🤖 machine learning

Toward Machine Learning with the Unit as a Primitive: Learning from Unit-Linked Events

Este artículo propone formalizar el aprendizaje automático mediante la introducción explícita de la "unidad" como una entidad semántica primitiva, definiendo el aprendizaje supervisado como la inferencia de una ley de respuesta compartida condicionada a un token de unidad generado por un tokenizador para distinguir entre modelos de mundo homogéneos y heterogéneos.

Autores originales: Heyang Gong

Publicado 2026-08-27

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Heyang Gong

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

En el mundo del aprendizaje automático, las computadoras suelen ser instruidas observando filas de datos, de forma muy similar a un estudiante que repasa una pila de tarjetas de estudio. Cada tarjeta contiene una pregunta y una respuesta, y el trabajo de la computadora es encontrar el patrón que las vincula. Durante décadas, este método ha funcionado notablemente bien para muchas tareas, desde el reconocimiento de rostros hasta la predicción del clima. Sin embargo, este enfoque trata cada tarjeta como un evento aislado, ignorando una verdad fundamental sobre el mundo real: muchas de estas tarjetas pertenecen en realidad a la misma persona, animal o dispositivo. Cuando una computadora aprende de la historia médica de un paciente, de los hábitos de compra de un usuario o de las lecticiones de un sensor, a menudo está viendo múltiples instantáneas del mismo individuo persistente. Los métodos estándar suelen tratar estas instantáneas como entradas separadas y no relacionadas, o dependen de suposiciones ocultas de que la computadora simplemente está adivinando. Esto crea un punto ciego. Si la computadora no puede distinguir entre un patrón que pertenece a un individuo específico y un patrón que es común para todos, puede fallar cuando se le pide predecir qué sucederá con esa misma persona en una nueva situación, o podría confundir una peculiaridad única de una persona con una regla universal.

Un nuevo artículo propone una forma de solucionar esto cambiando la base misma de cómo se definen estas tareas de aprendizaje. En lugar de comenzar con una lista de registros, los investigadores sugieren comenzar con el concepto de la "unidad": el individuo persistente al que pertenecen los datos. Imagine una biblioteca donde, en lugar de solo catalogar libros, el bibliotecario primero identifica al lector específico que los tomó prestados. En este nuevo marco, se le dice a la computadora quién es el individuo, o al menos se le da una regla clara para decidir cuándo dos piezas de datos pertenecen a la misma persona. Este simple cambio permite que la computadora comprenda que, si bien los eventos (las preguntas y respuestas) cambian, la persona subyacente sigue siendo la misma. Los investigadores demuestran que, al hacer que esta "unidad" sea una parte explícita del problema, las máquinas pueden aprender un conjunto compartido de reglas que se aplican a todos, manteniendo al mismo tiempo el respeto por las diferencias únicas de cada individuo.

El núcleo de este descubrimiento es un proceso de dos pasos que la computadora utiliza para dar sentido al mundo. Primero, actúa como un traductor, tomando la evidencia bruta sobre una persona —como su comportamiento pasado o características físicas— y convirtiéndola en un resumen compacto, que el autor llama un "token". Piense en este token como una tarjeta de identificación única que la computadora crea sobre la marcha para representar a ese individuo específico. Segundo, la computadora utiliza un conjunto único y compartido de reglas para leer esa tarjeta de identificación y predecir qué sucederá después. Esta es una distinción crucial. En los métodos antiguos, la computadora podría intentar memorizar un conjunto de reglas separado para cada persona que encuentra, lo cual es imposible si conoce a alguien que nunca ha visto antes. En este nuevo enfoque, la computadora aprende un manual de reglas universal. Simplemente observa la tarjeta de identificación (el token) para ver cómo encaja esa persona específica en el patrón general. Esto permite que el sistema generalice: puede realizar predicciones precisas para una persona nueva que no ha conocido antes, simplemente creando un token para ella basado en la evidencia que tiene, y luego aplicando las mismas reglas compartidas que aprendió de todos los demás.

Los investigadores también exploraron qué sucede cuando la computadora no sabe exactamente quién es la persona. A veces, los datos están incompletos o el vínculo entre dos registros es incierto. En estos casos, la computadora no puede simplemente buscar un nombre en una base de datos. En su lugar, utiliza la evidencia disponible para formar una mejor suposición sobre la identidad de la persona, creando un token que refleje esta incertidumbre. El artículo demuestra que incluso con esta conjetura, el sistema puede seguir aprendiendo de manera efectiva, siempre que se separe el acto de identificar a la persona del acto de predecir el resultado. El estudio demuestra que si solo se observan registros únicos y aislados sin saber a quién pertenecen, no se puede distinguir entre un mundo donde todos son exactamente iguales y un mundo donde todos son diferentes pero resultan verse iguales en promedio. Sin embargo, si se pueden vincular múltiples registros a la misma persona con certeza, la computadora puede detectar las diferencias ocultas entre individuos. Este hallazgo es vital porque establece un límite claro para lo que es posible: una máquina no puede aprender sobre las diferencias individuales si solo se le muestran instantáneas aisladas de cada persona sin ninguna forma de vincularlas de nuevo a su origen.

Este trabajo también aclara cómo debemos medir el éxito. En muchos sistemas actuales, juzgamos un modelo por qué tan bien predice el resultado promedio en todos los puntos de datos. El autor muestra que esto puede ser engañoso. Si algunas personas aparecen en los datos muchas veces y otras solo una vez, un promedio simple podría estar dominado por los usuarios frecuentes, ignorando las necesidades únicas de los menos frecuentes. El artículo sugiere que necesitamos evaluar los modelos basándonos en el individuo, no solo en el registro. Esto significa verificar si el modelo puede predecir qué le sucederá a una persona específica en una nueva situación, en lugar de simplemente obtener las estadísticas generales correctas. Los investigadores proporcionan una lista de verificación sobre cómo diseñar estos tests adecuadamente, asegurando que no engañemos accidentalmente a la computadora para que memorice nombres en lugar de aprender patrones.

En última instancia, este artículo ofrece una forma más honesta de construir sistemas inteligentes. Reconoce que el mundo está hecho de individuos persistentes, no solo de un flujo de eventos desconectados. Al obligar a la computadora a declarar sobre quién está aprendiendo antes de comenzar a adivinar las respuestas, el sistema se vuelve más robusto y más capaz de manejar la complejidad de la vida real. No pretende haber resuelto todos los problemas de la inteligencia artificial, pero proporciona un marco lógico y sólido para comprender cómo las máquinas pueden aprender de las personas sin perder de vista quiénes son esas personas. El resultado es un método que no solo es matemáticamente sólido, sino también conceptualmente más claro, cerrando la brecha entre la realidad desordenada de los datos humanos y la lógica estructurada del aprendizaje automático.

Resumen Técnico: Hacia el Aprendizaje Automático con la Unidad como Primitiva

Planteamiento del Problema

Las formalizaciones estándar del aprendizaje automático supervisado típicamente comienzan con un conjunto de datos de registros $D = \{(x_i, y_i)\}_{i=1}^N$ y una aplicación $f: \mathcal{X} \to \mathcal{Y}$ . En esta notación, el índice $i$ identifica un registro, no al individuo persistente (la "unidad") al que dicho registro se refiere. Si bien esta omisión es inocua para cuestiones a nivel de fila, resulta trascendental cuando los eventos comparten un mismo individuo, cuando las consultas cambian mientras se mantiene fijo un individuo, o cuando la atribución a una entidad específica es incierta.

Crucialmente, la formulación estándar deja sin declarar si diferentes individuos comparten una única ley de respuesta o si la ley observada a nivel de fila es meramente un agrupamiento marginal de relaciones condicionadas a la unidad. Las tradiciones existentes —como los modelos de medidas repetidas, los marcos de resultados potenciales y los sistemas de recomendación— abordan estos problemas localmente con supuestos específicos, pero carecen de una primitiva semántica unificada que eleve al referente persistente al núcleo del problema de aprendizaje.

Metodología: La Unidad como una Primitiva

El artículo propone elevar la unidad ( $U$ ) a una primitiva explícita en el nivel de la semántica de la tarea. Una tarea de aprendizaje se define declarando:

Una población de referentes persistentes ( $\mathcal{U}$ ).
Un criterio de identidad (cuándo los eventos conciernen al mismo referente).
El lapso sobre el cual se retiene esta relación.

El valor realizado $U=u$ denota un referente seleccionado. El objeto semántico del aprendizaje supervisado es entonces una familia de leyes de respuesta condicionadas a la unidad:
$u \mapsto \left[ x \mapsto P^*_u(dy | x) \right]$
donde $P^*_u(dy | x) := P^*(Y \in dy | X=x, U=u)$ . Cambiar $x$ consulta una ubicación en la misma superficie de respuesta para una unidad fija; cambiar $u$ selecciona un miembro diferente de la familia.

Para que esta familia sea aprendible a partir de datos finitos, el artículo introduce una factorización computacional (Supuesto 1) y una clase estructurada:

Token de Contexto de la Unidad ( $Z^c_u$ ): Un tokenizador $T_\phi$ produce una representación para el aprendiz a partir de evidencia fáctica $O$ y contexto $c$ . Este token media todos los caminos desde la unidad hasta la predicción.
Forma de Respuesta Compartida ( $R_\theta$ ): Todas las unidades comparten un único mecanismo de respuesta $R_\theta$ que lee el token. La clase estructurada requiere que $R_\theta$ dependa del token $z$ solo a través de un mapa declarado de baja complejidad (por ejemplo, un predictor lineal).

El objeto aprendido es el par $(T_\phi, R_\theta)$ . El tokenizador organiza las regularidades específicas de la unidad en un espacio de tokens simple, permitiendo que la forma compartida generalice.

Modos de Acceso

El artículo distingue dos modos de acceder a la unidad:

Acceso Directo a la Unidad: Un resolutor confiable utiliza una clave $k$ para fijar el referente $u(k)$ y suministrar un token de búsqueda (por ejemplo, un embedding aprendido $z_\theta(k)$ ). Esto elimina la incertidumbre de "qué unidad" pero deja el error de aproximación de token y forma.
Abducción de la Unidad: Cuando ningún resolutor identifica la unidad, un token se forma a partir de evidencia fáctica $O$ vía $Z^c = T_\phi(O, c)$ . Este token sirve como una representación contextual, que puede interpretarse como una posterior de identidad aproximada en especializaciones específicas (por ejemplo, aprendices de mezcla de identidad).

Contribuciones Clave

Formalización de la Unidad: El artículo formaliza la unidad como una primitiva de población declarada por la tarea, separando el referente persistente del registro del evento. Clarifica que una muestra registra un evento, mientras que la tarea declara el referente al cual pertenecen los eventos.
Interfaz de Forma Compartida: Establece una interfaz de forma compartida (Supuesto 1) donde la clase estructurada es una relación simple en el token. La instancia de ejecución es un predictor lineal (Definición 2), donde el objeto aprendido es el par $(T_\phi, R_\theta)$ .
Descomposición del Valor Predictivo: El artículo separa el valor predictivo del oráculo, la accesibilidad de la evidencia, la aproximación del aprendiz y la identificabilidad de los componentes. Establece que el ajuste marginal a nivel de fila no identifica la estructura interna de la unidad.
Resultados de Imposibilidad y Separación: Demuestra que las observaciones de una sola fila no vinculadas no pueden distinguir un mundo de unidades heterogéneas de un mundo de agrupación homogénea. Por el contrario, los pares confiables de la misma unidad (observaciones vinculadas) pueden separar estos mundos al exponer la covarianza dentro de la unidad.

Resultados Formales y Límites Teóricos

Descomposición de Valor–Acceso

Bajo la pérdida logarítmica, el artículo descompone el valor de la información de la unidad del oráculo ( $V_{oracle}$ ) en valor accesible ( $V_{accessible}$ ) y valor residual ( $V_{residual}$ ):
$R^*_W - R^*_{U,W} = (R^*_W - R^*_{O,W}) + (R^*_{O,W} - R^*_{U,W})$
donde $R^*_W$ es el riesgo sin información de la unidad, $R^*_{O,W}$ es el riesgo con la evidencia $O$ , y $R^*_{U,W}$ es el riesgo del oráculo con conocimiento perfecto de la unidad. El término residual representa la información sobre la unidad que es predictivamente valiosa pero inaccesible dada la evidencia declarada.

Límites de Error de Extremo a Extremo

El error predictivo desplegado está acotado por la suma del error de creencia de la unidad y el error de respuesta de la unidad fija. Específicamente, la divergencia de Kullback-Leibler entre la marginal verdadera y la marginal aprendida está acotada por:
$E_{pred} \leq E_O [ D_{KL}(P(\cdot|O) \| Q_\phi(\cdot|O)) ] + E_{O,W} \left[ \int D_{KL}(K_{u,W} \| \hat{K}_{u,W}) P(du|O) \right]$
Esto separa el error derivado de la identificación imperfecta de la unidad (error de creencia) del error en el modelado de la ley de respuesta para una unidad fija.

Imposibilidad de Fila Única

La Proposición 4 demuestra que en una clase de kernel de respuesta no restringida, toda ley de una sola muestra $R(dy|x)$ tiene una representación constante de la unidad $K^R_u(dy|x) = R(dy|x)$ . Consecuentemente, el ajuste marginal por sí solo no puede identificar si el mundo es homogéneo o heterogéneo.

Indistinguibilidad: Si las observaciones provienen de unidades frescas y no vinculadas, un mundo heterogéneo (donde las unidades tienen diferentes probabilidades de respuesta) es estadísticamente indistinguible de un mundo homogéneo (donde todas las unidades comparten la misma probabilidad) basándose únicamente en las marginales de una sola fila.
Separación: Los pares confiables de la misma unidad (vinculación repetida) permiten la identificación de la varianza de los parámetros específicos de la unidad ( $Var(p_U)$ ) a través de la covarianza dentro de la unidad, separando ambos mundos.

Implicaciones de Evaluación

El artículo deriva corolarios para los protocolos de evaluación:

Ponderación: Los riesgos empíricos ponderados por fila y ponderados por unidad coinciden solo si todas las unidades observadas tienen igual multiplicidad de registros.
División (Splitting): Una división por registros mezcla la predicción de nuevos eventos para unidades conocidas con la predicción para unidades no vistas. Para apuntar a la generalización hacia unidades no vistas, se requiere una división explícitamente disjunta por unidad.

Significado y Alcance

El artículo sostiene que el aprendizaje automático aprende la estructura compartida a través de unidades declaradas por la tarea a partir de eventos vinculados a la unidad y observados selectivamente con ruido. Su contribución principal es un marco semántico y computacional que maneja explícitamente el referente persistente.

Afirmaciones Modestas: El autor enfatiza que el Supuesto 1 es una interfaz computacional, no un teorema de aprendibilidad. El artículo no prueba que una regla de aprendizaje específica lleve las penalizaciones de aproximación a cero; más bien, define las condiciones bajo las cuales una forma compartida es lo suficientemente simple como para generalizar.
Distinción de Trabajos Existentes: El marco no reemplaza el aprendizaje estadístico clásico o la inferencia causal, sino que añade una pregunta explícita: cómo un tokenizador organiza las unidades para que una forma de respuesta compartida pueda generalizar. Distingue la variación de la unidad de la variación del entorno (adaptación de dominio) y aclara que la "abducción de la unidad" (formar un token a partir de evidencia) es distinta de la abducción causal clásica (inferir el ruido exógeno).
Implicaciones Prácticas: Los resultados formales indican que las observaciones de una sola fila no vinculadas no pueden validar la estructura de la unidad. Se requiere el vínculo confiable de la misma unidad para separar mundos heterogéneos de homogéneos. Además, la evaluación debe distinguir entre estimandos a nivel de fila y a nivel de unidad, y entre la generalización para unidades conocidas y unidades no vistas.

El artículo concluye que cuando preservar la unidad no cambia ninguno de los objetivos, estimandos o protocolos de evaluación declarados, la formulación marginal de la unidad es suficiente. Sin embargo, cuando la persistencia, la atribución o la evaluación a nivel de unidad importan, la unidad debe ser declarada como una primitiva para estructurar correctamente el problema de aprendizaje.