📊 statistics

Geometry-Aware Bayesian Quantification via Compositional Data Analysis

Este artículo introduce un método de cuantificación bayesiana sensible a la geometría que aprovecha las representaciones de razón de logaritmos y la geometría de Aitchison para abordar las limitaciones de los núcleos euclidianos al modelar los posteriores de los clasificadores, mejorando así la adaptación del desplazamiento de etiquetas y la estimación de la prevalencia a través de diversos dominios de datos.

Autores originales: Alejandro Moreo, Pablo González, Juan José del Coz

Publicado 2026-07-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Alejandro Moreo, Pablo González, Juan José del Coz

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de averiguar la composición de una multitud que no puedes ver directamente. Tienes una "bola de cristal" (un modelo de aprendizaje automático) que observa a las personas y adivina su profesión. A veces la bola de cristal es muy segura ("¡Esto es definitivamente un médico!") y otras veces no está segura ("¿Tal vez una enfermera, tal vez una maestra?").

El problema es que la multitud a la que estás observando ahora (los datos de prueba) podría tener una mezcla de profesiones diferente a la de la multitud con la que la bola de cristal fue entrenada. Tal vez la multitud de entrenamiento era 50% médicos, pero la nueva multitud es 90% médicos. Esto se llama Desplazamiento de Etiquetas (Label Shift).

Tu objetivo es la Cuantificación: no necesitas adivinar el trabajo de cada una de las personas; solo necesitas estimar con precisión el porcentaje de médicos, enfermeras y maestros en la nueva multitud.

El Problema: El Error del "Mapa Plano"

El artículo argumenta que la mayoría de los métodos actuales para resolver este problema están usando un "mapa plano" para navegar en un "mundo curvo".

El Mundo Curvo (El Símplex): Las probabilidades que te da tu bola de cristal (por ejemplo, 80% Médico, 20% Enfermera, 0% Maestro) siempre suman 100%. En matemáticas, esto se llama un Símplex. Piensa en esto como un papel triangular. No puedes moverte "fuera" del papel; si aumentas el porcentaje de Médicos, debes disminuir el de Enfermeras o Maestros. Están encadenados entre sí.
El Mapa Plano (Espacio Euclidiano): Los métodos estándar tratan estas probabilidades como puntos en una cuadrícula plana (como un gráfico X-Y estándar). Utilizan un "núcleo gaussiano", que es esencialmente una curva de campana.
El Error: Si dibujas una curva de campana en una cuadrícula plana cerca del borde de tu papel triangular, la mitad de esa curva se derrama fuera del papel. En términos matemáticos, esto asigna probabilidad a cosas imposibles (como tener -5% de Médicos o 110% de Médicos). Esta "fuga" hace que las matemáticas se vuelvan complicadas e inexactas, especialmente cuando la bola de cristal es muy segura (lo que empuja los datos justo contra los bordes del triángulo).

La Solución: Una Nueva Brújula y una Red de Seguridad

Los autores proponen una nueva forma de hacer este cálculo que respeta la forma del triángulo.

1. La Nueva Brújula (Análisis de Datos Composicionales):
En lugar de usar una cuadrícula plana, utilizan una transformación matemática especial (llamada log-ratio) que convierte el papel triangular en una superficie plana sin romperlo ni derramarse por los bordes. Es como desplegar un mapa de la Tierra para que las distancias y los ángulos tengan sentido entre sí. Esto les permite dibujar sus "curvas de campana" (núcleos) de una manera que se mantenga perfectamente dentro del triángulo.

2. La Red de Seguridad (Shrinkage/Contracción):
Hay un inconveniente. Cuando la bola de cristal es demasiado segura (diciendo 99.9% Médico), las matemáticas en este nuevo mapa pueden volverse inestables y erráticas cerca de los bordos mismos.
Para solucionar esto, los autores añaden una "red de seguridad" llamada Shrinkage. Imagina tirar de cada punto del triángulo ligeramente hacia el centro.

Si el punto está en el borde mismo (99.9% Médico), la red de seguridad lo tira un poco hacia atrás, a (95% Médico).
Esto evita que las matemáticas se rompan en los bordes.
Crucialmente, ellos ajustan el "nivel de zoom" (ancho de banda) de sus curvas de campana para que este tirón no distorsione la respuesta final. Es como alejar el zoom lo justo para que los puntos que han sido movidos sigan representando la multitud original con precisión.

El Resultado: Una Bola de Cristal Bayesiana

Al combinar este nuevo mapa de "mundo curvo" con la "red de seguridad", los autores crean un sistema que puede hacer dos cosas:

Estimación Puntual: Darte una única mejor conjetra sobre la composición de la multitud (por ejemplo, "Es 85% Médicos").
Inferencia Bayesiana: Darte un rango de respuestas probables con un nivel de confianza (por ejemplo, "Está probablemente entre 80% y 90% de Médicos"). Esto es como el detective diciendo: "Estoy bastante seguro, pero aquí está el margen de error".

Lo que muestran los experimentos

El equipo probó esto en 42 conjuntos de datos diferentes (texto, imágenes y hojas de cálculo).

Precisión: Su método fue consistentemente mejor que los métodos antiguos de "mapa plano", especialmente cuando los datos estaban cerca de los bordes (predicciones de alta confianza).
Robustez: Sin la "red de seguridad" (shrinkage), el nuevo método a veces fallaba estrepitosamente en conjuntos de datos específicos. Con la red de seguridad, se volvió fiable.
Incertidumbre: Su método proporcionó mejores intervalos de confianza que otros métodos bayesianos, lo que significa que eran mejores para decirte cuándo no estaban seguros.

En Resumen

El artículo dice: "Deja de intentar medir un sistema triangular e interconectado con una regla plana e independiente. Usa un mapa diseñado para triángulos, pero añade una red de seguridad para evitar que las matemáticas se rompan en los bordes. Esto te da conjeturas más precisas sobre la demografía de la multitud y una mejor noción de qué tan seguro puedes estar de esas conjeturas".

Resumen Técnico: Cuantificación Bayesiana Consciente de la Geometría mediante el Análisis de Datos Composicionales

1. Planteamiento del Problema

El artículo aborda el problema de la cuantificación (o estimación de la prevalencia de clases) bajo desplazamiento de etiquetas (label shift). En este escenario, un clasificador entrenado en una distribución de origen $P_s$ debe estimar la distribución de clases desconocida $P_t(Y)$ del dominio de destino, asumiendo que la distribución condicional de las características dado las etiquetas permanece invariante ( $P_s(X|Y) = P_t(X|Y)$ ).

Mientras que muchos métodos operan directamente sobre las probabilidades posteriores del clasificador, los autores identifican un desajuste geométrico fundamental en los enfoques existentes basados en densidades continuas (específicamente, los cuantificadores basados en KDE como KDEy). Los vectores de probabilidad posterior yacen en un simplex de probabilidad ( $\Delta^{K-1}$ ), lo que constituye datos composicionales. La Estimación de Densidad de Núcleo (KDE) estándar se basa en núcleos gaussianos euclidianos, los cuales ignoran la estructura relativa de las composiciones. Esto conduce a dos problemas críticos:

Violación de Fronteras: Los núcleos euclidianos asignan masa de probabilidad no nula fuera de los límites del simplex.
Geometría Distorsionada: La distancia euclidiana no respeta la naturaleza relativa de las composiciones, lo que puede distorsionar las relaciones de similitud entre los vectores de posterior.

Este desajuste es particularmente severo cerca de los límites del simplex, donde se concentran las predicciones de clasificadores con alta confianza (comunes en entornos reales, especialmente con redes neuronales).

2. Metodología

La solución propuesta integra el Análisis de Datos Composicionales (CoDA) con la inferencia bayesiana y una novedosa regularización de contracción (shrinkage regularization).

A. Representación Consciente de la Geometría
En lugar de modelar densidades en el espacio euclidiano ambiente, el método transforma los vectores de posterior $p$ en coordenadas de razón logarítmica utilizando la transformación de Razón Logarítmica Centrada (CLR):
$\phi(p) = \left( \log \frac{p_1}{g(p)}, \dots, \log \frac{p_K}{g(p)} \right)$
donde $g(p)$ es la media geométrica de los componentes. Esto mapea el simplex a un subespacio de suma cero de $\mathbb{R}^K$ , permitiendo una estimación de densidad consistente con la geometría de Aitchison.

B. Regularización de Contracción (Shrinkage)
Los autores señalan que las transformaciones de razón logarítmica ingenuas se vuelven inestables cerca del límite del simplex (donde los componentes tienden a cero). Para mitigar esto, introducen una transformación de contracción $T_\lambda$ :
$T_\lambda(p) = (1-\lambda)p + \lambda u$
donde $u = (1/K, \dots, 1/K)$ es el baricentro y $\lambda \in [0, 1)$ .

Efecto: Esto contrae el simplex efectivo hacia el centro, asegurando que las composiciones transformadas permanezcan alejadas de cero.
Ajuste del Ancho de Banda: La contracción reescala uniformemente las distancias en el hiperplano del simplex por un factor de $(1-\lambda)$ . En consecuencia, el ancho de banda efectivo se ajusta a $h_{eff} = (1-\lambda)h$ para preservar los niveles de suavizado.
Justificación Teórica: A medida que $\lambda \to 1$ , la transformación linealiza el mapa CLR cerca del baricentro, regularizando la geometría sin colapsar el modelo en un KDE euclidiano estándar.

C. Formulación Bayesiana
El método formula la cuantificación como un problema de estimación de densidad de mezcla. La verosimilitud del vector de prevalencia objetivo $\pi$ dadas las posteriores observadas $P$ se deriva de la siguiente manera. Crucialmente, el término del Jacobiano resultante del cambio de variables (del simplex al espacio de razón logarítmica) es independiente de $\pi$ . Esto permite una inferencia posterior bayesiana práctica:
$p(\pi | P) \propto p(\pi) \prod_{i=1}^n \left( \sum_{k=1}^K \pi_k f_k^h(z^{(i)}) \right)$
donde $z^{(i)} = \phi(T_\lambda(p^{(i)}))$ y $f_k^h$ son las densidades condicionales de clase estimadas en el espacio transformado. Esta formulación permite tanto la estimación puntual (vía Máxima Verosimilitud) como la inferencia bayesiana completa (vía muestreo, por ejemplo, NUTS) sobre las prevalencias de clase.

3. Principales Contribuciones

KDE Consciente de la Geometría: El primer cuantificador basado en KDE que respeta la geometría del simplex de las probabilidades posteriores utilizando transformaciones de razón logarítmica y la geometría de Aitchison.
Regularización de Contracción: Un mecanismo novedoso para estabilizar el modelado de razones logarítmicas cerca de los límites del simplex, evitando la inestabilidad numérica mientras se preserva la estructura composicional.
Marco Bayesiano para KDE: Una derivación principled de la inferencia bayesiana para cuantificadores basados en KDE, superando limitaciones previas donde tales formulaciones estaban restringidas a modelos discretizados (histogramas) o problemas binarios.
Validación Empírica: Evaluación exhaustiva en 42 conjuntos de datos (tabulares, de texto e imagen) demostrando un rendimiento competitivo frente a los estimadores de punto de vanguardia y resultados superiores entre los métodos de cuantificación bayesiana.

4. Resultados Experimentales

Los autores evaluaron el método (denotado como KDEy(Ait- $\lambda$ ) para estimación de punto y Bayes-KDEy(Ait- $\lambda$ ) para inferencia bayesiana) frente a líneas base que incluyen CC, PCC, BBSE/ACC, MLLS/EMQ y el KDE gaussiano estándar (KDEy(Gau)).

Estimación de Punto: El método propuesto alcanzó el mejor rango promedio tanto en Error Absoluto (AE) como en el error de la relación de pesos al cuadrado (W) en todas las modalidades (tabulares, texto, imagen). Superó frecuentemente al KDE gaussiano estándar, particularmente en conjuntos de datos tabulares e imágenes.
Cuantificación de la Incertidumbre: En el régimen bayesiano, el método proporcionó una cobertura sólida y amplitudes de intervalo razonables. Aunque Bayes-ACC mostró brechas de cobertura bruta ligeramente mejores a costa de intervalos más grandes y una estimación de punto más débil, los métodos KDE propuestos ofrecieron el mejor ranking agregado general.
Robustez al Severidad del Desplazamiento: El método dominó en regímenes de desplazamiento de etiquetas bajos, medios y altos, con la excepción de ciertos conjuntos de datos de texto en desplazamientos bajos/medios donde otros métodos bayesianos funcionaron ligeramente mejor.
Desempeño en los Límites: En experimentos con prevalencias de destino concentradas cerca del límite del simplex ( $\alpha_{test}=0.1$ ), el KDE de Aitchison regularizado por contracción superó significativamente al KDE gaussiano euclidiano y a las líneas base de bootstrap, validando la necesidad de respetar la geometría del simplex en estos regímenes.
Ablación: Eliminar la contracción ( $\lambda=0$ ) provocó fallos agudos en benchmarks específicos, confirmando que la contracción no es meramente una salvaguarda numérica, sino un mecanismo adaptativo esencial para la estabilidad.

5. Significado y Reivindicaciones

El artículo sostiene que respetar la geometría del simplex de las probabilidades posteriores no solo está motivado teóricamente, sino que es prácticamente beneficioso para la cuantificación multiclas. Los autores argumentan que:

Los KDEs euclidianos estándar introducen desajustes geométricos que conducen a predicciones de prevalencia sesgadas o inestables, especialmente cerca de los límites.
La representación de razón logarítmica con regularización de contracción propuesta cierra la breancia entre los requisitos teóricos del análisis de datos composicionales y la practicidad computacional requerida en los procesos de aprendizaje automático.
La formulación bayesiana derivada permite una cuantificación de la incertidumbre fundamentada para métodos basados en densidades continuas, una capacidad que anteriormente carecía de la configuración multiclas.

Los autores mantienen la modestia respecto a las limitaciones, señalando que el enfoque actual depende de la selección de los parámetros de contracción y de ancho de banda basada en la validación, y que un tratamiento bayesiano completo de estos hiperparámetros sigue siendo una dirección abierta. También reconocen que el método es actualmente específico para el desplazamiento de etiquetas, dejando las variantes de desplazamiento de covariables para trabajos futuros.