📊 statistics

On Fibonacci Ensembles: An Alternative Approach to Ensemble Learning Inspired by the Timeless Architecture of the Golden Ratio

Este artículo introduce los "Ensembles de Fibonacci", un novedoso marco de aprendizaje de conjunto inspirado en la sucesión de Fibonacci que utiliza pesos de Fibonacci normalizados y un dinamismo recursivo de segundo orden para lograr una reducción sistemática de la varianza y una profundidad de representación mejorada, demostrando un rendimiento competitivo frente a los métodos de agregación clásicos en experimentos de regresión controlados.

Autores originales: Ernest Fokoué

Publicado 2026-08-18

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ernest Fokoué

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 informática moderna, las máquinas suelen aprender observando muchas conjeturas diferentes y luego combinándolas en una única respuesta mejor. Este enfoque, conocido como aprendizaje de conjunto (ensemble learning), es como pedir consejo a un panel de expertos en lugar de confiar en uno solo. Si los expertos son diversos e imperfectos, su sabiduría combinada puede a menudo superar a cualquier individuo único. El desafío para los científicos es averiguar cómo mezclar estas opiniones. ¿Debería cada experto tener un voto igualitario? ¿O deberían algunas voces ser más fuertes que otras? Durante décadas, la práctica estándar ha sido tratar a cada aprendiz de la misma manera, dándoles el mismo peso, o dejar que los datos decidan la mezcla mediante complejos métodos de ensayo y error. Pero, ¿y si existiera una regla natural y preestablecida para esta mezcla que no requiriera ajustes ni conjeturas?

Un investigador del Instituto de Tecnología de Rochester decidió probar una idea muy específica inspirada en la naturaleza: la sucesión de Fibonacci. Este es un famoso patrón numérico que se encuentra en las espirales de las conchas y la disposición de las hojas, donde cada número es la suma de los dos anteriores. La pregunta era si este antiguo ritmo matemático podría servir como una receta perfecta para combinar modelos de aprendizaje automático. El investigador se propuso ver si ponderar a los expertos de acuerdo con esta secuencia crearía un sistema de predicción más inteligente y estable que los métodos habituales. La investigación reveló una verdad sorprendente sobre los límites de este enfoque y aclaró exactamente cuándo un patrón ayuda y cuándo estorba.

El estudio comenzó organizando una serie de modelos de aprendizaje en un orden específico, típicamente de lo simple a lo complejo, y luego asignándoles pesos basados en los números de Fibonacci. Los modelos más recientes y complejos recibieron los pesos más grandes, siguiendo el crecimiento de la secuencia. Los investigadores realizaron miles de simulaciones para ver cómo se desempeñaba este método en comparación con el hecho de dar a cada uno un voto igualitario. Descubrieron un límite estricto en cuántos modelos podía utilizar realmente este sistema. Sin importar cuántos expertos se añadieran al grupo, el esquema de ponderación de Fibonacci escuchaba efectivamente a solo unos cuatro de ellos. Los pesos para los modelos más antiguos y simples se volvían tan diminutos que eran prácticamente ignorados. Esto significaba que añadir más modelos a la mezcla no hacía que el sistema fuera más estable o preciso, que es el beneficio principal de utilizar grandes grupos de aprendices.

Debido a que el sistema ignoraba efectivamente a la mayoría de los expertos disponibles, no podía reducir los errores aleatorios que provienen de tener pocos puntos de datos. De hecho, para cualquier grupo mayor de cuatro, el método estándar de dar a todos un voto igualitario era matemáticamente superior para reducir estos errores aleatorios. La única forma en que el método de Fibonacci podría ganar era si el orden de los modelos importara profundamente. Si los modelos se organizaban de modo que los más importantes estuvieran al final de la lista, la regla de Fibonacci potenciaría esas voces específicas. Sin embargo, si el orden era aleatorio o poco importante, el método fallaría, rindiendo a menudo mucho peor que un promedio simple.

Los investigadores también probaron si la famosa proporción áurea, el número al que se aproxima la sucesión de Fibonacci, era el ajuste perfecto para este tipo de ponderación. Compararon la regla de Fibonacci contra una amplia gama de otros patrones geométicos para ver cuál producía los resultados más precisos. Los resultados fueron claros: la proporción áurea no era la mejor opción. El ajuste ideal cambiaba dependiendo del problema específico y del tipo de datos. A veces, el mejor patrón favorecía a los modelos más simples y otras veces favorecía a los más complejos. La proporción áurea era raramente la ganadora, y usarla ciegamente podía conducir a errores que eran muchas veces mayores de lo necesario.

Para entender por qué sucedió esto, el artículo analizó la diferencia entre dos tipos de problemas. En algunos casos, los datos son como un conjunto de bloques de construcción donde necesitas elegir los adecuados para construir un muro; aquí, promediar todo funciona bien. En otros casos, los datos son como una señal que se desvanece con el tiempo, donde las partes iniciales son fuertes y las posteriores son ruido débil. En estos casos de señales que se desvanecen, la regla de Fibonacci fue bastante mala porque naturalmente se centraba en los índices altos (los modelos complejos) independientemente de dónde se encontraba la energía de la señal real. Si la información importante estaba concentrada en los modelos iniciales más simples, la regla de Fibonacci ponderaba hacia arriba exactamente el extremo equivocado del espectro. Pero esto solo funcionaba si los modelos estaban organizados en el orden correcto. Cuando los investigadores mezclaron el orden de los modelos aleatoriamente, el rendimiento del método de Fibonacci colapsó, oscilando salvajemente entre ser muy bueno y muy malo. Esto demostró que el método no es una solución mágica; es una herramienta que solo funciona si el usuario sabe exactamente cómo organizar las herramientas.

El estudio también comparó este enfoque con técnicas matemáticas más sofisticadas utilizadas en estadística. Encontraron que, si bien el método de Fibonacci era una opción decente y de uso gratuito, todavía estaba muy por detrás de los mejores métodos que no requieren que los pesos sumen uno. El problema principal no era el patrón de Fibonacci en sí, sino la regla que obligaba a que todos los pesos sumaran un total específico. Esta regla, común en muchos sistemas de aprendizaje automático, actúa como un cuello de botella que impide que el sistema sea verdaderamente óptimo. La secuencia de Fibonacci simplemente resaltó esta limitación al mostrar cuánta información se pierde cuando se obliga a un grupo de expertos a compartir un presupuesto fijo de atención.

En pruebas utilizando datos del mundo real, como el flujo del río Nilo, la actividad de las manchas solares y las temperaturas oceánicas, los resultados confirmaron la teoría. En los datos de las manchas solares, donde los patrones son claros y ordenados, el método de Fibonacci mejoró respecto al promedio simple. Pero en los datos del Nilo, donde los patrones eran menos estructurados, el método funcionó peor que simplemente tomar un promedio simple. Los investigadores encontraron que la mejor manera de establecer los pesos no era usar un número fijo como la proporción áurea, sino dejar que los propios datos decidieran la mezcla adecuada a través de un proceso de prueba y validación.

La conclusión final del trabajo es una corrección modesta pero importante a cómo pensamos sobre estos sistemas. La sucesión de Fibonacci no posee una clave secreta para el aprendizaje automático perfecto. En cambio, sirve como un ejemplo claro de cómo una regla de ponderación actúa como un filtro. Muestra que tal regla solo puede enfocarse en un número pequeño y fijo de modelos, sin importar cuántos estén disponibles. La proporción áurea, a menudo vista como un símbolo de armonía perfecta en la naturaleza, resulta ser solo un ajuste específico entre muchos, y a menudo no es el mejor. El verdadero valor del estudio es mostrar que la forma en que combinamos los modelos es una parte crítica del proceso que merece un diseño cuidadoso, en lugar de ser simplemente una configuración predeterminada. El mejor enfoque es comprender la estructura de los datos y elegir un método de ponderación que se ajuste a esa estructura, en lugar de esperar que un único patrón matemático resuelva todos los problemas.

Resumen Técnico: Sobre los Conjuntos de Fibonacci

Planteamiento del Problema
El aprendizaje de conjuntos (ensemble learning) se basa en la agregación de aprendices base imperfectos para mejorar el rendimiento predictivo. Si bien métodos como el bagging y el boosting están bien establecidos, la regla de agregación en sí —la ley de ponderación aplicada a los aprendices base— rara vez se diseña de forma explícita. Suele ser heredada (uniforme para el bagging), implícita en la función de pérdida (boosting) o estimada como un parámetro de molestia (nuisance parameter) en el stacking. Este artículo investiga si una ley de ponderación específica y estructurada, derivada de la sucesión de Fibonacci, puede servir como una estrategia por defecto, fundamentada y libre de ajuste (tuning-free), para la agregación de conjuntos. La pregunta central es si la arquitectura recursiva de la secuencia de Fibonacci, que gobierna el crecimiento en la naturaleza, ofrece una estrategia matemáticamente óptima para combinar aprendices, o si simplemente impone restricciones no deseadas.

Metodología
El autor define la ponderación de Fibonacci donde los aprendices base $h_1, \dots, h_M$ , ordenados por complejidad creciente, reciben pesos proporcionales a los números de Fibonacci $F_m$ :
$\alpha_m = \frac{F_m}{\sum_{j=1}^M F_j}$
El análisis procede a través de varias lentes teóricas y empíricas:

Análisis Asintótico: Utilizando la fórmula de Binet, el autor deriva el comportamiento asintótico de estos pesos cuando $M \to \infty$ , mostrando que convergen a una progresión geométrica con una razón $\phi^{-1}$ (donde $\phi$ es la proporción áurea).
Descomposición Sesgo-Varianza: El riesgo del conjunto se analiza bajo un supuesto de base ortonormal. El autor deriva una condición de cruce exacta que determina cuándo la ponderación geométrica (incluyendo Fibonacci) supera al promedio uniforme, equilibrando la reducción del sesgo frente a la inflación de la varianza.
Estabilidad del Flujo Recursivo: El artículo modela la construcción del conjunto como un flujo recursivo de segundo orden $F_m = \beta F_{m-1} + \gamma F_{m-2} + \Delta F_{m-1}$ . Utilizando las condiciones de Schur–Cohn, el autor analiza la estabilidad de la recursión clásica de Fibonacci ( $\beta=1, \gamma=1$ ) y propone una variante "amortiguada" que preserva la razón del modo áureo asegurando la estabilidad $L_2$ .
Benchmarks Comparativos: El rendimiento de la ponderación de Fibonacci y la ponderación geométrica se compara contra:
- Promedio uniforme (línea base estándar).
- Ponderación geométrica óptima (donde la razón $r$ es ajustada).
- Estimadores de contracción ordenados clásicos (Pinsker, Blockwise Stein) que no imponen la restricción del simplex ( $\sum w_m = 1$ ).
Experimentos: Los experimentos computacionales utilizan características de Fourier aleatorias y diccionarios polinómicos sobre objetivos sintéticos ( $\sin(2\pi x)$ , $\text{sinc}(x)$ ) y series temporales reales (flujos del río Nilo, actividad de manchas solares, temperaturas de la superficie del mar de El Niño).

Contribuciones Clave y Resultados

Tamaño Efectivo Fijo del Conjunto:
El resultado estructural central es que los pesos de Fibonacci normalizados poseen un tamaño efectivo de conjunto fijo ( $M_{eff}$ ) independientemente del número total de aprendices $M$ .
$M_{eff} = \left( \sum \alpha_m^2 \right)^{-1} \to \phi^3 = 2 + \sqrt{5} \approx 4.236$
Consecuentemente, los conjuntos de Fibonacci consultan a ligeramente más de cuatro aprendices, incluso si hay miles disponibles. Esto implica que la ponderación de Fibonacci no puede lograr la caída de varianza $O(1/M)$ característica del bagging. Para cualquier $M > \phi^3$ , la ponderación uniforme domina estrictamente a la de Fibonacci en términos de varianza.
La Reducción de Sesgo como Único Mecanismo:
Debido a que la reducción de varianza es imposible, cualquier ventaja de la ponderación de Fibonacci debe provenir de la reducción del sesgo. El artículo establece una condición necesaria y suficiente (Teorema 3.1) para que la ponderación geométrica supere al promedio uniforme: la energía de la señal (coeficientes $\theta_m^2$ ) debe estar concentrada en los índices que la ley de ponderación prioriza.
- Si la señal está en índices bajos (funciones suaves), la razón óptima es $r < 1$ (priorizando los aprendices tempranos).
- Si la señal está en índices altos, $r > 1$ .
- La razón de Fibonacci $\phi \approx 1.618$ corresponde a $r > 1$ , lo que significa que prioriza los últimos dos aprendices (los índices altos). El artículo encuentra que $\phi$ rara vez es la razón óptima; en muchos experimentos, la razón óptima $r$ oscila entre 0.20 y 2.20. Crucialmente, cuando la energía de la señal se sitúa en índices bajos (un escenario común para funciones suaves), la razón óptima es $r < 1$ , lo que hace que la ponderación de Fibonacci (con $r=\phi > 1$ ) sea subóptima porque prioriza el "extremo equivocado" del diccionario.
Equivalencia con la Ponderación Geométrica:
El autor demuestra que para $M \ge 20$ , los pesos de Fibonacci son numéricamente indistinguibles de los pesos geométricos con una razón $r = \phi$ . Por lo tanto, las afirmaciones sobre la ponderación "de Fibonacci" son efectivamente afirmaciones sobre el número específico $\phi$ .
Estabilidad de los Flujos Recursivos:
Se demuestra que la recursión clásica de Fibonacci es inestable en un contexto de flujo de conjunto ( $\rho(T) = \phi > 1$ ). El autor construye un flujo de Fibonacci amortiguado que retiene la propiedad estructural de la razón del modo ( $\lambda_+ / |\lambda_-| = \phi^2$ ) mientras cumple con las condiciones de estabilidad de Schur–Cohn ( $\rho(T) < 1$ ).
La Limitación de la Restricción:
Un hallazgo crítico es que la restricción del simplex ( $\sum w_m = 1, w_m \ge 0$ ) es el principal cuello de botella en el rendimiento del conjunto.
- Dentro de la clase de reglas de agregación convexas (restringidas al simplex), la familia geométrica es casi óptima (dentante del 12% del mejor estimador de simplex posible).
- Sin embargo, toda la clase de estimadores restringidos al simplex es de 6 a 146 veces peor que los métodos de contracción ordenados (Pinsker, Blockwise Stein), los cuales no imponen $\sum w_m = 1$ . La restricción obliga a los pesos a promediar $1/M$ , causando una subestimación severa de los coeficientes de la señal.
Dependencia del Orden:
La ponderación estructurada es altamente sensible al orden del diccionario. Los estudios de permutación muestran que aleatorizar el orden de los aprendices puede degradar el rendimiento por factores de 2.5 a 15. La ponderación de Fibonacci solo es beneficiosa cuando el índice del diccionario posee un significado genuino (por ejemplo, complejidad o frecuencia crecientes).

Significancia y Reivindicaciones
El artículo extrae una conclusión modesta pero precisa: la sucesión de Fibonacci no proporciona una ley de ponderación "dorada" u óptima para el aprendizaje de conjuntos.

El Rol de la Proporción Áurea: $\phi$ no es un peso privilegiado; más bien, $\phi^3$ representa el techo exacto de aprendices efectivos que un esquema de Fibonacci puede utilizar. Es un límite, no una solución.
El Problema Real: La ley de ponderación es un "componente consecuente y mayormente no diseñado" del aprendizaje de conjuntos. El artículo argumenta que la regla de agregación debería estimarse a partir de los datos (por ejemplo, mediante validación cruzada) en lugar de asumirse como uniforme o de Fibonacci.
Implicación Práctica: Aunque la ponderación de Fibonacci es un valor por defecto interpretable y libre de ajuste, no es universalmente óptima. Su utilidad depende enteramente del compromiso sesgo-varianza específico del orden del diccionario y la distribución espectral de la señal. El artículo enfatiza que distinguir entre aprendices de tipo "predictor" (donde el promedio es natural) y de tipo "base" (donde la contracción es superior) es más importante que la elección de una secuencia de ponderación específica.

En resumen, el artículo replantea el conjunto de Fibonacci no como el descubrimiento de una ley universal, sino como una demostración rigurosa de los límites de la agregación convexa y de la importancia crítica del orden del diccionario y la selección de la restricción en el diseño de conjuntos.

Más como este