Resumen Técnico: FloDR – Un método de reducción de dimensionalidad invertible basado en un flujo de normalización

1. Planteamiento del problema

Los datos de alta dimensión se visualizan frecuentemente mediante incrustaciones (embeddings) bidimensionales (p. ej., t-SNE, UMAP). Sin embargo, estos métodos a menudo obligan al lector a interpretar los mapas resultantes más allá de su soporte estadístico. Las distancias entre cúmulos, la significancia de los espacios vacíos y la cantidad de estructura oculta en puntos específicos son generalmente invisibles porque los procesos de optimización de los métodos estándar descartan la información necesaria para sustentar tales interpretaciones. Además, los métodos existentes enfrentan un compromiso (trade-off): las incrustaciones de vecinos preservan la estructura local pero distorsionan la geometría global, mientras que los métodos lineales (como PCA) preservan la estructura global pero desdibujan los vecindarios locales. Adicionalmente, los enfoques paramétricos que permiten la incrustación fuera de la muestra (out-of-sample) suelen depender de pares codificador-decodificador separados y aproximados que no son inversos verdaderos, mezclando errores del modelo en las explicaciones.

2. Metodología

FloDR (Reducción de Dimensionalidad basada en Flujos) aborda estos problemas mediante la incrustación de datos a través de un flujo de normalización invertible (una biyección $f_\theta: \mathbb{R}^D \to \mathbb{R}^D$) en lugar de una proyección no invertible.

Arquitectura

• Mapeo: El núcleo es una composición de $L=4$ capas de acoplamiento afín (estilo RealNVP) sin capas de mezcla. La entrada se blanquea y rota primero mediante una transformación lineal fija para inicializar el diseño sobre los dos primeros componentes principales.
• Incrustación vs. Residuo: El modelo genera $D$ coordenadas. Las dos primeras coordenadas ($y \in \mathbb{R}^2$) sirven como la incrustación 2D. Las $D-2$ coordenadas restantes ($r \in \mathbb{R}^{D-2}$) se retienen como un residuo en lugar de descartarse.
• Invertibilidad: Debido a que el mapa es una biyección, cualquier par $(y, r)$ mapea de vuelta a una entrada $x$ (salvo por errores de redondeo de punto flotante) mediante la inversa exacta $f^{-1}_\theta$. Esto permite una estimación de densidad exacta mediante la fórmula de cambio de variables.

Objetivo de entrenamiento

El diseño se entrena utilizando una función de pérdida compuesta aplicada únicamente a las coordenadas 2D $y$:

1. Estructura Local: Sigue a UMAP mediante la construcción de un grafo difuso de $k$-vecinos más cercanos ($k=15$) con términos de atracción y repulsión.
2. Estructura Global:
   • Un término de atracción de rango medio acotado para contrarrestar la repulsión.
   • Término Ordinal: Un término de MDS no métrico que optimiza el signo de las comparaciones de distancia entre pares de puntos en el espacio de entrada frente al espacio de incrustación. Este término está controlado por un peso $w$ ajustable por el usuario.
3. Término de Densidad: Un término de log-verosimilitud negativa se incorpora opcionalmente durante el entrenamiento para evitar que el mapa inverso estire excesivamente las coordenadas residuales.

Colocación fuera de la muestra (Out-of-Sample Placement)

Nuevos puntos de datos se incrustan mediante una única pasada hacia adelante ($y' = f_\theta(x')_{1:2}$). Si bien esto preserva la estructura global, puede fallar en preservar los vecindarios locales. Para abordar esto, FloDR ofrece un paso de colocación opcional (similar a la transformación de UMAP) donde la posición de un nuevo punto se optimiza durante 200 pasos contra el término de atracción de los vecinos de entrenamiento, mientras el mapa entrenado permanece congelado.

3. Contribuciones clave: Diagnósticos certificados

La principal innovación de FloDR es la capacidad de generar campos diagnósticos que son propiedades de la distribución de las entradas proyectadas a una posición 2D dada, en lugar de ser artefactos de un modelo auxiliar. Estos campos se derivan de la inversa exacta y la distribución del residuo $p(r|y)$.

Dos campos diagnósticos

1. Dispersión Condicional ($\sigma(y)$):

   • Definición: $\sigma(y) = \sqrt{\text{trace}(\text{Cov}(x | y))}$.
   • Significado: Mide cuánto de los datos de entrada originales queda indeterminado en una posición de incustación específica $y$. Los valores altos indican que el diseño ha fusionado entradas que eran distintas en el espacio original de alta dimensión.
   • Estimación: Se computa extrayendo residuos de la $p(r|y)$ ajustada y mapeándolos de vuelta a través de la inversa exacta.

2. Contraste Oculto ($h(y)$):

   • Definición: $h(y) = I(G; R | Y=y)$, la información mutua entre un contraste etiquetado $G$ (p. ej., tipo celular) y el residuo $R$, dado la posición de incrustación $Y$.
   • Significado: Mide cuánta información sobre un grupo etiquetado se descarta por las dos coordenadas graficadas. Los valores altos indican que los puntos dibujados cerca pertenecen a grupos diferentes que el residuo aún puede distinguir.
   • Estimación: Calculado mediante clasificadores de capacidad emparejada para estimar $p(G|y)$ y $p(G|y, r)$.

Proceso de certificación

Para evitar la sobreinterpretación, cada campo se somete a un proceso de certificación con datos retenidos (held-out):

• Los campos se ajustan en un conjunto de entrenamiento y se validan en un conjunto de validación.
• La validación implica el agrupamiento (binning) del espacio de incrustación y la regresión de la predicción del campo contra la medición real del conjunto de validación.
• Criterios: Un campo está "certificado" si sigue el objetivo de validación con una pendiente $b \in [0.7, 1.3]$ y $R^2 \geq 0.6$.
• Prueba de Nulidad: Para el contraste oculto, el campo se compara contra una hipótesis nula donde las etiquetas se barajan dentro de los grupos (bins).
• Resultado: Los campos que fallan estas pruebas se marcan explícitamente como "rechazados" en la visualización, asegurando que los usuarios no confíen en diagnósticos no fiables.

4. Resultados

Los autores evaluaron FloDR en cuatro conjuntos de datos de referencia (MNIST, Fashion-MNIST, progenitores mieloides Paul15, datos de reacción de Schneider) y tres atlas de células únicas (médula ósea fetal humana, cerebelo de ratón, semilla de Arabidopsis).

• Compromiso Global vs. Local: FloDR logra una curva de compromiso casi vertical. Al ajustar el peso ordinal $w$, la preservación de la estructura global (medida por la correlación de Spearman de las distancias por pares, CPD) aumenta sustancialmente (por ejemplo, de 0.337 a 0.562 en MNIST) con una pérdida insignificante en el recuerdo (recall) de vecindarios locales.
• Comparación con Baselines:
  • vs. UMAP: FloDR supera a UMAP tanto en el eje global como en el local en todos los cuatro benchmarks.
  • vs. openTSNE: openTSNE retiene una estructura local ligeramente mejor, pero a un costo significativo en la estructura global.
  • vs. PCA: PCA preserva bien la estructura global pero falla en los vecindarios locales. FloDR iguala o supera el rendimiento global de PCA manteniendo la estructura local.
  • vs. SQuadMDS: Aunque SQuadMDS logra un CPD global más alto en los atlas de células únicas, retiene casi ninguna información de vecindad local (recall $\approx 0$).
• Desempeño fuera de la muestra (Out-of-Sample): La pasada hacia adelante de FloDR preserva la estructura global de manera efectiva. Cuando se utiliza el paso de colocación opcional, la fidelidad local se recupera a niveles comparables a openTSNE en los benchmarks.
• Eficiencia: FloDR es computacionalmente eficiente, completando incrustaciones de $10^6$ puntos en 222 segundos en una GPU, más rápido que UMAP (403s) y t-SNE (273s).

5. Significado y Reivindicaciones

El artículo sostiene que FloDR representa un cambio en cómo se interpreta la reducción de dimensionalidad:

• Consistencia de Objeto Único: A diferencia de los métodos que utilizan codificadores y decodificadores separados, el diseño, la inversa y la densidad de FloDR son propiedades de una única biyección entrenada. Esto asegura que las visualizaciones diagnósticas se deriven de la inversa exacta del modelo que generó el diseño, no de una red auxiliar aproximada.
• Reivindicaciones Medibles: El método va más allá de "leer" un mapa para realizar reivindicaciones medibles sobre él. Al introducir los campos de dispersión condicional y contraste oculto, FloDR cuantifica qué es lo que se oculta en la proyección 2D.
• Falsabilidad: La inclusión de un proceso de certificación significa que los campos diagnósticos no son solo superposiciones visuales, sino que están empíricamente validados. Si un campo falla la prueba de validación, es rechazado, evitando que el usuario extraiga conclusiones sin fundamento.
• Alcance Modesto: Los autores declaran explícitamente que no pretenden una calidad de reconstrucción superior (los decodificadores superarían a la inversa) ni pretenden dominar un solo eje (local o global) sobre otros métodos. En su lugar, FloDR se presenta como un método que es altamente competitivo en ambos ejes simultáneamente y proporciona un marco riguroso para interpretar las limitaciones del mapa 2D resultante.