de predicción subóptimo.
Métodos de Árboles con Asistencia de Red (p. ej., Network BART, BAMDT): Mejoran la predicción, pero carecen de herramientas de interpretabilidad robustas. Las medidas de importancia existentes para estos modelos suelen sufrir de un sesgo hacia las características de la red debido al gran número de posibles divisiones de red, lo que dificulta el desentrañamiento de la importancia de la red frente a la importancia de las características.

Existe la necesidad de un método que equilibre una alta precisión de predicción con una interpretabilidad intrínseca, siendo capaz específicamente de desentrañar la contribución de las conexiones de red de la de las características de los nodos.

Metodología: NeRF+
Los autores proponen el Bosque Aleatorio con Asistencia de Red Plus (NeRF+), una familia flexible de modelos construida sobre el Bosque Aleatorio Plus (RF+). El RF+ generaliza los Bosques Aleatorios estándar representando las predicciones de los árboles de decisión mediante un modelo lineal, combinando características basadas en árboles no lineales con características lineales.

NeRF+ incorpora información de red a través de dos mecanismos complementarios:

Características de Incrustación de Red ( $Z$ ): La matriz de covariables original $X$ se aumenta con características de incrustación de red $Z$ (p. ej., incrustaciones espectrales del Laplaciano) aprendidas únicamente de la estructura de la red. Esto captura la cohesión en el espacio latente.
Penalización de Cohesión de Red ( $\alpha$ ): El modelo incluye un efecto específico de nodo $\alpha$ regularizado por una penalización de cohesión de red ( $\alpha^\top L \alpha$ ), donde $L$ es el Laplaciano de la red. Esto fomenta que las predicciones para nodos conectados sean similares, capturando la suavidad en la red observada.

Formulación del Modelo:
Para un bosque de $T$ árboles, NeRF+ predice la respuesta $\hat{y}$ como un promedio de ensamble:
$\hat{y} = \frac{1}{T} \sum_{t=1}^T \left( \hat{\alpha}^{(t)} + \tilde{X}\hat{\beta}^{(t)} + \Psi_t(\tilde{X})\hat{\gamma}^{(t)} \right)$
Donde:

$\tilde{X} = [X, Z]$ es la matriz de características aumentada.
$\hat{\alpha}^{(t)}$ representa los efectos de nodo (cohesión de red).
$\hat{\beta}^{(t)}$ son los coeficientes para las características lineales.
$\Psi_t(\tilde{X})$ representa las características de estuches de decisión (decision stumps) derivadas de las divisiones del árbol.
$\hat{\gamma}^{(t)}$ son los coeficientes para las características no lineales basadas en árboles.

Los parámetros se estiman minimizando una función de pérdida (p. ej., error cuadrático) más penalizaciones de regularización (p. ej., $\ell_2$ sobre $\beta$ y $\gamma$ , y la penalización de cohesión sobre $\alpha$ ).

Contribuciones Clave: Herramientas de Interpretabilidad
Una contribución principal del artículo es una suite de herramientas de interpretabilidad intrínseca derivadas directamente de los parámetros del modelo, evitando la necesidad de aproximaciones post-hoc inestables. Estas herramientas permiten a los investigadores:

Importancia de Características Global:
- Importancia por Permutación: Mide la caída en la precisión de la predicción cuando los valores de las características (o características de red) son permutados. Crucialmente, esto permite la cuantificación separada de la importancia de la cohesión de red ( $\alpha$ ) frente a las incrustaciones de red ( $Z$ ).
- Importancia MDI+: Una generalización de la Disminución de la Impureza Media adaptada para RF+. Mide la similitud entre la respuesta y las predicciones realizadas utilizando solo un subconjset de características (imputando las otras con las medias de columna), lo que permite el desentrañamiento de las contribuciones de la red frente a las de las características.
Importancia de Características Local:
- Aprovechando la forma lineal de NeRF+, los autores definen puntuaciones de importancia local (similares a los valores de Shapley) para muestras individuales. Esto cuantifica cuánto contribuye una característica específica o la red a la predicción de una muestra específica en relación con el promedio.
Influencia de la Muestra:
- Los autores derivan estimaciones aproximadas de forma cerrada de Leave-One-Out (LOO) para los coeficientes del modelo. Esto permite el cálculo de puntuaciones de influencia de la muestra para identificar valores atípicos o observaciones influyentes sin reajustar el modelo $n$ veces.

Resultados
El artículo evalúa NeRF+ a través de simulaciones y dos estudios de caso:

Simulaciones: NeRF+ logra consistentemente una precisión de predicción competitiva o superior (medida por $R^2$ $R^{2}$ ) en comparación con RNC, Network BART, RF+ estándar y regresión lineal a través de diversas formas funcionales (lineal, polinómica, dispersa con picos locales) y tipos de efectos de red (bloque aditivo, autocorrelación de red).
- NeRF+ identifica correctamente las características de señal sobre las características que no son señal.
- Las medidas de importancia global reflejan con precisión la fuerza del efecto de red y distinguen con éxito las contribuciones de la cohesión de red y las incrustaciones.
- Las puntuaciones de influencia de la muestra identifican eficazmente los valores atípicos, clasificándolos como las muestras más influyentes a medida que aumenta la fuerza de la perturbación.
Estudio de Caso 1 (Conflicto Escolar): Al predecir las percepciones de los estudiantes sobre la amabilidad de la escuela, NeRF+ se desempeñó de manera competitiva con RNC (el mejor ejecutor en promedio) pero con mayor consistencia entre las escuelas. Las herramientas de interpretabilidad revelaron que, si bien la amabilidad base era el predictor más fuerte, los efectos de red variaban según la escuela: algunos estaban impulsados por la estructura comunitaria (incrustaciones), mientras que otros eran impulsados por la cohesión entre pares. Las puntuaciones de importancia local identificaron grupos de amigos específicos con fuertes influencias negativas de pares que no eran obvias a partir de los datos brutos.
Estudio de Caso 2 (Crimen en Filadelfia): Predicción de las tasas de criminalidad mensual en distritos censales. NeRF+ y RNC superaron a los métodos que no consideran la red. Los resultados indicaron que la cohesión de red era el factor dominante (mucho más importante que las covariables climáticas o el tiempo), reflejando la suavidad espacial de las tasas de criminalidad. Los mapas de importancia de red local coinciden estrechamente con los patrones observados de criminalidad, resaltando la capacidad del modelo para capturar dependencias espaciales.

Significancia y Reivindicaciones
El artículo afirma que NeRF+ cierra la brecha entre la flexibilidad de las redes profundas/ensambles de árboles y la interpretabilidad de los modelos lineales en el contexto de datos en red.

Interpretabilidad Intrínseca: A diferencia de las GNN, NeRF+ proporciona interpretaciones basadas en el modelo derivadas directamente de los parámetros, evitando la inestabilidad de los explicadores post-hoc.
Desentrañamiento: Permite de manera única la cuantificación de cuánta potencia de predicción proviene de la estructura de la red (cohesión vs. incrustación) frente a las características de los nodos.
Aplicabilidad: El método es particularmente valioso en dominios de alto riesgo (p. ej., biomédicos, ciencias sociales) donde la transparencia y la comprensión de cómo un modelo realiza sus predicciones son tan críticas como la precisión.
Practicidad: Los autores proporcionan un paquete de R con una aplicación Shiny para facilitar el uso de estas herramientas, y demuestran que NeRF+ se puede ajustar eficientemente (en menos de 3 minutos para conjuntos de datos de hasta $n=1500$ ), significativamente más rápido que Network BART.

Los autores señalan modestamente que las interpretaciones son específicas del modelo ajustado y no constituyen inferencia causal, que sigue siendo un área de investigación compleja y separada. Sugieren que el trabajo futuro podría involucrar el aprendizaje conjunto de las incrustaciones y el modelo, o extensiones a redes dinámicas.

Más como este