Data-driven sparse identification of governing PDEs via knockoff filters and multi-criteria trade-offs

Resumen Técnico: Identificación dispersa basada en datos de EDPs gobernantes mediante filtros knockoff y compromisos multicriterio

Enunciado del Problema
El descubrimiento de ecuaciones en derivadas parciales (EDPs) parsimoniosas a partir de datos observacionales ruidosos es un desafío central en la ciencia basada en datos. Los marcos existentes, como la Identificación Dispersa de Dinámicas No Lineales (SINDy), típicamente construyen grandes bibliotecas sobredeterminadas de términos candidatos (polinomios y derivadas espaciales) y aplican regresión dispersa para identificar la ecuación gobernante. Sin embargo, estas bibliotecas de candidatos adolecen inherentemente de una multicolinealidad extrema. Esta propiedad hace que los algoritmos estándar de regresión dispersa sean susceptibles al ruido observacional, lo que a menudo conduce a la selección de términos espurios (falsos descubrimientos) en lugar de los mecanismos físicos reales. Además, los métodos convencionales que dependen de umbralización heurística, validación cruzada o criterios de información (por ejemplo, AIC, BIC) carecen de garantías estadísticas formales respecto a la Tasa de Falsos Descubrimientos (FDR). En consecuencia, los practicantes no pueden asegurar matemáticamente que una ecuación descubierta capture física genuina en lugar de artefactos del ruido. Si bien los enfoques bayesianos y las arquitecturas simbólicas profundas ofrecen cuantificación de la incertidumbre o flexibilidad, no proporcionan un control de la FDR sobre muestras finitas.

Metodología: KO-PDE-IDENT
Los autores proponen KO-PDE-IDENT, un marco de tres etapas que desplaza el descubrimiento de EDPs de la optimización heurística a la inferencia estadística rigurosa. El método integra filtrado knockoff para un cribado riguroso, eliminación recursiva de características para el refinamiento y toma de decisiones multicriterio (MCDM) para la selección final.

1. Cribado Controlado por FDR mediante Filtros Knockoff Model-X:
   La primera etapa aborda los problemas de multicolinealidad y ruido construyendo un conjunto de soporte de términos candidatos con una FDR finita garantizada.

   • Formulación Débil: Para mitigar la amplificación del ruido inherente a la diferenciación numérica, la EDP se formula en un sentido débil (integral) utilizando funciones de peso suaves, transfiriendo las derivadas a las funciones de prueba sin ruido.
   • Construcción Knockoff: Para cada término candidato en la biblioteca, se genera una copia sintética "knockoff". Estas copias son estadísticamente indistinguibles de las originales en sus correlaciones con otros términos, pero son condicionalmente independientes de la respuesta (la derivada temporal). Esto les permite servir como controles negativos.
   • Estadísticas de Características (SHAP-DS): El marco introduce una nueva estadística de característica, SHAP-DS, que acopla un solver de selección óptima de subconjuntos adaptativo con restricción $\ell_0$ (abess) con Explicaciones Aditivas SHapley (SHAP). La estadística se define como la diferencia entre la importancia SHAP del término original y su knockoff ($W_j = Z_j - \tilde{Z}_j$). Este enfoque es computacionalmente eficiente y satisface la propiedad de "cambio de signo" requerida para una inferencia knockoff válida.
   • Agregación: Para reducir la aleatoriedad inherente a realizaciones individuales de knockoff, el método agrega múltiples realizaciones utilizando el procedimiento e-BH (Benjamini–Hochberg basado en valores-e). Esto desaleatoriza el filtro mientras preserva el control de la FDR. El marco ajusta adaptativamente la FDR objetivo para asegurar que el conjunto de soporte permanezca sobredeterminado (conteniendo todos los términos verdaderos) mientras minimiza los falsos positivos.

2. Refinamiento mediante Eliminación Recursiva de Características (RFE):
   Incluso con el control de la FDR, pueden persistir términos espurios altamente correlacionados. La segunda etapa refina el conjunto de soporte utilizando RFE en el espacio de atribución de características.

   • Clasificación SHAP: Los términos se clasifican por sus valores absolutos medios de SHAP.
   • Prueba de Hipótesis Perturbada por Knockoff: Para los términos de clasificación inferior, el método realiza una prueba de rangos con signo de Wilcoxon unilateral. Compara la pérdida de mínimos cuadrados penalizada del modelo original contra un modelo perturbado donde el término candidato se reemplaza por su copia knockoff. Si el modelo sustituido por knockoff se desempeña significativamente mejor (o igual de bien), el término original se considera estadísticamente innecesario y se elimina. Esta etapa asegura que solo se retengan términos con contribuciones marginales genuinas.

3. Selección de Modelos mediante Toma de Decisiones Multicriterio (MCDM):
   La etapa final selecciona la única ecuación gobernante óptima del conjunto refinado de candidatos. Reconociendo que los criterios de información individuales son insuficientes para equilibrar complejidad, precisión e incertidumbre, los autores formulan esto como un problema MCDM.

   • Generación de Candidatos: La selección de subconjuntos óptimos enumera todas las alternativas posibles de EDP sobre el soporte reducido.
   • Criterios de Evaluación: Cada alternativa se puntúa en seis criterios distintos: (1) precisión predictiva distribucional (mediante regresión de cuantiles conformados), (2) complejidad estructural, (3) complejidad de información robusta (RICOMP-MM), (4) incertidumbre de los coeficientes (mediante regresión de función de influencia recenterada), (5) mala calibración (mediante descomposición Murphy–Ehm) y (6) un criterio de cobertura-ancho.
   • Agregación de Clasificaciones: Un conjunto de cinco algoritmos MCDM (TOPSIS, VIKOR, COMET, PROMETHEE-II y CoCoSo) genera clasificaciones individuales. Estas se agregan utilizando métodos de consenso (recuento de Borda, Schulze, etc.) para identificar la ecuación gobernante óptima que mejor equilibra los compromisos.

Contribuciones Clave

• Primera Aplicación de Filtros Knockoff al Descubrimiento de EDPs: El artículo introduce el primer marco para aplicar filtros knockoff Model-X a la identificación de EDPs basada en datos, proporcionando el primer límite explícito y sobre muestras finitas de la proporción de falsos descubrimientos.
• Estadística SHAP-DS: Los autores proponen una estadística de característica novedosa y computacionalmente eficiente que combina abess y SHAP, la cual supera a las estadísticas tradicionales de tipo intercambio en velocidad mientras mantiene la eficacia contra términos espurios.
• RFE con Perturbaciones Knockoff: Un nuevo procedimiento de refinamiento que utiliza pruebas de hipótesis perturbadas por knockoff para validar la necesidad estadística de los términos, eliminando eficazmente los falsos positivos que sobreviven al cribado inicial.
• MCDM para Selección de Modelos: El marco reformula la elección final de la ecuación como un problema multicriterio, agregando diversas métricas (precisión, complejidad, incertidumbre, calibración) para seleccionar robustamente el modelo óptimo, una capacidad previamente inexplorada en este dominio.

Resultados Empíricos
El marco fue validado en cinco sistemas canónicos de EDPs bajo condiciones de ruido severo: ecuaciones de Burgers 1D, Korteweg–de Vries (KdV) y Kuramoto–Sivashinsky (KS) (50% de ruido); un sistema de Reacción-Difusión 2D (10% de ruido); y un sistema Gray–Scott 3D (0.1% de ruido).

• Recuperación Estructural: KO-PDE-IDENT logró una FDR empírica (eFDR) de cero y una potencia empírica (ePOWER) de uno en todos los puntos de referencia. Recuperó exactamente la estructura verdadera de la EDP, eliminando falsos descubrimientos mientras retenía todos los términos subyacentes verdaderos.
• Precisión de Coeficientes: El método logró errores bajos de estimación de coeficientes (por debajo del 5% para sistemas 1D y por debajo del 1% para sistemas multidimensionales).
• Comparación: El marco superó consistentemente a líneas base notables como Mínimos Cuadrados con Umbral Secuencial (STLSQ), SR3 y SSR, los cuales fallaron en controlar la FDR y seleccionaron términos espurios excesivos bajo alto ruido.

Significado
El artículo afirma que KO-PDE-IDENT avanza el descubrimiento de EDPs basado en datos transformándolo de un ejercicio de optimización de pérdida y ajuste de hiperparámetros en un procedimiento de inferencia estadística riguroso. Al asegurar que el conjunto de candidatos que ingresa a la etapa de selección de modelos lleve un límite explícito y teóricamente garantizado sobre su proporción de falsos descubrimientos, el marco aporta el rigor de la inferencia de alta dimensión a un dominio donde ha estado conspicuamente ausente. La combinación de una etapa de cribado estadísticamente rigurosa con un refinamiento empírico fundamentado permite el descubrimiento confiable de leyes físicas gobernantes en sistemas dinámicos complejos y ruidosos, proporcionando a los practicantes una garantía matemáticamente rigurosa de que las ecuaciones descubiertas capturan mecanismos genuinos en lugar de artefactos del ruido.