The Preisach Extremum Stack is a Shannon-Minimal Sufficient Statistic for Rate-Independent Functionals

Resumen Técnico: El Montículo de Extremos de Preisach como un Estadístico Suficiente de Mínima Shannon

Planteamiento del Problema
El artículo aborda la caracterización de la teoría de la información de la clase $\mathcal{R}$ de todos los funcionales computables, causales e independientes de la tasa. Un funcional es independiente de la tasa si su salida es invariante bajo reparametrizaciones temporales estrictamente crecientes (cambios de tiempo monótonos). En el contexto del modelado de histéresis, específicamente del operador de Preisach, el objeto algorítmico central es el montículo de extremos ($\Pi_n$), una secuencia anidada de máximos y mínimos locales alternantes que sobreviven a la regla de "limpieza" (wiping-out). Mientras que un resultado previo estableció que $\Pi_n$ es un estadístico suficiente Kolmogorov-mínimo para $\mathcal{R}$ (minimizando la longitud de descripción en el peor de los casos), este artículo busca establecer el correspondiente resultado Shannon-teórico: si $\Pi_n$ minimiza la información mutua con la secuencia de entrada bajo medidas de probabilidad arbitrarias.

Metodología
Los autores emplean un marco lógico de tres pasos que combina análisis funcional, procesos estocásticos de tiempo discreto y teoría de la información:

1. Caracterización de la Independencia de la Tasa: Los autores demuestran primero que la clase $\mathcal{R}$ admite una factorización concreta. Demuestran que cualquier funcional $F \in \mathcal{R}$ puede expresarse como una función computable del montículo de extremos $\Pi_n$ en el paso de tiempo actual. Esto se basa en la propiedad de que dos secuencias de entrada que producen el mismo montículo están relacionadas por una reparametrización temporal monótona (salvo en puntos no extremales) y, por lo tanto, producen salidas idénticas para cualquier funcional independiente de la tasa.
2. Derivación de la Igualdad de Información Mutua: Utilizando el teorema de caracterización, los autores muestran que la salida $F[u](n)$ es una función determinista de $\Pi_n$. En consecuencia, la información mutua entre la historia de la entrada $u_{0:n}$ y la salida $F[u](n)$ es idéntica a la información mutua entre el montículo $\Pi_n$ y la salida.
3. Prueba de la Minimalidad: Para probar que $\Pi_n$ es mínimo, los autores utilizan una familia indicadora finita de funcionales definida por la presencia de pares específicos $(M, m)$ en el montículo. Argumentan que cualquier estadístico suficiente $S$ para la clase $\mathcal{R}$ debe permitir la reconstrucción de estas funciones indicadoras y, por lo tanto, debe permitir la reconstrucción del propio $\Pi_n$. Al aplicar la Desigualdad de Procesamiento de Datos, establecen que la información mutua $I(u_{0:n}; \Pi_n)$ es menor o igual a $I(u_{0:n}; S)$ para cualquier otro estadístico suficiente $S$.

Contribuciones Clave y Resultados

• Teorema de Caracterización (Teorema 5): El artículo establece que $F \in \mathcal{R}$ si y solo si $F[u](n) = f(\Pi_n)$ para una función computable $f$. Esto demuestra que el montículo de extremos es un invariante completo para los funcionales independientes de la tasa en la rejilla discreta.
• Igualdad de Información Mutua (Teorema 9): Para cualquier medida de probabilidad sobre la secuencia de entrada y cualquier $F \in \mathcal{R}$, se cumple la igualdad $I(u_{0:n}; F[u](n)) = I(\Pi_n; F[u](n))$. Este resultado indica que descartar la temporización de los extremos y los valores de los puntos no extremales mediante el proceso del montículo resulta en una pérdida de información mutua nula respecto a cualquier consulta independiente de la tasa en el tiempo final.
• Minimalidad de Shannon (Teorema 13): El resultado principal demuestra que $\Pi_n$ es un estadístico suficiente de mínima Shannon. Entre todas las variables aleatorias $S$ de las cuales todas las consultas en $\mathcal{R}$ son computables, $\Pi_n$ retiene la menor cantidad de información de Shannon sobre la historia de la entrada $u_{0:n}$.
• Implicación de Estimación (Proposición 15): Los autores demuestran una aplicación práctica para la estimación de la medida de Preisach $\mu$ mediante Mínimos Cuadrados No Negativos (NNLS). Al mantener el proceso del montículo $(\Pi_t)_{t=0}^n$ de forma online, el sistema NNLS puede ensamblarse sin almacenar la historia completa de la entrada $u_{0:n}$. Esto reduce los requisitos de memoria de $O(n)$ a $O(\max_t |\Pi_t|)$, ofreciendo ahorros significativos para señales de variación lenta, mientras que la complejidad computacional por paso permanece en $O(k \cdot L^2)$, donde $k$ es el tamaño del montículo y $L$ es la resolución de la rejilla.

Significancia y Reivindicaciones
El artículo afirma que su principal contribución es el establecimiento de la contraparte en la teoría de la información de la caracterización de la complejidad de Kolmogorov previamente conocida. Los autores enfatizan que la igualdad de la información mutua es una consecuencia directa de la estructura determinista de $\mathcal{R}$ revelada por el teorema de caracterización, más que un resultado probabilístico profundo. La verdadera contribución probabilística es el teorema de minimalidad, que confirma que el montículo es la representación de información más eficiente para las consultas independientes de la tasa.

Los autores distinguen entre el montículo final $\Pi_n$, que es suficiente para una única consulta en el tiempo $n$, y el proceso del montículo $(\Pi_t)$, que es requerido para la trayectoria completa de consultas. Aclaran que la ganancia de estimación se logra mediante el mantenimiento online del proceso para reducir el almacenamiento de la historia de la entrada, no mediante la compresión de la trayectoria en un único estado final.

Finalmente, el artículo señala que, mientras la minimalidad de Kolmogorov se cumple en el peor de los casos para secuencias individuales, la minimalidad de Shannon se cumple en expectativa bajo cualquier medida de probabilidad. Los autores afirman que ninguna caracterización implica a la otra, pero ambas identifican al montículo de extremos como la representación de información mínima canónica para la clase de funcionales independientes de la tasa. El trabajo concluye planteando preguntas abiertas sobre la extensión de estos resultados a operadores de Preisach de valores vectoriales y las caracterizaciones formales de Fisher–Neyman para la estimación de la trayectoria completa.