PERTURB-c: Correlation Aware Perturbation Explainability for Regression Techniques to Understand Retrieval Black-boxes

Resumen Técnico: PERTURB-c: Explicabilidad de Perturbación Consciente de la Correlación para Técnicas de Regresión para Comprender Cajas Negras de Recuperación

Planteamiento del Problema
El campo de la caracterización atmosférica de exoplanetas está transitando de las recuperaciones tradicionales basadas en la física, computacionalmente intensivas, hacia métodos basados en aprendizaje automático (ML). Si bien el ML ofrece ventajas significativas de velocidad, introduce una opacidad de tipo "caja negra", lo que dificulta verificar si las predicciones se basan en características físicamente plausibles o en artefactos de los datos de entrenamiento. Una barrera crítica para la adopción del ML en este dominio es la alta correlación inherente en los datos espectrales (debido al ensanchamiento de las líneas espectrales y a las estructuras de transmisión molecular).

Los métodos de interpretabilidad estándar, como los perfiles ceteris paribus y SHAP (SHapley Additive exPlanations), dependen de la perturbación de características de entrada individuales (bins de longitud de onda) mientras se mantienen constantes otras o se muestrean aleatoriamente de la distribución de entrenamiento. En los datos espectrales altamente correlacionados, estos enfoques generan frecuentemente muestras "fuera de la distribución" (OOD, por sus siglas en inglés)—espectros que son físicamente imposibles (por ejemplo, una absorción alta en una longitud de onda sin las características correlacionadas correspondientes en longitudes de onda adyacentes). Cuando se consulta a los modelos con estas entradas no físicas, sus respuestas se vuelven inestables e informativas, lo que hace que las métricas de importancia de características estándar sean poco fiables para las tareas de recuperación espectral.

Metodología: PERTURB-c
Los autores proponen PERTURB-c (Perturbation Explainability for Regression Techniques to Understand Retrieval Black-boxes), un marco diseñado para generar perturbaciones físicamente consistentes para datos espectrales correlacionados.

1. Perturbación Consciente de la Correlación: A diferencia de los métodos estándar que modifican bins individuales, PERTURB-c perturba simultáneamente un grupo de bins de longitud de onda adyacentes. Aprovecha el conocimiento físico de que la correlación espectral decae con la separación de la longitud de onda.
2. Enmascaramiento Gaussiano: La perturbación se aplica utilizando una función de ventana gaussiana ($w_{gauss}$) centrada en la longitud de onda objetivo. Esto asegura que las modificaciones a un bin específico vayan acompañadas de modificaciones correlacionadas y de menor magnitud en los bins vecinos, manteniendo los espectros generados dentro de la distribución física de los datos de entrenamiento.
3. Muestreo Restringido por Ruido: La magnitud de la perturbación se extrae de una distribución normal escalada por el perfil de ruido instrumental conocido ($\sigma_m$) en cada longitud de onda, asegurando que las observaciones modificadas permanezcan dentro del ámbito de las mediciones físicas plausibles.
4. Análisis de Dos Niveles:
   • Nivel 1 (T1): Un modo de muestreo grueso y rápido (50 muestras) que ajusta una aproximación lineal a la respuesta de la perturbación para determinar el signo (positivo/negativo) y la magnitud de la importancia de la característica.
   • Nivel 2 (T2): Un modo de alta fidelidad (2,000 muestras) que visualiza las curvas de respuesta no lineales de múltiples longitudes de onda de forma concurrente.
5. Visualización: Los autores introducen una representación de mapa de calor para el análisis T2. En lugar de graficar las magnitudes de respuesta puras (que se desvanecen en cero ante la perturbación), grafican el gradiente de respuesta ($\delta r / \delta \xi$). Esto permite la visualización intuitiva de cómo la predicción del modelo cambia a través de un continuo de longitudes de onda y niveles de perturbación, condensando la importancia de características de alta dimensión en un único gráfico legible.

Estudio de Caso y Resultados
El marco fue probado en una recuperación simulada del exoplaneta WASP-107b utilizando una red neuronal densa entrenada con 50,000 observaciones planetarias simuladas. El modelo tenía la tarea de recuperar abundancias moleculares (incluyendo $SO_2$, $SiO$, $PH_3$, etc.) a partir de un espectro de baja resolución (100 bins de longitud de onda).

• Comparación con SHAP: El análisis estándar de SHAP falló en alinear la importancia de las características con las características espectrales físicas conocidas de $SO_2$. Las muestras generadas por SHAP estaban mayoritariamente fuera de la distribución, lo que resultó en una pobre correlación entre el resultado de la interpretabilidad y las bandas espectrales reales.
• Desempeño de PERTURB-c: PERTURB-c identificó con éxito las regiones de longitud de onda específicas (por ejemplo, alrededor de 13 $\mu$m) donde el modelo dependía de las características espectrales de $SO_2$. La visualización del mapa de calor mostró claramente que el modelo se enfocaba en el borde de ataque de la banda de $SO_2$ y en el hueco de la banda a 12 $\mu$m.
• Eficiencia: Debido a la alta eficiencia en la generación de muestras dentro de la distribución, PERTURB-c requirió aproximadamente 200 veces menos muestras que SHAP para extraer un contenido de información equivalente. En consecuencia, el tiempo de ejecución para PERTURB-c (T2) fue aproximadamente 22 veces más rápido que SHAP (0.2456s frente a 5.3159s para el caso de prueba específico).
• Ruptura de Degeneración: El análisis reveló que el modelo utilizaba bandas específicas de $SO_2$ para romper degeneraciones al recuperar $SiO$, demostrando la capacidad del marco para descubrir comportamientos de modelos complejos y no lineales.

Significancia y Reivindicaciones
El artículo afirma que PERTURB-c aborda la limitación fundamental de las herramientas de interpretabilidad existentes cuando se aplican a datos espectrales correlacionados. Al imponer la consistencia física mediante el enmascaramiento gaussiano, el método evita la generación de muestras no físicas que desestabilizan las respuestas del modelo.

Los autores posicionan a PERTURB-c no como un reemplazo de las recuperaciones Bayesianas, sino como una herramienta necesaria para las estrategias de "baja latencia" requeridas en la era de los grandes datos de la ciencia de exoplanetas. Las contribuciones clave incluyen:

• Agnosticismo del Modelo: El marco es aplicable a cualquier modelo de regresión que maneje entradas estructuradas unidimensionales con alta correlación.
• Herramienta de Propuesta: Los autores demuestran que PERBER-c puede utilizarse para la ingeniería inversa de restricciones observacionales. Al simular una hipótesis (por ejemplo, el calentamiento por marea que conduce a un alto $SO_2$), los investigadores pueden usar PERTURB-c para determinar las incertidumbres necesarias por cada bin de longitud de onda para validar esa hipótesis, ayudando en la preparación de propuestas para telescopios y la selección de objetivos.
• Transparencia: La visualización de mapa de calor proporciona una representación más intuitiva y densa de información de la importancia de las características en comparación con los gráficos de barras o diagramas de cascada estándar.

El artículo concluye que, si bien las recuperaciones de ML se están volviendo esenciales, su adopción depende de la capacidad de verificar su "razonamiento". PERTURB-c ofrece un método robusto, eficiente y físicamente fundamentado para lograr esta transparencia, mitigando los riesgos de sesgo y asegurando que las predicciones sean impulsadas por características espectrales físicamente plausibles.