Resumen Técnico: KG-SoftMAP

Declaración del Problema

El aprendizaje de la estructura de las Redes Bayesianas (BN) a partir de datos es un problema central pero NP-duro. Esta tarea se vuelve particularmente intratable cuando los datos son dispersos y discretos, un escenario común en dominios como las evaluaciones educativas, los registros clínicos y las redes de sensores, donde cada instancia registra solo un pequeño subconjunto de variables (tasas de observación a menudo por debajo del 5%). Bajo tal dispersión, la mayoría de los pares de variables carecen de observaciones conjuntas suficientes para una puntuación o pruebas de independencia condicional fiables. En consecuencia, los métodos clásicos y modernos basados únicamente en datos (tanto basados en restricciones como en puntuación) fallan al intentar recuperar una estructura dirigida significativa, devolviendo a menudo grafos casi vacíos o esqueletos incorrectos.

Si bien los enfoques puramente impulsados por datos tienen dificultades, a menudo existe conocimiento imperfecto sobre las relaciones entre variables fuera de los datos. Este conocimiento puede expresarse como un Grafo de Conocimiento (KG) dirigido y ponderado. Sin embargo, los métodos existentes para inyectar dicho conocimiento tienden a situarse en los extremos: ya sea utilizando restricciones estrictas (fijando o prohibiendo aristas), que son frágiles cuando el conocimiento es incierto, o instando a Modelos de Lenguaje de Gran Escala (LLM) para generar un grafo directamente, descartando efectivamente los datos. Existe una falta de un marco general para tratar un KG ponderado como un prior estructural suave y sobreescribible por los datos que pueda guiar el aprendizaje en regímenes de dispersión sin forzar aristas incorrectas.

Metodología: KG-SoftMAP

Los autores proponen KG-SoftMAP, un enfoque de dos etapas que aprende estructuras de BN maximizando un objetivo de Máxima A Posteriori (MAP). El método está diseñado para ser agnóstico a la fuente del KG (curado por expertos o extraído por LLM).

1. Construcción del Grafo de Conocimiento (Etapa 1)

Si no se dispone de un KG curado, los autores proporcionan un flujo de trabajo opcional que utiliza un LLM para extraer un KG ponderado de un texto de referencia del dominio.

• Esquema: El LLM extrae nodos de Concept y relaciones PRECEDES (que forman las aristas del KG) con pesos de confianza $w_{uv} \in [0, 1]$.
• Desviaciones a nivel de instancia: Si se dispone de texto a nivel de instancia (por ejemplo, respuestas de estudiantes), el LLM también identifica errores específicos de concepto con pesos de severidad. Estos se utilizan únicamente durante el preprocesamiento de datos para refinar la matriz de observación, no como parte del prior estructural.
• Salida: Un grafo dirigido ponderado $K = \{(u, v, w_{uv})\}$.

2. Aprendizaje de Estructura (Etapa 2)

El algoritmo central aprende un Grafo Acíclico Dirigido (DAG) $G$ maximizando el log-posterior:
$$G^* = \arg \max_G \left[ \log P(D | G) + \log P(G | K) \right]$$

• Verosimilitud de los datos ($\log P(D | G)$): Los autores utilizan la puntuación BDeu (Dirichlet equivalente uniforme Bayesiano). Para manejar la dispersión, emplean una puntuación de casos completos, donde solo las filas donde un nodo y todos sus padres son observados contribuyen a los conteos. Esto evita el sesgo de imputación. Una extensión EM opcional está disponible para configuraciones de Datos Perdidos al Azar (MAR), pero es computacionalmente costosa y no es la predeterminada.
• Prior de Estructura del KG ($\log P(G | K)$): Los autores introducen un prior suave factorizado por aristas. El log-odds de incluir una arista $(u \to v)$ es una función lineal del peso de confianza del KG $w_{uv}$:
  $$\text{logit}(\theta_{uv}) = \beta_0 + \beta_1 \cdot w_{uv}$$
  Aquí, $\theta_{uv}$ es la probabilidad a priori de la inclusión de la arista.
  • Las aristas ausentes en el KG ($w_{uv}=0$) tienen una baja probabilidad de inclusión base $\theta_0$ (actuando como una penalización de dispersión).
  • Las aristas presentes en el KG con alta confianza ($w_{uv}=1$) tienen una alta probabilidad de inclusión $\theta_{max}$.
  • Sobreescribible por los datos: El prior es "suave". Si la evidencia de los datos respalda fuertemente una arista que no está en el KG, esta puede añadirse; inversamente, si los datos penalizan fuertemente una arista del KG, esta puede eliminarse.
• Procedimiento de Búsqueda: La optimización se resuelve mediante un ascenso de coordenadas codicioso (hill-climbing) con tres operaciones: adición de aristas, intercambio de aristas (reemplazo de un padre) y eliminación de aristas. La búsqueda impone la aciclicidad y una restricción de grado de entrada máximo.

Contribuciones Clave

1. Prior de KG Suave y Sobreescribible por los Datos: El artículo presenta un KG ponderado como un prior estructural factorizado por aristas donde los log-odds de inclusión son lineales en la confianza del KG. Esto permite al método aprovechar el conocimiento de dominio imperfecto mientras permanece robusto ante errores, ya que los datos pueden sobreescribir el prior.
2. Recuperación de Evidencia Controlada: En benchmarks sintéticos con DAGs de verdad fundamental, KG-SoftMAP demuestra la capacidad de recuperar estructura dirigida parcial incluso en dispersión extrema ($\rho=0.05$), donde los baselines de solo datos (incluyendo métodos diferenciables modernos como GOLEM, DAGMA y SDCD, y búsquedas de permutación discretas como GRaSP) recuperan una estructura dirigida casi nula. El rendimiento mejora sustancialmente a medida que aumentan las tasas de observación ($\rho \ge 0.2$).
3. Robustez a la Calidad del KG: Los estudios de ablación muestran que el rendimiento se degrada gradualmente a medida que el KG se corrompe o se añade ruido. Crucialmente, cuando se proporciona un KG aleatorio de "señal cero" (que contiene ninguna arista verdadera), el método no recupera estructura (Directed-F1 $\approx 0.00$), confirmando que las ganancias son impulsadas por la señal estructural en el KG y no por el algoritmo de búsqueda por sí solo.
4. Evaluación de Despliegue en Datos Reales: Los autores evalúan el método en tres conjuntos de datos educativos dispersos del mundo real (SAF, ASSISTments, Eedi). Dado que estos carecen de DAGs de verdad fundamental, la evaluación se centra en métricas de despliegue: predicción, calibración y consistencia con el KG.
   • SAF (KG extraído por LLM): El BN aprendido proporciona un modelo diagnóstico calibrado e interpretable con aristas consistentes con el KG. Se queda rezagado frente a la regresión logística (LR) por un margen pequeño en predicción (0.03 F1), pero ofrece la capacidad de inferir a partir de subconjuntos observados arbitrarios y proporciona un grafo de conceptos reutilizable.
   • ASSISTments (Sin KG significativo): Cuando se instancia con priors heurísticos (similitud de nombres, aleatorios), el BN funciona mal en comparación con LR, confirmando que el método requiere una señal estructural significativa.
   • Eedi (Ontología de Expertos): El uso de una ontología de expertos independiente como prior aumenta la proporción de aristas dentro del mismo tema (consistencia estructural) pero no mejora la predicción, resaltando el compromiso entre coherencia estructural y poder discriminativo.

Resultados

• Benchmarks Sintéticos: A $\rho=0.2$, KG-SoftMAP logra puntuaciones Directed-F1 entre 0.46 y 0.96 en varios tamaños de red, superando significativamente a todos los baselines de solo datos (que permanecen por debajo de 0.44). A $\rho=0.05$, recupera estructura parcial (DF1 0.14–0.29) mientras que los baselines fallan.
• Ablaciones:
  • Prior vs. Búsqueda: La ganancia se atribuye principalmente al prior suave. Incluso los aprendices estándar (como MMHC o BNLEARN) equipados con el mismo prior de KG recuperan una estructura sustancial, aunque el scoring consciente de la dispersión de KG-SoftMAP proporciona un margen adicional.
  • Corrupción: La recuperación se degrada suavemente con las tasas de corrupción del KG.
  • Duro vs. Suave: Bajo KGs de alta calidad y suficientes datos, un prior casi duro se comporta de manera comparable al prior suave. La ventaja del prior suave reside en la seguridad cuando la fidelidad del KG es incierta.
• Datos Reales: El método produce un "modelo diagnóstico" que está bien calibrado y es consistente con el KG. Sin embargo, para la pura predicción a nivel de celda, los modelos discriminativos (como la Regresión Logística) siguen siendo el baseline más fuerte, especialmente cuando no existe un KG significativo.

Significado y Reivindicaciones

El artículo posiciona a KG-SoftMAP como una solución para la dispersión extrema donde los datos por sí solos son insuficientes para el aprendizaje de la estructura. Su importancia radica en:

• Cerrar la Brecha: Ocupa un punto medio entre las restricciones duras frágiles y la generación de LLM agnóstica a los datos, tratando el conocimiento de dominio como un prior probabilístico que puede ser sobreescrito por los datos.
• Definir el Alcance: Los autores son modestos en sus afirmaciones. Establecen explícitamente que las afirmaciones de recuperación estructural se limitan a datos sintéticos con verdad fundamental. Para datos reales, el método se presenta como una herramienta diagnóstica que proporciona probabilidades conjuntas interpretables y calibradas y estructuras consistentes con el KG, más que un predictor superior para resultados a nivel de celda.
• Utilidad Práctica: El método es más valioso cuando existe un KG significativo (aunque sea imperfecto). Si no hay tal conocimiento disponible, el artículo concluye que los baselines discriminativos son preferibles.

El trabajo no pretende resolver el descubrimiento causal general o reemplazar la predicción discriminativa; más bien, ofrece un marco robusto para aprender modelos probabilísticos interpretables en regímenes de escasez de datos aprovechando eficazmente el conocimiento de dominio externo e imperfecto.