When is multivariate kriging worthwhile? A design-geometry analysis of heterotopic multi-output Gaussian processes

Planteamiento del Problema
En la investigación operativa, el modelado de alta fidelidad y el monitoreo ambiental, los sistemas suelen generar múltiples salidas relacionadas que se observan en diferentes ubicaciones de entrada, un patrón de muestreo conocido como heterotópico. Una cuestión central permanece sin resolver: ¿predice mejor un metamodelo de kriging multivariante (proceso gaussiano de múltiples salidas) que los metamodelos univariantes separados? La literatura empírica presenta evidencia contradictoria. Estudios de simulación cuidadosos sobre diseños comunes (isotópicos) reportan poco o ningún beneficio del kriging multivariante, sugiriendo que los modelos univariantes simples son suficientes. Por el contrario, las literaturas de alta fidelidad y geoestadística operan bajo la premisa de que las salidas auxiliares mejoran las predicciones. Este artículo sostiene que estos hallazgos no son contradictorios, sino que están gobernados por la geometría de los diseños específicos de cada salida. Específicamente, el artículo investiga cuándo el muestreo heterotópico permite el "préstamo de fuerza" entre salidas y cuándo el costo de estimar la dependencia entre salidas supera las ganancias predictivas.

Metodología y Marco Teórico
El artículo desarrolla un marco teórico para procesos gaussianos multivariantes (MGP) separables donde la estructura de covarianza está definida por un núcleo espacial $k(x, x')$ y una matriz de corregionalización $\Lambda$. Los autores distinguen entre muestreo isotópico (todas las salidas en las mismas ubicaciones) y muestreo heterotópico (salidas en diferentes ubicaciones).

1. Diagnósticos Geométricos Libres de Modelo:
   Los autores introducen diagnósticos computables antes del ajuste del modelo para caracterizar la geometría relativa de los diseños:

• Cobertura Dirigida ($DC_{p \to q}$): La proporción de ubicaciones en el diseño $X_p$ dentro de una distancia $r$ del diseño $X_q$.
• Proximidad Dirigida ($\pi_{p \to q}$): La distancia promedio al vecino más cercano desde $X_p$ hacia $X_q$, normalizada por el espaciamiento interno de $X_q$ para crear una métrica adimensional.
• Índice de Potencial de Préstamo (BPI): Un índice local $b_j(x^*)$ que mide si un diseño auxiliar está más cerca de un punto de predicción $x^*$ que el propio diseño objetivo, agregado en un índice global $B_j$.

2. Ganancia de Predicción Oráculo:
   Bajo el supuesto de parámetros de covarianza conocidos (configuración oráculo), los autores derivan una identidad exacta para la ganancia de predicción $\Delta_j(x^*)$ del modelado conjunto. Demuestran que la ganancia se genera únicamente a través de un canal auxiliar residual: la parte de la señal auxiliar que no es explicada ya por los datos objetivo. Establecen que esta ganancia está acotada por brechas geométricas locales; específicamente, si el diseño objetivo ya está cerca del punto de predicción, los datos auxiliares ofrecen poco beneficio más allá del filtrado de ruido.

3. Estimabilidad de la Dependencia entre Salidas:
   El artículo analiza la información de Fisher requerida para estimar los elementos fuera de la diagonal de $\Lambda$ (dependencia entre salidas). Introducen la masa de interacción de diseño cruzado ponderada por el núcleo ($W_{pq}$), definida como la norma de Frobenius al cuadrado de la matriz del núcleo entre los diseños $X_p$ y $X_q$.

• El Teorema 5.2 establece que, en el punto de independencia, la información eficiente para estimar la dependencia es exactamente la masa de interacción "blanqueada".
• Los autores demuestran que el cero solapamiento exacto no implica cero información. Los diseños pueden estar "entrelazados" (cero solapamiento pero pequeñas distancias entre vecinos más cercanos) o "separados" (cero solapamiento y grandes distancias). Solo los diseños entrelazados proporcionan suficiente masa de interacción para aprender la dependencia.

4. Criterio de Beneficio Neto:
   Combinando la ganancia de predicción oráculo con la penalización de estimación de primer orden (derivada mediante el método delta y la información eficiente), los autores formulan un criterio de beneficio neto local. El modelado conjunto vale la pena solo cuando la ganancia de predicción oráculo supera el exceso de costo de estimación inducido por el aprendizaje de los parámetros de dependencia cruzada.

Resultos Clave

• Reconciliación de la Literatura: El artículo explica por qué el kriging multivariante falla en diseños isotópicos (autokrigabilidad: la predicción conjunta colapsa a la predicción univariante en entornos isotópicos sin ruido) pero tiene éxito en entornos heterotópicos donde los diseños auxiliares llenan los huecos locales en el diseño objetivo.
• Geometría sobre Solapamiento: El índice de solapamiento estándar (cuota de puntos co-localizados) es insuficiente. Dos diseños con cero solapamiento pueden producir regímenes inferenciales opuestos: diseños entrelazados (alto potencial de préstamo, dependencia estimable) frente a diseños separados (sin préstamo, dependencia no estimable).
• Masa de Interacción: La estimabilidad de la dependencia entre salidas está estrictamente controlada por $W_{pq}$. Si los diseños están separados por más de unas pocas escalas de longitud del núcleo, $W_{pq}$ colapsa, haciendo que los parámetros de dependencia sean inidentificables independientemente del tamaño de la muestra.
• Procedimiento de Cribado: Los autores proponen un procedimiento de cribado operacional de cinco pasos:
  1. Fijar los objetivos de predicción y las escalas del núcleo.
  2. Mapear la geometría cruzada de las salidas (proximidad y cobertura).
  3. Priorizar las salidas con un alto Índice de Potencial de Préstamo ($B_j$).
  4. Verificar la estimabilidad mediante la masa de interacción ($W_{pq}$).
  5. Ajustar selectivamente y verificar el beneficio neto.

Validación Experimental
La teoría se valida mediante:

• Experimentos Sintéticos: Estudios controlados demuestran que los diseños entrelazados de cero solapamiento generan ganancias oráculo significativas y dependencia estimable, mientras que los diseños separados de cero solapamiento no generan ni lo uno ni lo otro.
• Simulación de Cola M/M/1: Una ilustración que conecta los diagnósticos con un metamodelo operativo.
• Red de Monitoreo de Multicontaminantes: Un caso de estudio que muestra cómo los criterios se aplican a datos heterotópicos del mundo real, identificando dónde el modelado conjunto es beneficioso.

Significancia y Reivindicaciones
El artículo afirma proporcionar el primer marco teórico que vincula simultáneamente la geometría del diseño heterotópico tanto con el valor predictivo del préstamo como con la estimabilidad de la dependencia requerida para dicho préstamo. Ofrece un "criterio de beneficio neto de primer orden" que va más allá de las heurísticas cualitativas para convertirse en una herramienta de cribado cuantitativa. Los autores sostienen que su trabajo resuelve el aparente conflicto en la literatura al mostrar que el modelado conjunto no es universalmente superior o inferior; más bien, su valor es condicional a la disposición geométrica específica de los diseños de entrada. Los diagnósticos propuestos permiten a los profesionales determinar a priori si el costo de ajustar un modelo multivariante complejo está justificado por la geometría de sus datos disponibles.