Take It or Leave It: Intent-Controlled Partial Optimal Transport

Este artículo presenta el Transporte Óptimo Parcial Controlado por Intención (IC-POT), un marco novedoso que generaliza el transporte óptimo parcial al sustituir el rechazo global de masa por costos de rechazo puntuales impulsados por la intención basados en información auxiliar, permitiendo así un emparejamiento más estructurado y fiable en aplicaciones como el aprendizaje positivo-no etiquetado y el análisis de datos satelitales multimodales.

Lo esencial

Imagina que estás intentando emparejar dos grupos diferentes de personas para un baile. Un grupo es la "Fuente" (digamos, bailarines de Nueva York) y el otro es el "Objetivo" (bailarines de Londres).

La Vieja Forma (Transporte Óptimo Estándar):
Tradicionalmente, la regla era estricta: Cada bailarín individual debe encontrar una pareja. Incluso si un bailarín de Nueva York lleva una nariz de payaso y un bailarín de Londres lleva un tutú, el algoritmo los obliga a emparejarse solo para que coincidan los números. Esto a menudo conduce a emparejamientos absurdos y forzados que no tienen sentido.

La Forma "Parcial" (Soluciones Anteriores):
Más tarde, los investigadores dijeron: "Está bien, podemos dejar a algunas personas sin emparejar". Pero lo hicieron con un presupuesto global. Imagina a un gerente que dice: "Podemos dejar al 10% de los bailarines al margen". Al gerente no le importa quién queda fuera; solo necesita que el número total sea del 10%. Si el 10% dejado fuera resulta ser los mejores bailarines, el emparejamiento queda arruinado. El sistema carece de matices.

La Nueva Forma (IC-POT - "Tómalo o Déjalo"):
Este artículo introduce el Transporte Óptimo Parcial Controlado por Intención (IC-POT). En lugar de un presupuesto global, otorga a cada bailarín individual una etiqueta de precio personal de "rechazo".

Piensa en ello como un portero en un club, pero el portero es diferente para cada persona:

• La Regla "Tómalo": Si un bailarín es confiable, está bien vestido y encaja con el ambiente, su "precio de rechazo" es alto. El algoritmo piensa: "Cuesta demasiado expulsar a esta persona, así que debemos intentar encontrarle una pareja".
• La Regla "Déjalo": Si un bailarín está claramente fuera de lugar (quizás es un payaso en un baile formal, o sus datos son ruidosos), su "precio de rechazo" es bajo. El algoritmo piensa: "Es barato dejar a esta persona al margen, así que lo haremos".

Cómo Funciona en la Vida Real (Los Ejemplos del Artículo)

Los autores muestran que esto funciona en tres escenarios específicos:

1. El "Juego de Adivinanzas" (Aprendizaje Positivo-No Etiquetado)
Imagina que estás intentando encontrar todos los gatos en una foto, pero solo tienes unas pocas fotos etiquetadas de gatos y una pila enorme de fotos sin etiquetar (algunos gatos, algunos perros).

• El Problema: Algunos gatos están ocultos en las sombras (difíciles de ver), mientras que otros son brillantes y claros. Un método "parcial" estándar podría descartar a los gatos de las sombras porque intenta ser eficiente.
• La Solución IC-POT: El sistema sabe que las áreas "sombrías" son simplemente difíciles de ver, no necesariamente "no gatos". Pone una etiqueta de precio alta en rechazar gatos de las sombras. Los mantiene en el emparejamiento. Pone una etiqueta de precio baja en los perros obvios. ¿El resultado? Encuentra más gatos sin confundirse con perros.

2. La "Barrera del Idioma" (Adaptación de Dominio Parcial Abierta)
Imagina enseñar a una computadora a reconocer objetos en fotos de un nuevo país. Algunos objetos existen en ambos países (coches, árboles), pero algunos solo existen en el nuevo país (animales locales únicos).

• El Problema: La computadora podría intentar forzar un emparejamiento entre un animal local y un coche porque está desesperada por emparejar a todos.
• La Solución IC-POT: El sistema examina la "confianza" del emparejamiento. Si un animal local tiene mucha confianza en su propia identidad pero no tiene un emparejamiento en el país antiguo, el sistema le asigna un precio de rechazo bajo. Dice: "Deja a este animal sin emparejar; no pertenece a la lista antigua". Pero si un coche es claramente un coche, el precio para rechazarlo es alto, por lo que se empareja.

3. La "Vista al Océano" (Datos Geofísicos)
Este es el ejemplo más visual. Los autores compararon dos cámaras satelitales diferentes observando olas del océano.

• El Problema: Una cámara (SWIM) ve las olas claramente pero obtiene "estática" (ruido) en ciertas direcciones. La otra cámara (SAR) ve las olas bien pero se "desenfoca" en otras direcciones debido a la física.
• La Solución IC-POT: El sistema utiliza conocimiento físico como la etiqueta de precio.
  • Si una ola está borrosa en la Cámara A pero clara en la Cámara B, el sistema dice: "Esta es una ola real, pero la Cámara A solo está teniendo un mal día. No la rechaces". (Alto precio para rechazar).
  • Si una ola está clara en la Cámara A pero parece "estática" en la Cámara B, el sistema dice: "La Cámara B solo está viendo ruido. Rechaza este emparejamiento". (Bajo precio para rechazar).
  • Resultado: Obtienen un mapa perfecto de las olas ignorando los "fallos" específicos de cada cámara, en lugar de intentar forzar un emparejamiento entre una ola real y un fallo.

La Gran Conclusión

El artículo argumenta que no todos los desacoples son iguales.

• Método Antiguo: "Rechacemos el 10% de los datos al azar o basándonos en una regla simple".
• IC-POT: "Observemos cada pieza de datos individualmente. Si es confiable, la mantenemos. Si es poco confiable o ruidosa, la dejamos fuera. Decidimos esto basándonos en pistas específicas (como sombras, puntuaciones de confianza o física del sensor) disponibles para esa pieza de datos específica".

Convierte la decisión de "qué tirar" de un instrumento contundente en una herramienta precisa e inteligente.

Resumen técnico

Resumen Técnico: Transporte Óptimo Parcial Controlado por Intención (IC-POT)

Enunciado del Problema

El Transporte Óptimo (OT) clásico impone una restricción rígida donde toda la masa de origen debe ser transportada y toda la masa de destino debe ser explicada. Esta suposición de "participación total" a menudo conduce a correspondencias artificiales o a una transferencia negativa al comparar distribuciones donde solo un subconjunto de la masa es relevante o fiable.

Aunque el Transporte Óptimo Parcial (POT) relaja esto permitiendo que la masa permanezca sin emparejar, las formulaciones existentes dependen típicamente de mecanismos de control global. Estos incluyen un presupuesto escalar de masa transportada, un descuento escalar uniforme o penalizaciones marginales globales. Estos mecanismos controlan cuánta masa se rechaza, pero no qué puntos específicos deben protegerse o descartarse. En consecuencia, no abordan aplicaciones donde la decisión de dejar masa sin emparejar depende de la fiabilidad específica del lado, la geometría del soporte o información externa (por ejemplo, sesgo de muestreo en el aprendizaje Positivo-No Etiquetado, confianza en la Adaptación de Dominio o artefactos específicos de sensores en geofísica).

Metodología: IC-POT

Los autores introducen el Transporte Óptimo Parcial Controlado por Intención (IC-POT), una generalización dirigida del POT que reemplaza el paradigma de rechazo global con costos de rechazo punto a punto en ambas medidas, origen y destino.

Formulación

Dado soportes discretos $X = \{x_i\}$ e $Y = \{y_j\}$ con masas $\mu$ y $\nu$, y una matriz de costos de transporte $C$, IC-POT introduce variables de holgura $u$ (masa de origen sin emparejar) y $v$ (masa de destino sin emparejar). El problema de optimización es:

$$\min_{P, u, v} \langle C, P \rangle + \langle c_s, u \rangle + \langle c_t, v \rangle$$
sujeto a:
$$P\mathbf{1} + u = \mu, \quad P^\top\mathbf{1} + v = \nu, \quad P, u, v \geq 0$$

Aquí, $c_s \in \mathbb{R}^n_+$ y $c_t \in \mathbb{R}^m_+$ son costos de no emparejamiento punto a punto. A diferencia de los descuentos globales, estos costos valoran la alternativa local de dejar masa específica sin emparejar directamente sobre los soportes originales.

Propiedades Estructurales

El artículo establece varias propiedades teóricas clave:

1. Forma Lagrangiana Reducida: El problema es equivalente a minimizar $\sum_{i,j} (C_{ij} - c_s(i) - c_t(j))P_{ij}$ sobre sub-acoplamientos, reemplazando efectivamente el descuento escalar del POT clásico con un descuento separable y punto a punto.
2. Interpretación Dual: La formulación dual revela que $c_s(i)$ y $c_t(j)$ actúan como umbrales de aceptación locales (topes) para las variables duales. Un punto se rechaza si su variable dual alcanza este tope.
3. Admisibilidad y Esparsidad: Una arista $(i, j)$ solo puede estar activa en un plan de transporte óptimo si $C_{ij} \leq c_s(i) + c_t(j)$. Esto proporciona una regla exacta, precomputable, para podar el gráfico de transporte, asegurando esparsidad basada en los costos de rechazo específicos.
4. Equivalencia de Soporte Aumentado: IC-POT puede reformularse como un problema estándar de OT de Kantorovich balanceado sobre un soporte aumentado (añadiendo un punto ficticio a cada marginal), demostrando su buen planteamiento dentro del marco del OT discreto.

Contribuciones Clave

El artículo afirma tres contribuciones principales:

1. Modelado Explícito del Comportamiento No Emparejado: Convierte la política de no emparejamiento en un objeto explícito en la formulación mediante variables de holgura en los soportes originales, en lugar de ser un resultado implícito de restricciones globales.
2. Caracterización Teórica: Caracteriza el problema como una generalización separable punto a punto del transporte parcial Lagrangiano, estableciendo topes duales, reglas de admisibilidad esparsas y una separación estricta del POT parcial de costo constante (demostrado mediante contraejemplos donde los costos punto a punto rompen simetrías preservadas por reglas uniformes).
3. Validación Empírica: Demuestra que incorporar reglas de rechazo punto a punto impulsadas por información lateral mejora el rendimiento en tareas donde el rechazo es estructurado, específicamente en aprendizaje Positivo-No Etiquetado (PU), Adaptación de Dominio Parcial Abierta (OPDA) y comparación de señales geofísicas.

Resultados Experimentales

1. Aprendizaje Positivo-No Etiquetado (PU)

En el aprendizaje PU, el objetivo es emparejar positivos etiquetados contra un grupo no etiquetado que contiene tanto positivos latentes como negativos.

• Configuración: Los autores simulan escenarios "Seleccionados al Azar" (SAR) donde las muestras positivas están subobservadas en ciertas regiones (fronteras) debido a un sesgo de selección dependiente de la covariable.
• Resultado: Una línea base de OT parcial de costo constante (rechazo uniforme) falla en proteger estas regiones de frontera subobservadas, tratándolas como negativas. IC-POT, utilizando un perfil de costos del lado de origen que codifica el sesgo de selección (haciendo el rechazo costoso en las fronteras de baja observación), supera significativamente a la línea base.
• Métricas: En regímenes heterogéneos, IC-POT logró una puntuación F1 de 0.86 en comparación con 0.52 para la línea base de costo constante.

2. Adaptación de Dominio Parcial Abierta (OPDA)

En OPDA, el dominio de destino contiene clases desconocidas que deben ser rechazadas.

• Configuración: Utilizando una columna vertebral de destilación CLIP fija, los autores modificaron únicamente la capa final de rechazo. Compararon una línea base de POT parcial uniforme contra dos variantes de IC-POT: una que utiliza entropía posterior (protegiendo muestras de baja entropía) y otra que utiliza soporte de prototipo (protegiendo muestras con acuerdo coherente en el vecindario local).
• Resultado: Ambas variantes de IC-POT mejoraron la línea base uniforme en múltiples conjuntos de datos (Office-31, Office-Home, VisDA, DomainNet). La variante de soporte de prototipo logró las mayores ganancias en conjuntos de datos localmente coherentes (por ejemplo, 95.12 H-score en Office-31 frente a 94.08 para POT parcial).
• Hallazgo: Los resultados sugieren que, una vez fijada la representación, las ganancias de rendimiento dependen de modelar el rechazo como una política dependiente de la estructura en lugar de una regla escalar uniforme.

3. Estudio de Caso Geofísico: Espectros de Ondas Oceánicas SWIM/SAR

Este experimento aborda la comparación de espectros de ondas oceánicas recuperados de dos sensores diferentes (SWIM y SAR) con artefactos distintos.

• Contexto: Los espectros SAR sufren de "corte de acimut" (desplazamiento de energía), mientras que los espectros SWIM sufren de "mancha" (sectores direccionales poco fiables). El objetivo es comparar solo sistemas de ondas físicamente consistentes.
• Método: IC-POT utiliza costos específicos del lado derivados de priores físicos: proteger la masa SAR desplazada por el corte (si está respaldada por SWIM) mientras expone la masa dominada por mancha o no respaldada al rechazo.
• Resultado: IC-POT recuperó energía de onda comparable (0.993) comparable a una línea base global de alto precio, pero redujo el transporte espurio en un factor de 7 (0.031 frente a 0.236).
• Significado: A diferencia de una regla escalar que fuerza un compromiso entre recuperar sistemas comunes y rechazar artefactos, IC-POT permite que la política de rechazo sea definida por la naturaleza física de los datos mismos.

Significado y Limitaciones

El artículo argumenta que IC-POT es significativo porque cambia el paradigma del transporte parcial de "cuánto rechazar" a "qué rechazar". Al convertir la política de no emparejamiento en una variable explícita y punto a punto, permite que el conocimiento específico del dominio (sesgo de muestreo, confianza, priores físicos) informe directamente el plan de transporte.

Limitaciones reconocidas por los autores:

• Especificación: Las funciones de no emparejamiento ($c_s, c_t$) deben ser especificadas por el usuario basándose en información lateral disponible o diagnósticos. El artículo no propone un método para aprender estas funciones automáticamente a partir de los datos, aunque sugiere esto como una dirección futura (por ejemplo, mediante optimización de dos niveles).
• Escalabilidad: Aunque el solucionador esparsa es exacto, las aplicaciones a gran escala pueden requerir aproximaciones adicionales.
• Regularización: Los autores señalan que la regularización entrópica estándar (Sinkhorn) no se aplica directamente a la formulación de soporte aumentado sin alterar el objetivo (introduciendo un sesgo en la masa total transportada) o creando desajustes de escala entre puntos ficticios y reales. Por lo tanto, IC-POT no es un reemplazo directo para los solucionadores de OT entrópico estándar.

En conclusión, IC-POT proporciona un marco flexible para el rechazo estructurado en el transporte óptimo, demostrando que codificar información lateral en costos de rechazo punto a punto produce un rendimiento superior en tareas donde la decisión de "no emparejar" es inherentemente no uniforme.