Resumen Técnico: Un Marco de Sliced-Wasserstein sobre Matrices de Correlación para la Decodificación de EEG

Planteamiento del Problema

La decodificación de la electroencefalografía (EEG) depende fuertemente de los descriptores de covarianza debido a su robustez frente al ruido. Sin embargo, estas representaciones son sensibles al escalado por canales, lo que actúa como un factor de molestia en entornos científicos donde las magnitudes absolutas de la señal varían significativamente entre sujetos y sesiones. Aunque las matrices de correlación de rango completo ofrecen una alternativa invariante a la escala, estas forman un espacio cociente de matrices Simétricas Definidas Positivas (SPD) que no admite la geometría SPD estándar. En consecuencia, han recibido una atención limitada en el aprendizaje geométrico profundo.

Además, comparar distribuciones de matrices de correlación extraídas de registros de EEG requiere típicamente herramientas de Transporte Óptimo (OT). Si bien la distancia de Wasserstein proporciona un marco principial para la comparación de distribuciones, su computación en variedades riemannianas implica resolver programas lineales de gran escala con una complejidad computacional prohibitiva ($O(n^3 \log n)$). Las extensiones de Sliced-Wasserstein (SW) existentes a espacios no euclidianos (por ejemplo, esféricos, hiperbólicos o variedades SPD) aún no proporcionan una construcción de principios diseñada específicamente para la variedad de correlación bajo las geometrías intrínsecas recientemente introducidas.

Metodología

1. Sliced Wasserstein de Métrica Euclídea de Pullback (PEMSW)

Los autores proponen un marco general para definir discrepancias SW en variedades dotadas de Métricas Euclídeas de Pullback (PEM).

• Concepto Central: Una PEM se define mediante un difeomorfismo global $\phi: \mathcal{M} \to \mathcal{E}$, donde $\mathcal{E}$ es un espacio de producto interno de dimensión finita. Este mapeo proyecta las geodésicas en la variedad $\mathcal{M}$ hacia líneas rectas en el espacio de incrustación $\mathcal{E}$.
• Rebanado Geodésico (Geodesic Slicing): En lugar de un complejo rebanado geodésico en la variedad, el marco realiza un rebanado lineal estándar en el espacio de incrustación $\mathcal{E}$. Para un punto de referencia $x_0$ y una dirección $a$ en la esfera unitaria de $\mathcal{E}$, la coordenada de rebanado es una proyección lineal del punto incrustado $\phi(x)$.
• Equivalencia: El Teorema 3.4 establece que la distancia PEMS en la variedad es exactamente equivalente a la distancia SW euclídea entre las medidas incrustadas ($\tilde{\mu} = \phi_\# \mu$ y $\tilde{\nu} = \phi_\# \nu$). Esto permite una computación eficiente utilizando algoritmos estándar de SW euclídea mientras se preserva la geometría intrínseca de la variedad.
• Propiedades: El marco hereda propiedades métricas, garantías de convergencia débil y proporciona límites superiores e inferiores respecto a la verdadera distancia de Wasserstein en la variedad.

2. Sliced-Wasserstein de Correlación (CorSW)

Los autores instancian PEMS en la variedad de matrices de correlación de rango completo ($\mathcal{C}^{++}_n$) utilizando dos métricas riemannianas intrínsecas propuestas recientemente:

• Métrica Off-Log (OLM): Utiliza el difeomorfismo $\text{Logo}$ que mapea $\mathcal{C}^{++}_n$ al espacio de matrices simétricas huecas ($\text{Hol}(n)$). La coordenada de rebanado es el producto interno de Frobenius entre la dirección y la matriz transformada por $\text{Logo}$.
• Métrica Log-Scaled (LSM): Utiliza el difeomorfismo $\text{Log}^\star$ que mapea $\mathcal{C}^{++}_n$ al espacio de matrices simétricas con sumas de filas cero ($\text{Row}_0(n)$).
• Visión Unificada: El artículo demuestra que la distancia SPDSW existente (Sliced-Wasserstein en variedades SPD) es un caso especial de PEMS cuando la variedad es SPD y la incrustación es el logaritmo matricial.

3. Marco de Generalización de Dominio

Para abordar los desplazamientos de distribución en la decodificación de EEG (por ejemplo, entre sujetos o sesiones), los autores desarrollan un marco de generalización de dominio (DG) utilizando CorSW:

• Objetivo: Alinear la distribución empírica de las matrices de correlación de cada dominio de origen hacia una ley común y ajena al dominio.
• Implementación: Se genera una distribución de referencia en el espacio de incrustación (como una Gaussiana) y se mapea de vuelta a la variedad de correlación. La pérdida minimiza la distancia CorSW entre las matrices de correlación del dominio de origen y esta referencia.
• Eficiencia: El método no requiere resolvedores iterativos de OT; se basa en incrustaciones de forma cerrada y muestreo de Monte Carlo de las direcciones de rebanado, añadiendo un overhead mínimo al entrenamiento.

Contribuciones Clave

1. Marco PEMSW: Una construcción unificada de discrepancias SW en variedades con PEMs, extendiendo el SW clásico a espacios no euclidianos preservando la estructura geométrica.
2. Instanciación CorSW: Dos discrepancias CorSW específicas derivadas para matrices de correlación bajo las geometrías OLM y LSM, proporcionando coordenadas de rebanado de forma cerrada.
3. Unificación Teórica: Una prueba de que las distancias SPDSW existentes son casos especiales de PEMS, aclarando los fundamentos geométricos de las discrepancias de rebanado.
4. Validación Empírica: Un marco de DG para la decodificación de EEG que demuestra una generalización mejorada en tres conjuntos de datos de referencia (BCIC-IV-2a, MAMEM-SSVEP-II, BCI-ERN) con bajo overhead de entrenamiento y sin costo de inferencia.

Resultados Experimentales

El método propuesto fue evaluado en tres paradigmas de decodificación de EEG: Imaginación Motora (MI), Potenciales Evocados Visuales de Estado Estable (SSVEP) y Negatividad Relacionada con el Error (ERN).

• Rendimiento: En todos los conjuntos de datos, los modelos aumentados con CorSW (por ejemplo, CorAtt-OLM+CorSW-OLM) superaron consistentemente a los modelos euclidianos base, a los modelos riemannianos estándar y a otras estrategias de generalización de dominio (como el Pesaje de Instancias y diversas técnicas de blanqueo/whitening).
  • En la tarea ERN, CorSW mejoró la precisión media del CorAtt-OLM base en un +4.66%.
  • En la tarea SSVEP, logró una ganancia de +2.76%.
  • En la tarea MI, proporcionó una ganancia de +2.45%.
• Robustez: En protocolos exhaustivos de generalización de dominio cross-session (leave-one-session-out), CorSW alcanzó los puntajes medios más altos entre todos los métodos de DG comparados.
• Estabilidad: La adición de CorSW redujo significativamente la variabilidad entre ejecuciones (desviación estándar), indicando una mejora en la estabilidad del entrenamiento bajo desplazos de sesión.
• Eficiencia: El tiempo de entrenamiento aumentó solo ~5.2 ms por iteración en comparación con el modelo base, sin costo adicional durante la inferencia.
• Interpretabilidad: Las visualizaciones basadas en gradientes confirmaron que las representaciones aprendidas se centraban en patrones neurofisiológicamente significativos (por ejemplo, electrodo Oz para SSVEP, FCz para ERN), alineándose con hallazgos neurocientíficos establecidos.

Significado y Reivindicaciones

El artículo sostiene que PEMSW proporciona un enfoque general y extensible para la comparación de distribuciones en variedades de pullback. Al reducir el rebanado geodésico al rebanado lineal en un espacio de incrustación, ofrece una discrepancia basada en la geometría que es tanto principial como eficiente.

Específicamente para la EEG, los autores argumentan que CorSW aborda eficazmente el desafío de la invarianza de escala y los desplazamientos de distribución. A diferencia de métodos anteriores que o ignoran la estructura de la variedad de correlación o dependen de un OT computacionalmente costoso, CorSW aprovecha las geometrías intrínsecas (OLM/LSM) para alinear distribuciones de manera eficiente. Los resultados sugieren que alinear las distribuciones del dominio de origen directamente en la variedad de correlación es más efectivo que aplicar pérdidas de alineación euclídea a las representaciones basadas en correlación.

Los autores señalan limitaciones, principalmente que el marco está restringido a variedades con incrustaciones difeomórficas globales (PEMs) y aún no se extiende a variedades riemannianas generales sin tales estructuras. Éticamente, enfatizan que, si bien el método utiliza benchmarks existentes, las aplicaciones prácticas que involucren datos sensibles de EEG deben adherirse a protocolos estrictos de gobernanza de datos y privacidad.