Resumen Técnico: Más allá del Símplex: Geometría de Prototipos Balanceada para el Reconocimiento de Conjunto Abierto Independiente del Clasificador

Planteamiento del Problema

El reconocimiento de conjunto abierto (OSR, por sus siglas en inglés) requiere que los clasificadores identifiquen muestras de clases conocidas durante el entrenamiento y rechacen entradas de clases no vistas. Esta capacidad es crítica en dominios de seguridad crítica como la imagen médica, donde diagnosticar erróneamente patologías novedosas como clases conocidas puede tener consecuencias graves. Aunque métodos recientes como el Clasificador de Símplex Profundo (DSC) y el Clasificador de Símplex Profundo con Conciencia de la Incertidumbre (UCDSC) han mostrado éxito empírico al fijar los prototipos de clase en los vértices de un símplex regular, carecen de una justificación teórica rigurosa. Los análisis existentes se limitan a dimensiones de incrustación $d \ge C-1$ (donde existe un símplex regular de $C$ clases) y no explican el comportamiento del mecanismo de puntuación de razón de distancia cuando $d < C-1$ o cuando los prototipos se desvían de un símplex perfecto.

Metodología

El artículo desarrolla un marco teórico unificado para el OSR de razón de símplex que se extiende más allá del régimen del símplex regular hacia dimensiones de incrustación arbitrarias y configuraciones de prototipos.

Marco Teórico:

1. Jerarquía de Supuestos de Prototipos: Los autores introducen una jerarquía de supuestos que van desde los más débiles (A1: prototipos distintos) hasta los más fuertes (A1'': símplex regular).
   • A1: Los prototipos son distintos.
   • A1' (Códigos de Norma Igualitaria Balanceados): Los prototipos tienen normas iguales ($\|s_j\| = R$) y su suma es cero ($\sum s_j = 0$). Estos existen para todo $d \ge 2$.
   • A1'': Los prototipos forman un símplex regular (marco de base equiangular), lo que requiere $d \ge C-1$.
2. Mecanismos de Puntuación: El análisis se centra en la puntuación operativa de razón de distancia $U(z) = d_{\min}(z) / \mu(z)$, donde $d_{\min}$ es la distancia al prototipo más cercano y $\mu$ es la distancia promedio a los prototipos rivales. Para la tractabilidad geométrica, los autores introducen una puntuación al cuadrado auxiliar $U^2(z)$, que admite descripciones de forma cerrada bajo condiciones de códigos balanceados de norma igualitaria.
3. Análisis Geométrico: El núcleo de la metodología consiste en caracterizar los conjuntos de nivel inferior (regiones de aceptación) de estas puntuaciones. Los autores demuestran que, para códigos balanceados de norma igualitaria, las regiones de aceptación de $U^2$ son la unión exacta de bolas euclidianas centradas a lo largo de las direcciones de los prototipos.

Contribuciones Clave

1. Análisis de Lipschitz General y Control de Bolas (Sección 4)
Para cualquier prototipo distinto (sin supuestos de símplex), el artículo establece que la puntuación operativa $U$ es globalmente Lipschitz continua con una constante de $4/\Delta$ (donde $\Delta$ es la distancia mínima entre prototipos). Además, se demuestra que las regiones de aceptación $\{U \le \theta\}$ son conjuntos compactos, acotados estrictamente por uniones de bolas interiores y exteriores centradas en los prototipos.

2. Geometría Exacta de $U^2$ para Códigos Balanceados (Sección 5)
Bajo la condición de códigos balanceados de norma igualitaria (A1'), los autores caracterizan los conjuntos de nivel inferior de la puntuación auxiliar $U^2$ como la unión exacta de, como máximo, $C$ bolas euclidianas cerradas con centros y radios explícitos. Esta geometría se mantiene para todo $d \ge 2$, incluyendo los regímenes donde $d < C-1$. Se muestra que la región de aceptación operativa $\{U \le \theta\}$ se encuentra "sándwich" entre las correspondientes uniones de bolas derivadas de $U^2$.

3. Dicotomía Aguda y Parámetro de Defecto (Sección 5.1)
El artículo introduce el "parámetro de defecto de símplex" $\lambda_j = \sqrt{B_j/A_j}$, que mide la desviación de la igualdad de las distancias rivales. Se demuestra una dicotomía aguda: $\lambda_j = 1$ para todo $j$ si y solo si los prototipos forman un símplex regular, lo que requiere $d \ge C-1$. Por debajo de este umbral, el artículo proporciona límites de equivalencia local entre $U$ y $\sqrt{U^2}$ gobernados por $\lambda_j$, cuantificando la degradación en la geometría cuando no se puede formar un símplex perfecto.

4. Construcciones de Baja Dimensión (Sección 5.2)
Los autores proporcionan una construcción universal para códigos balanceados de norma igualitaria en cualquier dimensión $d \ge 2$ utilizando un $C$-gono regular (o marcos armónicos de multifrecuencia) embebido en $\mathbb{R}^d$. Esto demuestra que el marco teórico tiene contenido sustantivo incluso en regímenes de baja dimensión donde los símplex regulares son imposibles.

5. Límites de la Tasa de Falsos Aceptaciones (FAR) (Sección 6)
Bajo supuestos de isotropía para las características desconocidas, el artículo deriva límites superiores exponenciales en $d$ para el FAR. Específicamente, para direcciones desconocidas normalizadas, el FAR está acotado por un término que involucra casquetes esféricos y un parámetro de discrepancia $\delta_{cap}$. Esto proporciona una garantía teórica de que el rendimiento de rechazo mejora exponencialmente a medida que aumenta la dimensión de incrustación $d$.

6. Análisis de la Pérdida UCDSC (Sección 7)
El artículo analiza los tres componentes de la función de pérdida UCDSC. Demuestra que la pérdida intra-clase controla las puntuaciones de entrenamiento promedio, el término de exposición de valores atípicos asegura la separación de las muestras de fondo auxiliares, y el término de conciencia de la incertidumbre ($L_u$) proporciona un mecanismo de gradiente negativo local que combina la atracción hacia el prototipo más cercano con un aumento en la distancia promedio no cercana.

7. Corolarios Prácticos y Estimación (Sección 8)
Los autores derivan una guía de forma cerrada para la selección de umbrales para garantizar un objetivo de recuperación (recall) de clases conocidas. También proponen un procedimiento basado en datos (Algoritmo 1) para estimar el parámetro de la cola de la puntuación $\sigma$ y el parámetro de anisotropía $\delta_{cap}$ a partir de los datos de validación, haciendo operativos estos umbrales teóricos.

Resultados

Resultados Teóricos:

• Estabilidad de Lipschitz: La puntuación $U$ es globalmente Lipschitz, lo que garantiza una variación de puntuación acotada bajo pequeñas perturbaciones de la entrada.
• Estructura Geométrica: Las regiones de aceptación son compactas y pueden aproximarse estrechamente mediante uniones de bolas, incluso sin un símplex regular.
• Escalamiento Dimensional: El FAR decae exponencialmente con la dimensión de incrustación $d$ bajo supuestos isotrópicos.
• Transición de Fase: Existe una transición aguda en $d = C-1$ respecto a la existencia de una simetría perfecta de una sola distancia (símplex regular), pero la geometría central de rechazo (compacidad, uniones de bolas) persiste por debajo de este umbral.

Validación Empírica (Sección la 9):
Los autores realizaron experimentos de clasificador agnóstico en los entornos de referencia CIFAR y MedMNIST para probar las afirmaciones estructurales de la teoría en lugar de reclamar un rendimiento de detección de estado del arte.

• Diagnósticos de Geometría: Las representaciones entrenadas con prototipos (Símplex y Armónico) exhibieron con éxito la geometría balanceada predicha (baricentro cercano a cero, normas iguales) y una menor variación de la distancia de pares en comparación con el entrenamiento estándar de Entropía Cruzada (CE).
• Regimen por debajo del Símplex: En el caso extremo de $C=80$ clases en $d=8$ dimensiones (donde $d < C-1$), las construcciones armónicas produjeron representaciones utilizables, aunque con mayor variabilidad de distancia de pares y menor precisión que CE. Los prototipos aprendidos inicializados desde códigos armónicos recuperaron la precisión de nivel de CE.
• Rendimiento del Clasificador: Las puntuaciones de razón bruta ($U$ y $U^2$) fueron a menudo superadas por clasificadores post-hoc modernos (por ejemplo, KNN, MSP, ODIN) sobre las mismas incrustaciones. Sin embargo, en conjuntos de datos médicos específicos (PathMNIST), las puntuaciones de razón se mantuvieron competitivas. El artículo concluye que, si bien las puntuaciones de razón son analíticamente tratables y proporcionan límites de FAR demostrables, no son necesariamente detectores empíricos óptimos en comparación con los métodos basados en logits o de k-vecinos más cercanos.

Significancia y Reclamaciones

El artículo afirma proporcionar la primera cuenta teórica de OSR de razón de símplex que es válida para todas las dimensiones de incrustación, incluyendo el régimen de práctica relevante donde $d < C-1$. Al introducir códigos balanceados de norma igualitaria, los autores demuestran que las garantías geométricas centrales de los métodos basados en símplex (regiones de aceptación compactas, estabilidad de Lipschitz y decaimiento exponencial de FAR) no dependen estrictamente de la existencia de un símplex regular.

La significancia radica en:

1. Rigor Teórico: Proporcionar garantías formales para la geometría de las regiones de rechque de conjunto abierto, abordando la "brecha teórica" en los métodos basados en símplex existentes.
2. Perspectiva Independiente del Clasificador: Enmarcar la geometría de prototipos balanceada como una herramienta analítica y un prior de aprendizaje de representación en lugar de un detector independiente. El artículo establece explícicamente que las puntuaciones de razón sirven para producir una geometría analíticamente tratable con límites demostrables, incluso si no siempre dominan las métricas de detección empírica.
3. Guía Práctica: Ofrecer procedimientos concretos basados en datos para la selección de umbrales y la estimación de dimensiones, cerrando la brecha entre los límites teóricos y la implementación operativa.

Los autores mantienen la modestia, reconociendo que sus límites teóricos dependen de supuestos (por ejemplo, colas sub-gaussianas, isotropía) que pueden no cumplirse perfectamente en la práctica, y que el rendimiento empírico depende fuertmente de la elección de la regla de puntuación y las características específicas del conjunto de datos.