PASM: Population Adaptive Symbolic Mixture-of-Experts Model for Cross-location Hurricane Evacuation Decision Prediction

El artículo presenta PASM, un modelo de mezcla de expertos adaptativo a la población que combina regresión simbólica guiada por modelos de lenguaje con mecanismos de enrutamiento para generar reglas de decisión interpretables y precisas sobre la evacuación ante huracanes, superando significativamente a los métodos existentes en la generalización entre diferentes ubicaciones geográficas.

Lo esencial

Imagina que eres el capitán de un barco de rescate durante un huracán. Tu misión es predecir quién se quedará en casa y quién escapará en sus coches para salvar vidas. Pero hay un problema enorme: las reglas que funcionan en Florida no funcionan en Texas, y las de Texas no sirven en Georgia.

El artículo que presentas, llamado PASM, es como un nuevo tipo de "brújula inteligente" diseñada para resolver este caos. Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: "La Receta de la Abuela no sirve en todos lados"

Imagina que tienes una receta de pastel perfecta para tu abuela en Florida. Si intentas hacer ese mismo pastel exacto en Georgia, usando los mismos ingredientes y pasos, probablemente saldrá mal. ¿Por qué? Porque la gente en Georgia tiene gustos, costumbres y miedos diferentes, incluso si parecen iguales en papel (misma edad, mismo dinero).

• Lo que pasaba antes: Los científicos usaban un solo modelo gigante (una sola receta) para todo el país. Esto funcionaba bien para la mayoría, pero fallaba estrepitosamente con grupos pequeños o vulnerables (como ancianos sin coche o familias con poco dinero). Era como intentar adivinar qué quiere comer todo un país con una sola pregunta: "¿Quieres pizza?". La respuesta siempre sería errónea para muchos.

2. La Solución: PASM (El "Equipo de Especialistas")

En lugar de tener un solo experto que lo sabe todo, PASM contrata a un equipo de especialistas (llamado "Mezcla de Expertos" o Mixture-of-Experts).

Imagina que PASM es un gerente de restaurante muy inteligente:

1. Detecta los grupos: Primero, el gerente mira a los clientes y dice: "¡Ah! Este grupo son jóvenes solteros, ese otro son familias con niños pequeños, y aquel son personas mayores que viven en casas móviles".
2. Elige al chef correcto: En lugar de darle la misma orden a todos, el gerente envía a cada grupo a un chef diferente:
   • A los jóvenes les da la receta del Chef A (que se basa en la presión social: "Si mis vecinos se van, yo me voy").
   • A las familias les da la receta del Chef B (que equilibra el miedo al huracán con la edad de los niños).
   • A los ancianos les da la receta del Chef C (que es muy compleja y considera si su casa es de ladrillo o de madera).
3. Ajusta los ingredientes: Lo genial de PASM es que estos chefs no solo tienen recetas fijas; pueden ajustar los ingredientes según la persona. Si un anciano vive en una casa muy segura, el chef ajusta la receta para decir "probablemente no se vaya". Si vive en una casa frágil, ajusta la receta para decir "¡corre!".

3. La Magia: "Fórmulas que se pueden leer"

Muchos sistemas de Inteligencia Artificial son como una "caja negra": te dan una respuesta, pero no sabes por qué. PASM es diferente.

• La analogía: Imagina que los otros modelos te dicen: "El 73% de probabilidad de que te vayas". PASM te dice: "Te vas porque vives en una zona donde el 80% de tus vecinos ya se fueron, pero como tienes más de 60 años, tu probabilidad baja un poco, a menos que tu casa sea de madera".
• PASM descubre reglas matemáticas simples y legibles (como ecuaciones de álgebra básica) para cada grupo. Esto es vital para los bomberos y autoridades, porque necesitan entender por qué toman una decisión para poder explicárselo a la gente y planificar mejor.

4. ¿Por qué es tan bueno? (Los Resultados)

El equipo probó su sistema con datos reales de huracanes en Florida, Texas y Georgia.

• El reto: Entrenaron el modelo con datos de Florida y Texas, y luego lo enviaron a Georgia (donde la gente se comporta de forma muy distinta).
• El resultado:
  • Los modelos antiguos (como XGBoost o modelos de IA generativa) fallaron mucho en Georgia.
  • PASM tuvo un éxito increíblemente alto. Con solo 100 muestras de calibración (como probar la receta con 100 personas antes de cocinar para todos), logró predecir quién se iría mucho mejor que cualquier otro sistema.

5. La Justicia: "Nadie se queda atrás"

Un gran miedo con la IA es que discrimine. El equipo revisó si PASM trataba mal a mujeres, minorías o personas con menos educación.

• El hallazgo: ¡No hubo diferencias injustas! El sistema fue justo para todos los grupos demográficos. Esto significa que no se olvidará de los más vulnerables, que suelen ser los que más sufren en los desastres.

En resumen

PASM es como tener un traductor cultural y un equipo de chefs trabajando juntos para predecir el pánico humano. En lugar de tratar a todos los estadounidenses como si fueran iguales, reconoce que la gente en Georgia piensa diferente a la de Florida, y adapta sus reglas matemáticas para cada grupo.

Es una herramienta que hace que la predicción de evacuaciones sea más precisa, más justa y, lo más importante, comprensible para los humanos que salvan vidas.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "PASM: Population Adaptive Symbolic Mixture-of-Experts Model for Cross-location Hurricane Evacuation Decision Prediction" en español.

1. Planteamiento del Problema

La predicción precisa del comportamiento de evacuación es crucial para la gestión de desastres, pero los modelos existentes enfrentan un desafío fundamental: la falta de generalización entre diferentes regiones.

• Heterogeneidad Conductual: El estudio demuestra que el fracaso de los modelos al transferirse de un estado a otro (por ejemplo, de Florida/Texas a Georgia) no se debe únicamente a un cambio en la distribución de las características (feature distribution shift). Incluso hogares con características demográficas y socioeconómicas idénticas siguen patrones de decisión sistemáticamente diferentes según el estado.
• Limitaciones de los Modelos Globales: Los modelos globales únicos (como XGBoost o redes neuronales estándar) tienden a sobreajustarse a los patrones dominantes de la población de entrenamiento, fallando en representar a subpoblaciones vulnerables y rindiendo pobremente al aplicarse en nuevas ubicaciones.
• Brecha de Transferencia: Los experimentos preliminares mostraron que, aunque los modelos entrenados en Florida funcionan bien en Texas, su rendimiento se degrada drásticamente en Georgia (caída del MCC de ~0.73 a ~0.33), revelando una heterogeneidad latente no capturada por enfoques tradicionales.

2. Metodología: PASM

Los autores proponen PASM (Population-Adaptive Symbolic Mixture-of-Experts), un marco híbrido que combina la regresión simbólica guiada por Grandes Modelos de Lenguaje (LLM) con una arquitectura de Mezcla de Expertos (MoE). El objetivo es descubrir reglas de decisión interpretables y especializarlas para subpoblaciones específicas.

El proceso se divide en tres etapas:

1. Descubrimiento de Subpoblaciones (Stage 1):

   • Se utilizan técnicas de aprendizaje no supervisado (UMAP para reducción de dimensionalidad y HDBSCAN para clustering basado en densidad) para identificar subgrupos latentes con comportamientos de evacuación distintos dentro de los datos de entrenamiento, sin predefinir el número de clusters.

2. Construcción de Expertos Simbólicos (Stage 2):

   • Se construye una biblioteca de "expertos", donde cada uno es una expresión matemática cerrada (fórmula) interpretable.
   • Se utiliza LaSR (Symbolic Regression guiada por LLM), que aprovecha modelos de lenguaje (Qwen3-8B en este caso) para proponer esqueletos de ecuaciones y refinarlas, descubriendo reglas compactas y físicamente plausibles.
   • Se entrena un experto global y múltiples expertos específicos para cada subpoblación descubierta.

3. Integración de Mezcla de Expertos (Stage 3):

   • Enrutamiento (Router): Una red neuronal (MLP) aprende a asignar cada entrada (hogar) al experto simbólico más relevante basándose en sus características.
   • Adaptación de Coeficientes: Un componente innovador es la red de adaptación de coeficientes. Permite que los parámetros internos de las fórmulas simbólicas se ajusten dinámicamente según la entrada (ej. el umbral de riesgo puede variar según el tipo de vivienda), evitando que los coeficientes aprendidos en un grupo se transfieran erróneamente a otro.
   • Optimización Conjunta: Todo el sistema (router, coeficientes y expertos) se entrena de extremo a extremo con funciones de pérdida que incluyen regularización para evitar el colapso del router y fomentar la diversidad de los expertos.

3. Contribuciones Clave

• Modelo Interpretable y Robusto: PASM genera reglas de decisión en forma de fórmulas matemáticas legibles por humanos (ej. EvacPctZip / c0 - log(Age)), a diferencia de las "cajas negras" de las redes neuronales profundas.
• Adaptación Poblacional: Al utilizar una arquitectura MoE, el modelo no fuerza una única ley de decisión global, sino que modela múltiples regímenes conductuales simultáneamente, asignando dinámicamente la lógica correcta a cada tipo de hogar.
• Superación de la Brecha de Transferencia: El enfoque logra cerrar más del 50% de la brecha de generalización entre estados, utilizando solo 100 muestras de calibración del dominio objetivo.
• Auditoría de Equidad: El modelo fue auditado en cuatro ejes demográficos (raza, sexo, educación, edad), no encontrando disparidades estadísticamente significativas después de la corrección de Bonferroni.

4. Resultados Experimentales

El modelo se evaluó utilizando datos de encuestas post-huracanes Harvey (Texas) e Irma (Florida y Georgia). El escenario de prueba fue entrenar en Florida y Texas, y evaluar en Georgia.

• Métricas Principales (MCC - Coeficiente de Correlación de Matthews):

  • PASM: 0.607
  • XGBoost: 0.404
  • GPT-5-mini: 0.434
  • TabPFN: 0.333
  • MAML (Meta-learning): 0.314
  • Prototypical Networks: 0.313

• Análisis de Desempeño:

  • PASM superó a todos los modelos de referencia (ML tradicional, LLMs y métodos de meta-aprendizaje) con mejoras relativas del 40% al 82% en MCC.
  • La caída de rendimiento al pasar de datos de calibración a datos de prueba en Georgia fue mínima (9.3%), mientras que otros modelos sufrieron caídas superiores al 55%.
  • Interpretabilidad: El mecanismo de enrutamiento identificó tres arquetipos de fórmulas:
    1. Un modelo lineal simple para la cohorte más joven (respuesta directa a presión social).
    2. Una fórmula que equilibra la tasa de evacuación geográfica contra la resistencia por edad.
    3. Una fórmula compleja no lineal (con cosenos y raíces) para grupos socialmente aislados o con características demográficas complejas.

• Eficiencia Computacional: Aunque la búsqueda simbólica requiere llamadas a LLM (aprox. 2,000 llamadas), el entrenamiento del router es extremadamente rápido (45 segundos) y la inferencia es eficiente.

5. Significado e Impacto

El trabajo de PASM tiene implicaciones profundas para la planificación de emergencias y la ciencia de datos aplicada a desastres:

1. Viabilidad Operativa: Demuestra que es posible construir modelos predictivos que funcionen en nuevas regiones con muy pocos datos locales (solo 100 muestras), lo cual es vital cuando no hay datos históricos para un nuevo desastre.
2. Transparencia para la Toma de Decisiones: Al proporcionar reglas explícitas y comprensibles, PASM permite a los gestores de emergencias entender por qué se predice una evacuación, facilitando la comunicación de riesgos y la asignación de recursos.
3. Equidad: Al identificar y especializarse en subpoblaciones minoritarias que a menudo son ignoradas por modelos globales, el modelo reduce el riesgo de dejar atrás a grupos vulnerables durante las evacuaciones.
4. Nueva Dirección en IA para Ciencias Sociales: El artículo valida que la combinación de regresión simbólica (para interpretabilidad) y arquitecturas MoE (para heterogeneidad) es superior a los enfoques de "caja negra" o de meta-aprendizaje estándar para modelar comportamientos humanos complejos y variables.

En resumen, PASM representa un avance significativo hacia modelos de IA que son no solo precisos, sino también adaptables, justos y comprensibles para aplicaciones críticas en la vida real como la gestión de desastres.