Resumen Técnico: Percepción de Espigueo Activo (ASP)

Planteamiento del Problema

La comprensión de nubes de puntos tridimensionales es crítica para aplicaciones corporales que requieren una inferencia precisa, rápida y de bajo consumo energético en hardware restringido. Si bien la precisión ha mejorado desde PointNet hasta los Point Transformers, esto ha venido acompañado de un aumento proporcional en las operaciones de punto flotante. Las Redes Neuronales de Espigueo (SNN, por sus siglas en inglés) ofrecen una solución potencial al reemplazar las densas operaciones de multiplicación-acumulación (MAC) con operaciones de solo acumulación, impulsadas por eventos y dispersas, lo que permite un mapeo eficiente en hardware neuromórfico.

Sin embargo, los modelos 3D de espigueo existentes heredan una limitación de sus predecesores de redes neuronales artificiales (ANN): procesan la partición completa de la nube de puntos en regiones locales y escanean estas regiones en un orden fijo e independiente de la entrada en cada paso de tiempo. Este enfoque desperdicia el recurso temporal único de la computación de espigueo: el potencial de membrana en evolución. En un escaneo de orden fijo, se ignora la estructura discriminativa (asignación uniforme) y, una vez que la evidencia es decisiva, otras regiones consumen energía sin añadir valor. Los métodos adaptativos actuales (por ejemplo, salida temprana, poda de tokens) o bien deciden qué descartar después de la codificación, o bien operan a través de la profundidad, pero ninguno aborda la cuestión de hacia dónde mirar después en un entorno de espigueo 3D basado en el estado interno de la red.

Metodología: Percepción de Espigueo Activo (ASP)

ASP redefine el reconocimiento 3D como un proceso de decisión iterativo y secuencial. En lugar de un escaneo fijo, la red decide qué fragmento espacial observar a continuación y cuándo detenerse, impulsada por su propio estado interno.

Componentes Principales

1. El Potencial de Membrana como un Estado de Creencia:
   El potencial de membrana de Leaky Integrate-and-Fire (LIF) se trata no meramente como un portador de activación, sino como un estado de creencia continuo (log-posterior) sobre la clase. Teóricamente, se demuestra que la integración con fuga es la actualización recursiva del log-posterior de un filtro bayesiano para un acumulador idealizado. Este estado se mantiene "gratuitamente" por el sustrato de la SNN.

2. Política de Selección de Rebanadas (SSP):
   Una política ligera califica los fragmentos no visitados para determinar la siguiente observación.

   • Entradas: El estado de membrana actual ($b_t$) y descriptores geométricos precomputados y libres de parámetros ($g_m$) de los fragmentos no visitados (centroide, varianza, extensión radial, distancia desde el centro de la nube).
   • Mecanismo: Una función de puntuación bilineal $q_{t,m} = w^\top \tanh(W_u b_{t-1} + W_g g_m)$ clasifica a los candidatos.
   • Entrenamiento: Utiliza una relajación Gumbel-Softmax de paso directo (straight-through) para permitir una selección diferenciable durante el entrenamiento, cambiando a un $\arg\max$ determinista durante la inferencia.
   • Sobrecarga: Añade aproximadamente un 2% a los parámetros del backbone.

3. Salida Temprana Certificada:
   El sistema emplea una regla de margen de confianza para detener la observación.

   • Regla: Detenerse cuando el margen entre las dos probabilidades de clase principales ($\Delta_t = p^{(1)}_t - p^{(2)}_t$) exceda un umbral calibrado $\theta$.
   • Calibración: El umbral no se ajusta manualmente, sino que se calibra utilizando un procedimiento de conformal split para garantizar un nivel de riesgo selectivo libre de distribución (por ejemplo, un riesgo $\le \alpha^*$ con una confianza de $1-\delta$). Esto proporciona una interfaz "en cualquier momento" (anytime) certificada donde cada predicción intermedia conlleva un límite de riesgo conocido.

4. Equivalencia de Transmisión (Streaming):
   El artículo demuestra que para las puertas locales de tokens (donde la puerta depende solo de la entrada actual), el transporte de estado de transmisión es exactamente equivalente a la recomputación de prefijos en aritmética exacta. Bajo cuantización, el error está acotado geométricamente, asegurando que la eficiencia de "solo acumulación" no se vea comprometida por la recomputación redundante, siempre que la precisión del hardware cumpla con condiciones de margen específicas.

Contribuciones Clave

1. Primera Formulación de la Percepción 3D Activa: ASP es el primer enfoque que enmarca la comprensión de nubes de puntos 3D como un proceso de observación activa y secuencial nativo de un backbone de espigueo.
2. Política de Selección de Rebanadas: Un mecanismo que califica las regiones no visitadas utilizando el estado de membrana y la geometría offline con una sobrecarga de parámetros mínima (~2%).
3. Garantías Teóricas:
   • Suficiencia Bayesiana: Demuestra que la membrana es un estadístico suficiente para la predicción del modelo y aproxima un filtro bayesiano.
   • Control de Riesgo Libre de Distribución: Establece que la regla de salida alcanza un riesgo selectivo certificado sin penalizaciones por pruebas múltiples, incluso con observaciones secuenciales.
   • Transmisión Exacta: Prueba que las actualizaciones de estado de transmisión son funcionalmente idénticas a la recomputación bajo localidad de tokens, con una deriva acotada bajo cuantización.
4. Contabilidad Energética: Separa la dispersión de los espigues (spikes) de la salida temprana, proporcionando un modelo analítico para los ahorros de energía que depende de los parámetros del hardware (costos analógicos vs. de espigueo) en lugar de un único nodo de proceso.
5. Generalizabilidad: Demuestra que la política no es específica de espigueo. El mismo mecanismo (con fijación reemplazando la selección de fragmentos) se transfiere a un transformador foveado no de espigueo, demostando que el controlador es una estrategia de observación adaptativa general.

Resultados Experimentales

Clasificación 3D (ModelNet40/10)

• Rendimiento: ASP logra un 90.62% en ModelNet40 y un 93.28% en ModelNet10.
• Comparación: En ModelNet40, ASP está 1.7 puntos por debajo del baseline de espigueo más fuerte (SPM), pero utiliza un backbone significativamente mayor (18.75M frente a 5.5M de parámetros). Cuando se iguala la capacidad (5.5M), la brecha se reduce a 0.32 puntos.
• Eficiencia: En el punto operativo calibrado, ASP procesa un promedio de 3.84 fragmentos (de 4). Aunque el backbone más grande incurre en una energía absoluta mayor que los baselines más pequeños, el mecanismo proporciona una interfaz certificada en cualquier momento donde el costo es un dial ajustable por el usuario.
• Estudio M=16: En una partición más fina (16 fragmentos), la política aprendida selecciona fragmentos significativamente mejor que el orden aleatorio o fijo. Un fragmento elegido por la membrana vale +3.67 puntos sobre uno aleatorio en $k=1$. La política se detiene tras ~6.81 fragmentos (43% del presupuesto) mientras supera el recorrido de orden fijo.

Predicción Densa (Segmentación)

• ShapeNetPart: Logra un mIoU de instancia de 83.21.
• S3DIS Area 5: Logra un mIoU de 48.50. Hasta donde saben los autores, estos son los primeros resultados de espigueo reportados en S3DIS Area 5.
• Limitación: Una clase ("Beam" / Viga) puntúa 0.0 mIoU. Los autores lo atribuyen al tamaño del recorte (256 puntos), lo que hace que la viga sea indistinguible del techo (superficie horizontal plana), un problema de identificabilidad geométrica en lugar de un fallo de aprendizaje. Predicen que un recorte multiescala que incluya la unión viga-pared resolvería esto.

Extensión de Imagen Foveada

• Aplicado a un transformador no de espigueo en ImageNet-100.
• Resultados: El modelo foveado alcanza un 79.58% de precisión con 2.13 fijaciones (frente al 84.10% de un control denso).
• Energía: Ofrece ahorros de energía de 2.83× a 1.35× en comparación con un control denso de capacidad igualada.
• Hallazgo: La brecha de precisión (4.52 puntos) sugiere que, para esta arquitectura específica, la observación adaptativa no compensa totalmente en precisión, y el beneficio reside principalmente en la tokenización multiescala más que en la política de fijación.

Significancia y Reivindicaciones

El artículo reivindica un cambio conceptual: el estado temporal de una SNN (la membrana) no es solo un portador de activaciones, sino un controlador para la observación adaptativa.

• Interfaz Certificada en Cualquier Momento: A diferencia de los baselines, ASP proporciona una predicción con un rastro de las regiones visitadas y un nivel de riesgo libre de distribución en cualquier momento de parada.
• Mecanismo vs. Arquitectura: Se demuestra que la política es independiente del backbone de espigueo, funcionando igualmente bien en ANN densas.
• Modestia sobre la Eficiencia: Los autores declaran explícitamente que en nubes de puntos, la implementación actual (con recomputación de prefijos) aún no es "computación adaptativa" en el sentido de reducir los MAC totales por debajo de una pasada fija en $M=4$; la victoria reside principalmente en la dispersión de los espigues y la interfaz en cualquier momento. La verdadera computación adaptativa (reducción de trabajo) se demuestra en $M=16$ y en el dominio de la imagen, donde la recomputación de prefijos está estructuralmente ausente.
• Limitaciones:
  • La precisión queda por detrás de los baselines de espigueo más fuertes cuando se usan backbones más grandes.
  • La energía por muestra está gobernada por la escala del backbone; el mecanismo controla la proporción, no la base absoluta.
  • La equivalencia de transmisión se demuestra pero aún no se ha implementado en el modelo de puntos (solo en el modelo de imagen).
  • El fallo de la clase "Beam" en S3DIS es una limitación geométrica conocida del tamaño del recorte.

El artículo concluye que la contribución duradera es el planteamiento: el estado temporal de una SNN puede servir como un filtro bayesiano y un controlador para decidir "hacia dónde mirar después", permitiendo una inferencia adaptativa y certificada.