💻 computer science

Spectral Basis Interpretable Unit: A Learned Orthogonal Projection Module for Interpretable Function Approximation and Unsupervised Regime Discovery

Este artículo presenta la Unidad de Base Espectral Interpretable (SBIU, por sus siglas en inglés), un módulo neuronal de inspiración clásica y motivado por la mecánica cuántica que utiliza proyecciones ortogonales aprendidas para lograr la aproximación universal de funciones y el descubrimiento de regímenes no supervisados con alta interpretabilidad y un rendimiento competitivo tanto en conjuntos de datos sintéticos como en datos clínicos del mundo real.

Autores originales: Kiarash Mohammadi

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kiarash Mohammadi

Artículo original bajo licencia CC BY 4.0 (https://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 de la inteligencia artificial moderna, las máquinas se están volviendo increíblemente buenas para encontrar patrones en los datos, pero a menudo siguen siendo cajas negras. Cuando una red neuronal toma una decisión, suele ser difícil entender por qué eligió un camino sobre otro, porque la matemática interna es una maraña de números que no corresponden a nada que un humano pueda visualizar fácilmente. Los científicos han buscado durante mucho tiempo una forma de construir estos sistemas para que sus mecanismos internos sean transparentes, permitiendo a los investigadores ver exactamente cómo una máquina descompone una señal compleja en partes más simples. Esta búsqueda de claridad es particularmente vital en campos como la medicina, donde comprender el "porqué" detrás de un diagnóstico es tan importante como el diagnóstico mismo. Un desarrollo reciente se centra en un nuevo tipo de bloque de construcción para estas máquinas, uno que obliga al sistema a organizar la información en categorías distintas y no superpuestas, de forma muy similar a clasificar una bolsa mixta de canicas de colores en frascos separados según su tono.

Un investigador llamado Kiarash Mohammadi ha introducido una nueva herramienta llamada Unidad Espectral de Base Interpretable, o SBIU (por sus siglas en inglés), que actúa como un filtro especializado para los datos. En lugar de utilizar las funciones matemáticas estándar y opacas que se encuentran en la mayoría de la inteligencia artificial, esta unidad toma un solo número como entrada y lo transforma en un conjunto de probabilidades. Imagine que la máquina observa una onda sonora o un latido y se pregunta: "¿Qué parte de esta señal pertenece a un ritmo de baja frecuencia y qué parte pertenece a un pico de alta frecuencia?". La SBIU responde a esto asignando un porcentaje a cada patrón de frecuencia posible que ha aprendido. Crucialmente, estos porcentajes deben sumar el cien por ciento, y los diferentes patrones que identifica deben ser matemáticamente forzados a estar completamente separados entre sí. Este diseño asegura que la máquina no desdibuje las líneas entre diferentes tipos de señales, sino que las mantenga en categorías distintas y limpias que un humano pueda inspeccionar y comprender.

El poder de este enfoque se probó primero en una simulación generada por computadora de una máquina que cambia entre tres comportamientos rítmicos diferentes. La máquina fue entrenada para predecir el siguiente momento en la señal sin que se le indicara cuáles eran los ritmos. La SBIU aprendió con éxito a separar los datos en tres grupos distintos que coincidían perfectamente con los ritmos ocultos, logrando un nivel de precisión que superó a las redes neuronales estándar y no estructuradas. Más importante aún, los investigadores pudieron mirar dentro de la SBIU y ver exactamente qué frecuencias había identificado como los impulsores clave de cada ritmo. La máquina había descubierto de forma independiente las velocidades específicas de las oscilaciones, demostrando que su estructura interna no era solo una conjetura aleatoria, sino un mapa preciso de la física subyacente.

Esta capacidad fue puesta a prueba con datos médicos del mundo real, específicamente grabaciones de ondas cerebrales de pacientes con epilepsia y latidos de pacientes con arritmias. En las grabaciones de ondas cerebrales, el sistema fue capaz de aislar automáticamente las tormentas eléctricas caóticas de una convulsión de la actividad cerebral normal, sin haber recibido jamás un solo ejemplo etiquetado de una convulsión. Identificó un estado específico que contenía más del noventa por ciento de los datos de la convulsión, separándolo limpiamente de la actividad cerebral sana y de otros estados como tener los ojos abiertos o cerrados. Del mismo modo, al analizar los latidos del corazón, el sistema distinguió entre latidos normales y otros irregulares peligrosos al centrarse en la forma física y la duración de la señal eléctrica. Identificó correctamente que los latidos anormales tenían una forma más ancha y lenta en comparación con los pulsos rápidos y agudos de un corazón sano, coincidiendo con la forma en que los cardiólogos diagnostican estas condiciones en el mundo real.

Los investigadores también demostraron que añadir capas complejas de ruido simulado o "decoherencia", una técnica que a veces se utiliza en otros modelos avanzados, era innecesaria y, de hecho, redundante para este tipo específico de unidad. Demostraron matemáticamente que el mecanismo central de la SBIU ya era suficiente para manejar la tarea, y que añadir complejidad adicional solo confundiría el proceso de entrenamiento sin aportar valor. Este hallazgo simplifica el diseño, haciendo que la unidad sea más rápida de entrenar y más estable. El estudio concluye que, al imponer reglas geométricas estrictas —obligando a la máquina a mantener sus categorías separadas y sus salidas como probabilidades válidas—, es posible crear inteligencia artificial que sea tanto poderosa como transparente. El resultado es un sistema que no solo predice resultados, sino que revela los distintos regímenes físicos ocultos dentro de los datos, ofreciendo una nueva forma de construir máquinas que trabajen con la comprensión humana en lugar de a pesar de ella.

Resumen Técnico: Unidad de Base Espectral Interpretable (SBIU)

1. Planteamiento del Problema

Las arquitecturas de redes neuronales tradicionales, incluyendo las recientemente propuestas Redes de Kolmogorov–Arnold (KANs), enfrentan una "brecha de interpretabilidad" significativa. Aunque las KANs ofrecen alta flexibilidad y eficiencia de parámetros al aprender funciones univariadas de borde (típicamente B-splines), estas funciones aprendidas son locales, polinomios segmentados cuyos coeficientes carecen de significado semántico. En dominios científicos como la neurociencia y la cardiología, donde comprender el porqué detrás de una predicción es tan crítico como la predicción misma, esta opacidad limita su adopción.

Los enfoques interpretables existentes suelen depender de conceptos especificados por humanos (Modelos de Cuello de Botella de Conceptos), requieren etiquetas de régimen (agrupamiento supervisado) o fallan al no imponer particiones mutuamente excluyentes del espacio de entrada (por ejemplo, el Mixture-of-Experts estándar con gating sin restricciones). Existe la necesidad de una función de borde que:

Particione el dominio de entrada en regímenes mutuamente excluyentes sin supervisión.
Produzca firmas legibles por humanos para cada régimen.
Retenga las garantías de aproximación universal de los métodos basados en splines.

2. Metodología

La Unidad de Base Espectral Interpretable (SBIU)

El autor introduce la SBIU, un aproximador de funciones univariante que reemplaza el B-spline clásico por una proyección ortogonal aprendida en un espacio de características codificado por Fourier. La arquitectura está inspirada en el postulado de la medida de la mecánica cuántica, pero opera como un módulo estrictamente clásico y determinista.

Componentes Principales:

Mapa de Características de Fourier: Un escalar de entrada $x$ se mapea a un vector real de $d$ dimensiones normalizado en $L_2$ , $|\psi(x)\rangle$ , utilizando funciones seno y coseno fijas en frecuencias $k\omega_0$ .
Base Ortogonal Aprendida (Estados de Puntero): Una matriz ortogonal especial aprendible $V \in SO(d)$ rota el vector de entrada. Las columnas de $V$ definen una base ortonormal $\{|\pi_m\rangle\}$ .
Activación de Módulo al Cuadrado (Regla de Born): La entrada se proyecta sobre los vectores de la base, y se computan los módulos al cuadrado de estas proyecciones: $p_m(x) = |\langle \pi_m | \psi(x) \rangle|^2$ . Debido a la ortogonalidad de $V$ y la normalización de $|\psi(x)\rangle$ , estos valores forman una distribución de probabilidad válida ( $\sum p_m = 1$ ).
Combinación Convexa: La salida escalar final es una combinación convexa de estas probabilidades: $\phi(x) = \sum \lambda_m p_m(x)$ , donde $\lambda_m$ son coeficientes aprendibles.

Formulación Matemática:
La SBIU computa una forma cuadrática sobre la entrada codificada por Fourier:
$\phi(x) = \langle \psi(x) | H_{\text{eff}} | \psi(x) \rangle$
donde $H_{\text{eff}} = V \Lambda V^\top$ es un operador hermítico (simétrico) aprendido. Los estados de puntero son los autovectores de $H_{\text{eff}}$ , y los coeficientes $\lambda_m$ son sus autovalores.

Pruebas Teóricas

Aproximación Universal: El autor demuestra, mediante el teorema de Stone–Weierstrass, que la SBIU es un aproximador universal para funciones continuas en intervalos compactos, siempre que la dimensión $d$ sea suficientemente grande.
Redundancia de Canales de Decoherencia: Una contribución teórica clave es la demostración (Teorema 1) de que aumentar la SBIU con canales de decoherencia preservadores de la traza (operadores de Kraus) que son diagonales en la base de medida es matemáticamente redundante. La proyección de medida induce un colapso algebraico donde los parámetros de ruido desaparecen, produciendo el mismo resultado que la forma mínima de proyección y cuadrado. Esto elimina la necesidad de simulaciones de ruido de inspiración cuántica complejas e inestables.

La Arquitectura de Cuello de Botella Espectral

Para validar el poder de agrupamiento de la unidad, el autor construye el SBI-Bottleneck, una arquitectura minimalista end-to-end diferenciable. Toma ventanas de series temporales multivariantes, aplica una proyección lineal, normaliza el estado y lo pasa a través de una única SBIU. La unidad se entrena utilizando una pérdida de predicción de siguiente paso autosupervisada (MSE) sin ninguna etiqueta de régimen.

3. Contribuciones Clave

Definición y Caracterización: Definición matemática rigurosa de la SBIU, incluyendo pruebas de sus capacidades de aproximación universal y la redundancia de los canales de decoherencia de la diagonal.
Arquitectura de Cuello de Botella Espectral: Una nueva arquitectura que aprovecha las SBIUs para el descubrimiento de regímenes no supervisado en series temporales multivariantes.
Validación Sintética: Demostración en un oscilador de régimen oculto de que la SBIU no solo segmenta los datos con precisión, sino que aprende estados de puntero que corresponden exactamente a las frecuencias generadoras conocidas.
Validación Clínica: Aplicación exitosa a datos fisiológicos reales (EEG y ECG), mostrando la capacidad de aislar autónomamente regímenes patológicos (convulsiones epilépticas y arritmias ventriculares) en estados ortogonales mutuamente excluyentes sin etiquetas supervisadas.

4. Resultados Experimentales

Oscilador de Régimen Oculto Sintético

El modelo fue probado en una serie temporal que cambia entre tres regímenes (osciladores de 2 Hz, 3 Hz y 5 Hz).

Rendimiento: El SBI-Bottleneck logró un Índice de Rand Ajustado (ARI) de 0.6857, superando a los Perceptrones Multicapa (MLP, ARI 0.6662) no restringidos, a las KANs de Spline (ARI 0.6459) y a las KANs de Fourier (ARI 0.1827).
Interpretabilidad: Los vectores de la base aprendida se alinearon perfectamente con las frecuencias generadoras. Las restricciones de ortogonalidad obligaron al modelo a descomponer la señal en componentes espectrales independientes y no solapados, mientras que los modelos no restringidos produjeron representaciones entrelazadas.
Robustidad: La SBIU mantuvo fronteras de régimen estables bajo un aumento de ruido Gaussiano, mientras que las bases no restringidas sufrieron un colapso de representación.

Validación Clínica del Mundo Real

EEG (Reconocimiento de Convulsiones Epilépticas):

El modelo aisló autónomamente las convulsiones epilépticas con una pureza >90% (específicamente 90.3% para el Mundo 7 en el experimento primario d=10, y 93.6% para el Mundo 11 en el análisis de sub-régimen refinado d=12) sin etiquetas.
Identificó con éxito estados de "Ojos Cerrados" mediante ritmos de ondas Alfa (8–12 Hz) y distinguió áreas con tumores/saludables de los estados base.
La arquitectura de forma natural dispersó la representación, llevando a cero las dimensiones no utilizadas.

ECG (Conjunto de Datos de Arritmia MIT-BIH):

La SBIU aisló latidos ectópicos ventriculares y latidos no clasificados en un único eje de coordenadas (Mundo 3) y los latidos de fusión en otro (Mundo 7).
Validación Morfológica: La separación de arritmias del modelo se alineó con los diagnósticos clínicos. Los latidos cardíacos dirigidos al "mundo de la arritmia" exhibieron un complejo QRS ensanchado (ancho medio de 46.89 muestras frente a 8.85 para latidos normales), coincidiendo con la firma fisiológica de los latidos ectópicos ventriculares.

5. Significado y Reivindicaciones

El artículo afirma que la SBIU demuestra que las fuertes restricciones geométricas —específicamente la ortogonalidad, las combinaciones convexas y una base de autovectores aprendida— pueden proporcionar una alternativa totalmente interpretable a las redes neuronales tradicionales sin sacrificar el poder de expresión.

Interpretabilidad sin Etiquetas: La arquitectura descubre e aísla autónomamente regímenes patológicos en datos fisiológicos, proporcionando un "panel de control transparente" de la dinámica del sistema donde los vectores de la base corresponden a frecuencias físicas o características morfológicas.
Eficiencia: La SBIU actúa como un regularizador de pocos parámetros. Alcanzó su máximo rendimiento con la capacidad geométrica mínima requerida ( $d=6$ para 3 frecuencias), mientras que los modelos no restringidos requirieron el doble de dimensiones para lograr una segmentación comparable.
Claridad Teórica: Al demostrar la redundancia de los canales de decoherencia diagonal, el trabajo simplifica el aprendizaje automático de inspiración cuántica, eliminando trampas de optimización y parámetros innecesarios, manteniendo al mismo tiempo los beneficios de la activación por la regla de Born.

El autor concluye que la SBIU ofrece un marco riguroso para el descubrimiento de regímenes, cerrando la brecha entre la aproximación de funciones de alto rendimiento y la visión científica legible por humanos, particularmente en dominios gobernados por leyes físicas de propagación de ondas y resonancia armónica.