A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning

Resumen Técnico: Puntos de Límite de Curvatura Media (MCBP)

Enunciado del Problema
La detección precisa de límites en el aprendizaje no supervisado de alta dimensión sigue siendo un desafío significativo, particularmente cuando los datos exhiben estructuras no lineales, distribuciones anisotrópicas o densidades heterogéneas. Los enfoques tradicionales dependen predominantemente de principios basados en la densidad (por ejemplo, DBSCAN, LOF), asumiendo que los puntos de límite residen en regiones de baja densidad. Sin embargo, el artículo argumenta que las variaciones de densidad por sí solas son insuficientes para caracterizar variedades de datos complejas. Los métodos puramente impulsados por la densidad a menudo fallan en distinguir entre regiones planas de baja densidad y zonas de transición genuinamente de alta curvatura (interfaces cóncavas o convexas), lo que conduce a una identificación imprecisa de límites en escenarios que involucran variedades no lineales y la "maldición de la dimensionalidad".

Metodología: Puntos de Límite de Curvatura Media (MCBP)
El marco MCBP propuesto se aparta de la estimación de densidad al modelar explícitamente la geometría intrínseca de la variedad de datos utilizando geometría diferencial. La premisa central es que los puntos de límite corresponden a regiones de alta curvatura media, capturando transiciones geométricas que los métodos basados en densidad pasan por alto.

El algoritmo opera a través de la siguiente tubería computacional:

1. Construcción de Vecindario Local: Para cada muestra $x_i$, se construye un parche de $k$-vecinos más cercanos ($k$-NN) $P_i$.
2. Aproximación del Tensor Métrico (Primera Forma Fundamental): La estructura métrica local se aproxima utilizando la inversa de la matriz de covarianza empírica ($\Sigma_i^{-1}$) del vecindario. Esto sirve como un análogo discreto del tensor métrico, capturando la anisotropía local y las dependencias de características.
3. Aproximación de la Segunda Forma Fundamental: Se estima un operador Hessiano local ajustando un polinomio de segundo orden (términos cuadráticos) al vecindario local. La matriz resultante ($H_i$) aproxima la segunda forma fundamental, codificando cómo se dobla la variedad.
4. Operador de Forma y Curvatura Media: El operador de forma discreto $S_i$ se calcula como el producto de la aproximación Hessiana y la matriz de covarianza ($S_i \approx H_i \Sigma_i$). La curvatura media $K_i$ para cada punto se define como la traza de este operador ($K_i = \text{tr}(S_i)$).
5. Umbralización Adaptativa: Los puntos de límite se identifican utilizando un umbral basado en percentiles adaptativo. Los puntos con puntuaciones de curvatura por encima de un percentil especificado (por ejemplo, el 25% superior) se etiquetan como puntos de límite. Este mecanismo permite la extracción de límites multiescala sin depender de parámetros de densidad ad hoc.

Contribuciones Clave
El artículo describe tres contribuciones principales:

1. Criterio Geométrico para la Detección de Límites: MCBP establece la curvatura media como un sustituto principista para la caracterización de límites. Unifica la identificación de valores atípicos, regiones de transición e interfaces de decisión bajo un único marco matemático, avanzando más allá de las suposiciones de densidad para capturar la complejidad geométrica intrínseca.
2. Extracción Multiescala Adaptativa: La introducción de un mecanismo de umbralización basado en percentiles permite un control flexible sobre el espesor del límite, permitiendo que el método se adapte a densidades de datos variables sin un ajuste sensible de parámetros.
3. Descomposición de Datos Impulsada por Curvatura: El método propone una estrategia para particionar conjuntos de datos en subconjuntos "suaves" (baja curvatura) y de "límite" (alta curvatura). Esto actúa como un filtro geométrico no lineal, separando efectivamente las regiones centrales estables de las zonas de transición geométricamente ambiguas o ruidosas.

Resultados Experimentales
Los autores evaluaron MCBP en 25 conjuntos de datos reales de alta dimensión del repositorio OpenML y varios conjuntos de datos sintéticos 2D (manchas gaussianas, elipses anisotrópicas y dos lunas).

• Datos Sintéticos: Las visualizaciones confirmaron que MCBP identifica correctamente los contornos exteriores y las regiones de transición entre clústeres, incluso en configuraciones anisotrópicas y no convexas donde los métodos basados en densidad tienen dificultades.
• Rendimiento de Agrupamiento (Preprocesamiento): Cuando se utiliza como paso de preprocesamiento para filtrar puntos de alta curvatura antes de aplicar $k$-medias, el método mejoró consistentemente la calidad del agrupamiento. En 25 conjuntos de datos, el Coeficiente de Silueta promedio aumentó de 0.193 a 0.288, y el índice de Calinski–Harabasz mejoró significativamente, indicando una mejor compacidad y separación de clústeres.
• Inicialización de Centroides: Utilizar centroides derivados del conjunto de datos filtrado (suave) para inicializar $k$-medias en los datos originales produjo resultados más estables que la inicialización estándar $k$-medias++, particularmente en geometrías ruidosas o complejas.
• Agrupamiento Basado en Densidad (HDBSCAN): Aplicar el filtrado MCBP antes de HDBSCAN mejoró significativamente el rendimiento, con Coeficientes de Silueta promedio aumentando de 0.227 a 0.359. Esto sugiere que eliminar el ruido de alta curvatura estabiliza la estimación de densidad.
• Estrategias Híbridas: Un enfoque híbrido que utiliza HDBSCAN en el subconjunto suave y 1-NN para la propagación de límites demostró ganancias sustanciales, con Coeficientes de Silueta promedio que se duplicaron (de 0.1047 a 0.2308) y el índice de Calinski–Harabasz aumentando tres veces.

Significado y Afirmaciones
El artículo posiciona a MCBP como una contribución concreta al Aprendizaje Automático Geométrico, cerrando la brecha entre la geometría diferencial y el modelado impulsado por datos. Los autores afirman que:

• Curvatura como Paradigma Unificador: La curvatura media proporciona una interpretación geométrica unificada de límites, valores atípicos y transiciones, ofreciendo una caracterización más robusta que la densidad por sí sola, especialmente en configuraciones de alta dimensión y no lineales.
• Preprocesamiento Principista: La descomposición impulsada por curvatura no es meramente una herramienta de diagnóstico, sino un componente activo para mejorar el aprendizaje no supervisado aguas abajo. Al filtrar regiones geométricamente inestables, el método mejora la recuperabilidad de las estructuras de clústeres intrínsecas.
• Robustez: El enfoque es menos sensible a distorsiones globales de distribución y al "fenómeno del espacio vacío" común en altas dimensiones porque depende de operadores geométricos locales en lugar de estimaciones globales de densidad.

El trabajo concluye que incorporar priores geométricos diferenciales, específicamente la curvatura media, ofrece un mecanismo principista para mejorar la estabilidad, la separabilidad y la interpretabilidad de las tuberías de aprendizaje no supervisado.