Active Timepoint Selection for Learning Measure-Valued Trajectories

Resumen Técnico: Selección de Puntos Temporales Activos para el Aprendizaje de Trayectorias de Valores de Medida

Planteamiento del Problema
El artículo aborda el desafío de inferir trayectorias de probabilidad continuas $\{\mu_t\}_{t \in [0,1]}$ a partir de instantáneas destructivas y dispersas. Este problema es crítico en dominios como la biología de célula única, donde la adquisición de datos de alta fidelidad (por ejemplo, secuenciación) es costosa y destructiva, lo que impide un muestreo temporal denso. El objetivo es realizar una interpolación distributiva: recuperar la trayectoria continua subyacente dado un conjunto finito de medidas empíricas observadas en puntos de tiempo discretos.

Los autores identifican tres desafíos principales al aplicar el aprendizaje activo a este entorno:

1. Geometría No Euclídea: Las medidas de probabilidad residen en el espacio de Wasserstein $\mathcal{P}_2(\mathcal{X})$, el cual es no lineal. Los métodos estándar de aprendizaje activo que dependen de métricas euclídeas (por ejemplo, procesos gaussianos estándar) fallan porque las combinaciones lineales de medidas no producen medidas válidas, y la interpolación ingenua divide la masa en lugar de transportarla.
2. Falta de Incertidumbre Epistémica: Los métodos actuales de interpolación de distribuciones (por ejemplo, flow matching, puentes de Schrödinger) son típicamente deterministas. Devuelven una única trayectoria ajustada y carecen de un mecanismo para cuantificar la incertidumbre epistémica, lo cual es esencial para guiar las políticas de aprendizaje activo.
3. No Estacionariedad: La dinámica de valores de medida puede exhibir velocidades variables (por ejemplo, períodos de homeostasis puntuados por eventos de ramificación rápida). El espaciado uniforme de los tiempos de adquisición es subóptimo para capturar estas regiones transitorias de alta velocidad.

Metodología
Los autores proponen un marco que extiende la experimentación activa al espacio de las medidas mediante la construcción de un sustituto probabilístico tratable. El método consta de cuatro etapas clave:

1. Linealización mediante Transporte Óptimo Linealizado (LOT):
   Para manejar la geometría no euclídea, el marco mapea las medidas empíricas observadas $\hat{\mu}_t$ en un espacio tangente común $T_\sigma \mathcal{P}_2(\mathcal{X})$ definido en una medida de referencia fija $\sigma$ (elegida como el baricentro de Wasserstein de las instantáneas observadas). Utilizando el mapa logarítmico de LOT, cada medida se representa como un campo de vectores de desplazamiento $v_\mu(x) = T_{\sigma \to \mu}(x) - x$, donde $T$ es el mapa de transporte óptimo. Esto linealiza la geometría de Wasserstein, permitiendo que las medidas sean tratadas como vectores en un espacio de Hilbert.

2. Representación de Baja Dimensión:
   Los campos de desplazamiento de alta dimensión se comprimen en un espacio latente de baja dimensión. Los autores aplatan los campos de desplazamiento reponderados y aplican el Análisis de Componentes Principales (PCA) para obtener una representación $c_t$ de $K$ dimensiones para cada punto temporal $t$.

3. Modelado Probabilístico con Procesos Gaussianos (GP):
   Se coloca un Proceso Gaussiano Multivariante (MOGP) sobre la evolución temporal de los coeficientes latentes $c_t$. El modelo asume un prior de media cero con un núcleo de tipo matriz. El posterior del GP proporciona una media predictiva y, crucialmente, una matriz de covarianza que cuantifica la incertidumbre epistémica sobre la trayectoria latente.

   • Reconstrucción: Para recuperar la medida predicha $\hat{\mu}_t$ en cualquier tiempo $t$, la media latente se mapea de vuelta a través de la proyección inversa de PCA y el mapa inverso de LOT (añadiendo el desplazamiento a los puntos de referencia o landmarks).

4. Manejo de la No Estacionariedad mediante Deformación Temporal (Time Warping):
   Para abordar la naturaleza no estacionaria de los procesos biológicos, los autores introducen una parametrización de tiempo intrínseco. Una función de deformación $\Phi(t)$ mapea el tiempo físico a un tiempo intrínseco $\tau$, que representa la longitud de arco acumulada de la trayectoria en el espacio de Wasserstein. Se aplica un núcleo estacionario en este dominio deformado, induciendo efectivamente un núcleo no estacionario en el tiempo físico que se adapta a las velocidades locales de cambio distributivo.

5. Política de Adquisición:
   El marco emplea una función de adquisición para seleccionar el siguiente tiempo de medición $t^*$. La política selecciona iterativamente $t^*$ para maximizar la ganancia de información, apuntando específicamente a las regiones de alta incertidumbre epistémica en el dominio del tiempo intrínseco. Se proponen dos estrategias de adquisición: incertidumbre punto a punto (maximizando la traza de la covarianza del posterior) y reducción del riesgo integrado esperado.

Contribuciones Clave

• Conceptual: El artículo formula el problema del aprendizaje activo para trayectorias de valores de medida, extendiendo la experimentación activa desde espacios euclídeos al espacio de las medidas de probabilidad.
• Técnica: Construye un sustituto probabilístico tratable en el espacio de Wasserstein combinando el Transporte Óptimo Linealizado con Procesos Gaussianos Multivariantes. Esta combinación permite la cuantificación de la incertidumbre epistémica sobre las trayectorias de probabilidad, una capacidad que carecen los métodos previos de interpolación de distribuciones.
• Empírica: Los autores demuestran que su estrategia de adquisición supera a las líneas base que no son agnósticas a la incertididad (muestreo Uniforme y Aleatorio) tanto en conjuntos de datos sintéticos que imitan eventos de ramificación como en datos reales de transcriptómica de célula única.

Resultados

• Datos Sintéticos: En un conjunto de datos sintéticos con dinámica no estacionaria y eventos de ramificación, la estrategia activa superó consistentemente a las líneas base Uniforme y Aleatoria, particularmente con presupuestos bajos a moderados. El método logró concentrar las mediciones en las regiones de alta velocidad (eventos de ramificación), reduciendo el Error de Wasserstein Medio y el error ponderado por velocidad. El análisis de sensibilidad mostró que el método es más efectivo cuando los eventos de ramificación están altamente localizados.
• Datos del Mundo Real: Aplicado a un conjunto de datos de reprogramación de célula única (fibroblastos de ratón a iPSCs), la estrategia activa logró el menor error de reconstrucción en el régimen de presupuesto bajo a moderado ($B \le 12$). La ventaja disminuyó a medida que el presupuesto aumentó y el muestreo se volvió denso, confirmando la utilidad del método en escenarios con restricciones de recursos.
• Estudios de Ablación: Eliminar la deformación del tiempo intrínseco degradó el rendimiento, validando la necesidad del modelado no estacionario. Reducir la dimensión latente ($K=2$) causó caídas significativas en el rendimiento, resaltando la necesidad de una dimensionalidad suficiente para capturar variaciones complejas. Fijar la medida de referencia (en lugar de usar el baricentro) aumentó el error, enfatizando la importancia de minimizar el error de linealización.

Significancia y Reivindicaciones
El artículo afirma que su principal contribución es permitir el aprendizaje activo en el espacio de las medidas al resolver los problemas duales de la geometría no euclídea y la falta de cuantificación de la incertidumbre. Al aprovechar LOT y los GP, el marco proporciona un mecanismo práctico para seleccionar tiempos de medición óptimos que minimicen la incertidumbre en la trayectoria de probabilidad reconstruida.

Los autores señalan limitaciones: el enfoque depende de una aproximación del espacio tangente, lo que puede introducir errores bajo grandes cambios distributivos, y el costo computacional está dominado por las subrutinas de Transporte Óptimo, lo que lo hace práctico para el régimen previsto (hasta $\sim 10^5$ muestras por instantánea) pero potencialmente desafiante para conjuntos de datos de un millón de puntos sin mayores aproximaciones escalables. Se sugiere como trabajo futuro explorar herramientas de geometría riemanniana (múltiples cartas) y entradas multidimensionales.