🤖 machine learning

Flow Matching with Missing Data

Este artículo presenta el Ajuste de Flujo con Datos Faltantes (Missing-Data Flow Matching), un método que trata las coordenadas faltantes como variables latentes para demostrar que la ausencia bajo condiciones específicas no altera el objetivo de aprendizaje, sino que desplaza el desafío hacia la completación, al tiempo que demuestra que el uso de una única completación aprendida por ejemplo es teóricamente óptimo para minimizar la varianza y el sesgo.

Autores originales: Fairoz Nower Khan, Nabuat Zaman Nahim, Peizhong Ju

Publicado 2026-08-03

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Fairoz Nower Khan, Nabuat Zaman Nahim, Peizhong Ju

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 estás intentando enseñarle a un robot a pintar un cuadro perfecto de una ciudad bulliciosa. Le muestras miles de fotos y aprende a entender cómo los edificios, los coches y las personas encajan entre sí para crear una escena realista. Este es el mundo del modelado generativo, una rama de la inteligencia artificial donde las computadoras aprenden a crear nuevos datos que se ven igual que la realidad. Una de las herramientas más populares para esto se llama Flow Matching (ajuste de flujo). Piensa en ello como un río: la IA aprende la corriente exacta (o "flujo") necesaria para guiar una gota de agua desde un punto de partida tranquilo y vacío hasta un destino específico y complejo (como una foto de una ciudad). Si la IA acierta la corriente, puede generar infinitos paisajes urbanos nuevos y realistas simplemente comenzando con una gota de agua y siguiendo la corriente.

Pero aquí está el problema: la vida real es desordenada. Las fotos con las que tienes que enseñar al robot suelen estar incompletas. Tal vez un árbol está bloqueado por una farola, un coche está oculto detrás de un edificio, o un sensor en un dispositivo médico falló al registrar una lectura. En el mundo de la IA, esto se llama datos faltantes. Si intentas enseñar al robot usando estas fotos rotas, este se confunde. No sabe dónde deberían estar las partes faltantes, por lo que podría limitarse a adivinar un único lugar aburrido para rellenar el hueco. Esto arruina la magia, porque la IA deja de aprender la variedad de la ciudad y empieza a aprender a pintar el mismo lugar aburrido una y otra vez.

Este artículo aborda exactamente ese problema. Los investigadores Fairoz Nower Khan, Nabuat Zaman Nahim y Peizhong Ju proponen una nueva y astuta forma de enseñar Flow Matching incluso cuando los datos están incompletos. Llaman a su método Missing-Data Flow Matching (MDFM) (ajuste de flujo con datos faltantes). En lugar de adivinar un solo lugar para rellenar el hueco, su método trata las partes faltantes como un misterio que puede resolverse de muchas maneras diferentes. Imaginan rellenar las piezas faltantes con conjeturas frescas y aleatorias cada vez, y luego promedian las lecciones aprendidas de todas esas conjeturas.

¿La gran sorpresa? Demostraron que esto no es solo un truco de "suficientemente bueno"; es matemáticamente exacto. Si los datos faltantes se pierden de forma aleatoria (como un fallo de sensor por azar), y rellenas los huecos con los valores verdaderos posibles, tu IA aprende exactamente lo mismo que si hubiera visto las fotos perfectas y completas todo el tiempo. La dificultad no desaparece; simplemente se traslada. La parte difícil es construir un buen modelo de "rellenar los espacios en blanco", pero una vez que tienes eso, la IA principal aprende perfectamente.

Además, realizaron simulaciones para responder a algunas preguntas complicadas sobre cómo hacer esto de manera eficiente. Descubrieron que no es necesario rellenar las partes faltantes diez o veinte veces por cada foto. Una conjetura fresca por foto es en realidad suficiente para obtener el mismo nivel de precisión que tener los datos completos. Si tienes una cantidad limitada de potencia de cómputo, es mejor usarla en más fotos con una conjetura cada una, en lugar de menos fotos con muchas conjeturas. También demostraron que si utilizas una conjetza "congelada" (una que nunca cambia) o un promedio simple para rellenar los huecos, la IA colapsa y pierde la capacidad de crear variedad. Pero si mantienes las conjetzas frescas y aleatorias, la IA mantiene intacta su creatividad.

En resumen, este artículo nos da una receta para enseñar a la IA a crear mundos bellos y complejos incluso cuando nuestros datos de entrenamiento están llenos de agujeros, siempre y cuando rellenemos esos huecos con el tipo adecuado de aleatoriedad.

Resumen Técnico: Flujo de Emparejamiento de Datos Faltantes (MDFM)

Planteamiento del Problema

El emparejamiento de flujos (flow matching) es una técnica de modelado generativo poderosa que aprende un campo vectorial dependiente del tiempo para transportar una distribución base a una distribución de datos mediante un objetivo de regresión estable. Sin embargo, el emparejamiento de flujos estándar asume extremos de entrenamiento completamente observados. En aplicaciones del mundo real (por ejemplo, registros médicos, datos de sensores, encuestas), los datos suelen estar incompletos.

Las soluciones existentes emplean típicamente la imputación puntual (rellenar los valores faltantes con una única estimación, como la media condicional). Aunque es efectiva para tareas predictivas que dependen de las medias, la imputación puntual es perjudicial para el aprendizaje generativo. Debido a que el emparejamiento de flujos aprende a reproducir la distribución de sus extremos de entrenamiento, reemplazar un rango de valores faltantes plausibles con un único punto colapsa la distribución condicional. Esto resulta en una distribución generada con varianza condicional cero, fallando en capturar la verdadera dispersión y las dependencias de los datos.

Metodología: Flujo de Emparejamiento de Datos Faltantes (MDFM)

Los autores proponen el Flote de Emparejamiento de Datos Faltantes (MDFM), un marco que trata las coordenadas faltantes como variables latentes en lugar de intentar fijarlas a un único valor.

Mecanismo Central

En lugar de comprometerse con un único valor imputado, el MDFM trata la parte faltante de una muestra, $X_{-\Lambda}$ , como una variable aleatoria extraída de su distribución condicional dado la parte observada, $X_\Lambda$ .

Tratamiento de Variable Latente: Para una observación incompleta $O = (\Lambda, X_\Lambda)$ , las coordenadas faltantes $X_{-\Lambda}$ se muestrean de una distribución de completitud.
Pérdida Promediada: La pérdida de emparejamiento de flujo se promedia sobre estas completitudes muestreadas. El objetivo se convierte en una esperanza sobre los patrones observados, los datos observados y las completitudes de las partes faltantes.
Oráculo vs. Aprendido:
- Objetivo Oráculo: Asume el acceso a la verdadera distribución condicional $p^*(x_{-\Lambda} | x_\Lambda)$ .
- Objetivo Aprendido: Utiliza un modelo de completitud aprendido $q_\phi(x_{-\Lambda} | x_\Lambda, \Lambda)$ , entrenado mediante enmascaramiento autosupervisado en un conjunto de datos auxiliar independiente.

Fundamento Teórico

El artículo establece que bajo condiciones de Falta Completamente al Azar (MCAR), si las completitudes se extraen de la verdadera distribución condicional, el objetivo de MDFM es exactamente equivalente al objetivo de emparejamiento de flujo de datos completos.

Exactitud: A diferencia del emparejamiento de puntuación (score matching) con datos faltantes, que requiere aproximar integrales intratables, la corrección de MDFM es una igualdad exacta. El objetivo de regresión ( $X_1 - X_0$ ) se vuelve explícito una vez que se completa un extremo.
Relocalización de la Dificultad: La dificultad de los datos faltantes no desaparece, sino que se relocaliza enteramente a la estimación de la distribución de completitud condicional. Si el modelo de completitud es perfecto, el modelo de emparejamiento de flujo aprende la verdadera distribución de los datos exactamente.

Contribuciones Clave

1. Corrección Exacta y Equivalencia

Los autores demuestran que bajo MCAR, el entrenamiento con completitudes verdaderas produce el mismo objetivo de población y gradientes que el entrenamiento con datos completos. Esto se mantiene para cualquier punto diferenciable en el espacio de parámetros. El resultado se extiende a la Falta al Azar (MAR), pero no a la Falta No al Azar (MNAR) sin supuestos estructurales adicionales.

2. Análisis de Varianza de Muestra Finita

El artículo proporciona una descomposición rigurosa de la varianza del estimador para muestras finitas, arrojando conocimientos de diseño contraintuitivos:

Transferencia de Varianza, No Adición: La falta de datos no aumenta inherentemente la varianza total del estimador; transfiere la varianza del nivel de observación al nivel de completitud. El promedio sobre las completitudes elimina esta varianza transferida.
Optimidad de una Completitud: Bajo un presupuesto de evaluación fijo (número total de evaluaciones de pérdida), utilizar una sola completitud por ejemplo es óptimo. Extraer más completitudes por ejemplo es menos eficiente que recolectar más ejemplos incompletos.
Límite de Sesgo: Para modelos de completitud aprendidos, el sesgo en el objetivo de la población está acotado por la distancia de Wasserstein-1 condicional esperada entre el modelo aprendido y la ley de completitud verdadera. Este sesgo es irreducible aumentando el tamaño de la muestra del entrenamiento de emparejamiento de flujo; requiere un mejor modelo de completitud.

3. Validación Empírica

Experimentos con datos tabulares sintéticos y reales (conjuntos de datos UCI) validan las predicciones teóricas:

Estocástico vs. Determinista: La imputación determinista (por ejemplo, la media condicional) colapsa la distribución generada, triplicando el error de la distribución. La completitud estocástica (remuestreo) preserva la variabilidad condicional y coincide con el rendimiento de los datos completos.
Métricas Distribucionales: En datos reales, MDFM es competitivo con fuertes procesos de imputación. Específicamente, MICE logra los mejores rangos promedio en la distancia de Wasserstein segmentada, la distancia de energía y MMD, mientras que MDFM logra el mejor rango promedio en la preservación de la covarianza entre los métodos entrenados con datos incompletos.
Calidad de la Imputación: Aunque MDFM es competitivo en el error de imputación (RMSE), su principal fortaleza reside en capturar la estructura del segundo momento de la distribución conjunta.

Significado y Reivindicaciones

El artículo posiciona a MDFM como una solución teóricamente fundamentada que cierra la brecha entre el manejo de datos faltantes y el modelado generativo.

Exactitud: El principal significado es la prueba de que la corrección es exacta, no aproximada, trasladando la carga de los datos faltantes únicamente a la calidad del modelo de completitud.
Guía de Diseño: El análisis de muestra finita proporciona directrices concretas y no intuitivas: específicamente, que se debe priorizar la recolección de más ejemplos de datos sobre la generación de múltiples imputaciones por ejemplo bajo presupuestos computacionales fijos.
Integridad Generativa: El trabajo demuestra que para mantener la integridad de un modelo generativo (específicamente su capacidad para reproducir la varianza condicional), se debe evitar la imputación puntual determinista y, en su lugar, utilizar la completitud estocástica.

Los autores reconocen las limitaciones, señalando que el método depende del supuesto de que el modelo de completitud puede entrenarse eficazmente (requiriendo patrones identificables) y que las garantías teóricas se centran actualmente en la estimación de la pérdida más que en la calidad directa del campo vectorial generado. La extensión a escenarios MNAR sigue siendo un desafío abierto que requiere supuestos estructurales adicionales.