📊 statistics

Geometry-Aware Bayesian Quantification via Compositional Data Analysis

Cet article introduit une méthode de quantification bayésienne sensible à la géométrie qui exploite les représentations en log-rapport et la géométrie d'Aitchison pour remédier aux limitations des noyaux euclidiens dans la modélisation des posteriors de classifieurs, améliorant ainsi l'adaptation au décalage de labels et l'estimation de la prévalence à travers divers domaines de données.

Auteurs originaux : Alejandro Moreo, Pablo González, Juan José del Coz

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Alejandro Moreo, Pablo González, Juan José del Coz

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de comprendre la composition d'une foule que vous ne pouvez pas voir directement. Vous avez une « boule de cristal » (un modèle d'apprentissage automatique) qui observe les gens et devine leur profession. Parfois, la boule de cristal est très confiante (« C'est certainement un médecin ! »), et parfois, elle hésite (« Peut-être une infirmière, peut-être une enseignante ? »).

Le problème est que la foule que vous observez en ce moment (les données de test) pourrait avoir un mélange de professions différent de la foule sur laquelle la boule de cristal a été entraînée. Par exemple, la foule d'entraînement comptait 50 % de médecins, mais la nouvelle foule en compte 90 %. C'est ce qu'on appelle le Décalage de Label (Label Shift).

Votre objectif est la Quantification : vous n'avez pas besoin de deviner le métier de chaque personne ; vous devez simplement estimer avec précision le pourcentage de médecins, d'infirmières et d'enseignants dans la nouvelle foule.

Le Problème : L'erreur de la « Carte Plate »

L'article soutient que la plupart des méthodes actuelles pour résoudre ce problème utilisent une « carte plate » pour naviguer dans un « monde courbe ».

Le Monde Courbe (Le Simplex) : Les probabilités que votre boule de cristal vous donne (par exemple, 80 % Médecin, 20 % Infirmière, 0 % Enseignant) s'additionnent toujours pour atteindre 100 %. En mathématiques, cela s'appelle un Simplex. Imaginez cela comme une feuille de papier triangulaire. Vous ne pouvez pas sortir du papier ; si vous augmentez le pourcentage de Médecins, vous devez diminuer le pourcentage d'Infirmières ou d'Enseignants. Ils sont liés les uns aux autres.
La Carte Plate (L'Espace Euclidien) : Les méthodes standards traitent ces probabilités comme des points sur une grille plate (comme un graphique X-Y standard). Elles utilisent un « noyau gaussien », qui est essentiellement une courbe en cloche.
L'Erreur : Si vous dessinez une courbe en cloche sur une grille plate près du bord de votre papier triangulaire, la moitié de cette courbe déborde en dehors du papier. En mathématiques, cela attribue une probabilité à des choses impossibles (comme avoir -5 % de Médecins ou 110 % de Médecins). Cette « fuite » rend les calculs désordonnés et imprécis, surtout lorsque la boule de cristal est très confiante (ce qui pousse les données directement contre les bords du triangle).

La Solution : Une Nouvelle Boussole et un Filet de Sécurité

Les auteurs proposent une nouvelle façon de faire ces calculs qui respecte la forme du triangle.

1. La Nouvelle Boussole (Analyse de Données Compositionnelles) :
Au lieu d'utiliser une grille plate, ils utilisent une transformation mathématique spéciale (appelée log-ratio) qui transforme la feuille de papier triangulaire en une surface plate sans la déchirer ni la faire déborder. C'est comme déplier une carte de la Terre pour que les distances et les angles fassent sens les uns par rapport aux autres. Cela leur permet de dessiner leurs « courbes en cloche » (noyaux) de manière à rester parfaitement à l'intérieur du triangle.

2. Le Filet de Sécurité (Shrinkage/Rétrécissement) :
Il y a un bémol. Lorsque la boule de cristal est trop confiante (disant 99,9 % Médecin), les calculs sur cette nouvelle carte peuvent devenir instables et vacillants près des bords très fins.
Pour corriger cela, les auteurs ajoutent un « filet de sécurité » appelé Shrinkage. Imaginez tirer chaque point du triangle légèrement vers le centre.

Si le point est au bord extrême (99,9 % Médecin), le filet de sécurité le tire un peu en arrière vers (95 % Médecin).
Cela empêche les mathématiques de s'effondrer aux bords.
Crucialement, ils ajustent le « niveau de zoom » (bande passante) de leurs courbes en cloche afin que ce mouvement de traction ne déforme pas le résultat final. C'est comme dézoomer juste assez pour que les points reculés représentent toujours la foule originale avec précision.

Le Résultat : Une Boule de Cristal Bayésienne

En combinant cette nouvelle carte de « monde courbe » avec le « filet de sécurité », les auteurs créent un système capable de faire deux choses :

Estimation Ponctuelle : Donner une seule meilleure estimation de la composition de la foule (ex: « C'est 85 % de Médecins »).
Inférence Bayésienne : Fournir une plage de réponses probables avec un niveau de confiance (ex: « C'est probablement entre 80 % et 90 % de Médecins »). C'est comme si le détective disait : « Je suis assez sûr, mais voici la marge d'erreur ».

Ce que les Expériences Montrent

L'équipe a testé cette méthode sur 42 ensembles de données différents (textes, images et feuilles de calcul).

Précision : Leur méthode était systématiquement meilleure que les anciennes méthodes de « carte plate », surtout lorsque les données se trouvaient près des bords (prédictions à haute confiance).
Robustesse : Sans le « filet de sécurité » (shrinkage), la nouvelle méthode échouait parfois de manière spectaculaire sur certains jeux de données. Avec le filet de sécurité, elle est devenue fiable.
Incertitude : Leur méthode fournissait de meilleurs intervalles de confiance que les autres méthodes bayésiennes, ce qui signifie qu'elle était plus apte à indiquer quand elle était incertaine.

En Résumé

L'article dit : « Arrêtez d'essayer de mesurer un système triangulaire et interconnecté avec une règle plate et indépendante. Utilisez une carte conçue pour les triangles, mais ajoutez un filet de sécurité pour éviter que les mathématiques ne se brisent aux bords. Cela vous donne des estimations plus précises de la démographie des foules et une meilleure perception de votre degré de certitude concernant ces estimations. »

Résumé Technique : Quantification Bayésienne Sensible à la Géométrie via l'Analyse de Données Compositionnelles

1. Énoncé du Problème

L'article traite du problème de la quantification (ou estimation de la prévalence des classes) sous décalage de labels (label shift). Dans ce cadre, un classifieur entraîné sur une distribution source $P_s$ doit estimer la distribution de classes inconnue $P_t(Y)$ d'un domaine cible, en supposant que la distribution conditionnelle des caractéristiques étant donné les labels reste invariante ( $P_s(X|Y) = P_t(X|Y)$ ).

Alors que de nombreuses méthodes opèrent directement sur les probabilités a posteriori des classifieurs, les auteurs identifient un décalage géométrique fondamental dans les approches existantes basées sur des densités continues (plus précisément, les quantificateurs basés sur l'estimation par noyau de densité ou KDE, comme KDEy). Les vecteurs de probabilités a posteriori résident sur le simplex de probabilité ( $\Delta^{K-1}$ ), ce qui constitue des données compositionnelles. L'estimation par noyau de densité (KDE) standard repose sur des noyaux gaussiens euclidiens, qui ignorent la structure relative des compositions. Cela conduit à deux problèmes critiques :

Violation des Frontières : Les noyaux euclidiens assignent une masse de probabilité non nulle en dehors des frontières du simplex.
Distorsion de la Géométrie : La distance euclidienne ne respecte pas la nature relative des compositions, ce qui peut distordre les relations de similitude entre les vecteurs a posteriori.

Ce décalage est particulièrement sévère près des frontières du simplex, là où les prédictions de classifieurs confiantes (fréquentes dans les contextes réels, notamment avec les réseaux de neurones) se concentrent.

2. Méthodologie

La solution proposée intègre l'analyse de données compositionnelles (CoDA) avec l'inférence bayésienne et une nouvelle régularisation par contraction (shrinkage regularization).

A. Représentation Sensible à la Géométrie
Au lieu de modéliser les densités dans l'espace euclidien ambiant, la méthode transforme les vecteurs a posteriori $p$ en coordonnées de rapport logarithmique à l'aide de la transformation du Log-Ratio Centré (CLR) :
$\phi(p) = \left( \log \frac{p_1}{g(p)}, \dots, \log \frac{p_K}{g(p)} \right)$
où $g(p)$ est la moyenne géométrique des composantes. Cela projette le simplex vers un sous-espace de somme nulle de $\mathbb{R}^K$ , permettant une estimation de densité cohérente avec la géométrie d'Aitchison.

B. Régularisation par Contraction (Shrinkage)
Les auteurs notent que les transformations de rapport logarithmique naïves deviennent instables près de la frontière du simplex (lorsque les composantes tendent vers zéro). Pour atténuer cela, ils introduisent une transformation de contraction $T_\lambda$ :
$T_\lambda(p) = (1-\lambda)p + \lambda u$
où $u = (1/K, \dots, 1/K)$ est le barycentre et $\lambda \in [0, 1)$ .

Effet : Cela contracte le simplex effectif vers le centre, garantissant que les compositions transformées restent éloignées de zéro.
Ajustement de la Fenêtre (Bandwidth) : La contraction resscale uniformément les distances dans l'hyperplan du simplex par $(1-\lambda)$ . Par conséquent, la fenêtre effective est ajustée à $h_{eff} = (1-\lambda)h$ pour préserver les niveaux de lissage.
Justification Théorique : À mesure que $\lambda \to 1$ , la transformation linéarise la carte CLR près du barycentre, régularisant la géométrie sans faire s'effondrer le modèle en un KDE euclidien standard.

C. Formulation Bayésienne
La méthode formule la quantification comme un problème d'estimation de densité de mélange. La vraisemblance du vecteur de prévalence cible $\pi$ étant donné les a posteriori observés $P$ est dérivée. Crucialement, le terme jacobien résultant du changement de variables (du simplex vers l'espace des rapports logarithmiques) est indépendant de $\pi$ . Cela permet une inférence bayésienne pratique :
$p(\pi | P) \propto p(\pi) \prod_{i=1}^n \left( \sum_{k=1}^K \pi_k f_k^h(z^{(i)}) \right)$
où $z^{(i)} = \phi(T_\lambda(p^{(i)}))$ et $f_k^h$ sont les densités conditionnelles de classe estimées dans l'espace transformé. Cette formulation permet l'estimation ponctuelle (via le maximum de vraisemblance) ainsi que l'inférence bayésienne complète (via l'échantillonnage, par exemple NUTS) sur les prévalences de classe.

3. Contributions Clés

KDE Sensible à la Géométrie : Le premier quantificateur basé sur la KDE qui respecte la géométrie du simplex des probabilités a posteriori en utilisant des transformations de rapport logarithmique et la géométrie d'Aitchison.
Régularisation par Contraction : Un mécanisme novateur pour stabiliser la modélisation par rapport logarithmique près des frontières du simplex, évitant l'instabilité numérique tout en préservant la structure compositionnelle.
Cadre Bayésien pour la KDE : Une dérivation rigoureuse de l'inférence bayésienne pour les quantificateurs basés sur la KDE, surmontant les limitations précédentes où de telles formulations étaient restreintes aux modèles discrétisés (histogrammes) ou aux problèmes binaires.
Validation Empirique : Une évaluation complète sur 42 jeux de données (tabulaires, textuels et d'images) démontrant des performances compétitives par rapport aux estimateurs ponctuels de pointe et des résultats supérieurs parmi les méthodes de quantification bayésienne.

4. Résultats Expérimentaux

Les auteurs ont évalué la méthode (notée KDEy(Ait- $\lambda$ ) pour l'estimation ponctuelle et Bayes-KDEy(Ait- $\lambda$ ) pour l'inférence bayésienne) contre des bases de référence incluant CC, PCC, BBSE/ACC, MLLS/EMQ, et la KDE gaussienne standard (KDEy(Gau)).

Estimation Ponctuelle : La méthode proposée a obtenu le meilleur rang moyen tant en erreur absolue (AE) qu'en erreur de ratio de poids au carré (W) à travers toutes les modalités (tabulaire, texte, image). Elle a fréquemment surpassé la KDE gaussienne standard, particulièrement sur les jeux de données tabulaires et d'images.
Quantification de l'Incertitude : Dans le régime bayésien, la méthode a fourni une bonne couverture et des amplitudes d'intervalle raisonnables. Bien que Bayes-ACC ait montré des écarts de couverture brute légèrement meilleurs au prix d'intervalles plus larges et d'une estimation ponctuelle plus faible, les méthodes KDE proposées offraient le meilleur classement global agrégé.
Robustesse à la Sévérité du Décalage : La méthode a dominé dans les régimes de faible, moyen et haut décalage de labels, à l'exception de certains jeux de données textuels en décalage faible/moyen où d'autres méthodes bayésiennes ont légèrement mieux performé.
Performance aux Frontières : Dans les expériences où les prévalences cibles sont concentrées près de la frontière du simplex ( $\alpha_{test}=0.1$ ), la KDE d'Aitchison régularisée par contraction a nettement surpassé la KDE gaussienne euclidienne et les bases de référence par bootstrap, validant la nécessité de respecter la géométrie du simplex dans ces régimes.
Ablation : La suppression de la contraction ( $\lambda=0$ ) a entraîné des échecs marqués sur certains benchmarks, confirmant que la contraction n'est pas seulement une sécurité numérique mais un mécanisme adaptatif essentiel à la stabilité.

5. Signification et Revendications

L'article affirme que le respect de la géométrie du simplex des probabilités a posteriori est non seulement motivé par la théorie mais aussi bénéfique en pratique pour la quantification multiclasse. Les auteurs soutiennent que :

Les KDE euclidiennes standards introduisent des décalages géométriques qui mènent à des prédictions de prévalence biaisées ou instables, surtout près des frontières.
La représentation par rapport logarithmique régularisée par contraction comble le fossé entre les exigences théoriques de l'analyse de données compositionnelles et la praticité computationnelle requise par les pipelines d'apprentissage automatique.
La formulation bayésienne dérivée permet une quantification de l'incertitude rigoureuse pour les méthodes basées sur des densités continues, une capacité qui faisait défaut jusqu'alors dans le contexte multiclasse.

Les auteurs restent modestes quant aux limites, notant que l'approche actuelle repose sur une sélection par validation des paramètres de contraction et de fenêtre, et qu'un traitement bayésien complet de ces hyperparamètres reste une direction ouverte. Ils reconnaissent également que la méthode est actuellement spécifique au décalage de labels, les variantes de décalage de covariables étant laissées pour des travaux futurs.