JANUS: Structured Bidirectional Generation for Guaranteed Constraints and Analytical Uncertainty

Each language version is independently generated for its own context, not a direct translation.

Immagina di dover creare un finto database di dipendenti per testare un nuovo software aziendale, ma con regole molto precise: nessuno può avere uno stipendio più basso di quello che ha chiesto, e l'età deve sempre essere coerente con gli anni di esperienza.

Se usi i metodi tradizionali di intelligenza artificiale (come i "generatori di dati sintetici" attuali), è come affidarsi a un cuoco molto veloce ma disattento:

Il problema della "Scommessa": Il cuoco prepara milioni di piatti (dati) sperando che alcuni rispettino le tue regole. Se vuoi un piatto specifico (es. "stipendio tra 50k e 80k"), il cuoco ne prepara 1000, ne butta via 990 perché non vanno bene, e ti dà solo uno. È lentissimo e spreca risorse.
Il problema della "Fiducia cieca": Il cuoco ti dice "è tutto a posto", ma non sai se sta mentendo o se è sicuro al 100%. Non ha un "termometro" per dirti quanto è incerto su certi dati.

JANUS è il nuovo "cuoco magico" che risolve questi problemi. Ecco come funziona, spiegato con metafore semplici:

1. La Mappa del Tesoro (La Struttura Causale)

Invece di buttare dati a caso, JANUS prima disegna una mappa delle relazioni.
Immagina di sapere che l'Età influenza l'Esperienza, e che l'Esperienza influenza lo Stipendio. JANUS disegna queste frecce (come un albero genealogico dei dati). Non indovina le regole, le impara o le prende da un esperto umano.

2. Il Trucco del "Riempimento Inverso" (Reverse-Topological Back-filling)

Questa è la vera magia.

Metodo vecchio (Scommessa): "Faccio uno stipendio a caso... oh, è troppo alto? Buttalo via e riprovo." (Lento, spreca tempo).
Metodo JANUS (Logica inversa): Tu dici: "Voglio uno stipendio di 60.000€". JANUS guarda la mappa e dice: "Ok, per avere 60.000€, l'esperienza deve essere tra 5 e 10 anni, e l'età tra 30 e 40".
- Invece di indovinare e scartare, JANUS lavora al contrario: parte dalla tua richiesta (il figlio) e "riempie" (back-fills) i dati dei genitori (età, esperienza) in modo che siano già perfetti per soddisfare la tua richiesta.
- Risultato: Non butta via mai nulla. Ogni dato che crea rispetta le regole al 100%, istantaneamente. È come se, invece di cercare un ago in un pagliaio, costruisse l'ago esattamente dove lo vuoi tu.

3. Il "Termometro della Certezza" (Analisi dell'Incertezza)

I metodi attuali sono come un oracolo che risponde "Forse sì, forse no" senza spiegarti perché.
JANUS ha un termometro interno che distingue due tipi di dubbi:

Dubbio "Rumore" (Aleatorico): "I dati sono naturalmente confusi qui" (es. due persone con lo stesso lavoro hanno stipendi diversi per caso). È un rumore che non si può eliminare.
Dubbio "Ignoranza" (Epistemico): "Non ho mai visto dati simili a questo, quindi non sono sicuro".
- Vantaggio: JANUS calcola questo termometro in un batter d'occhio (128 volte più veloce dei metodi attuali) senza dover fare migliaia di simulazioni. Se il termometro segna "alta ignoranza", sai che quel dato è una zona d'ombra da esplorare.

4. Perché è importante per il mondo reale?

Privacy: Puoi creare dati finti che sembrano reali al 100% (così gli statistici possono fare ricerche) ma che non contengono informazioni reali su persone vere.
Giustizia (Fairness): Puoi testare algoritmi di assunzione. JANUS può creare scenari dove "sai per certo" che c'è una discriminazione nascosta (es. "le donne ricevono offerte più basse a parità di CV") e vedere se il tuo software la rileva. Nessun altro metodo ti permette di creare questo "terreno di prova" controllato.
Velocità: Risparmia tempo e denaro. Non deve scartare milioni di dati per trovarne uno valido.

In sintesi

Immagina di dover costruire una casa.

I metodi attuali sono come lavoratori che lanciano mattoni a caso sperando che la casa stia in piedi, buttando via quelli che cadono.
JANUS è un architetto intelligente che, appena gli dici "voglio una porta qui", calcola istantaneamente dove devono essere le fondamenta e le travi per sostenere quella porta, costruendo tutto al primo colpo, senza scarti, e sapendo esattamente quanto è solida la struttura.

JANUS trasforma la generazione di dati da un "gioco di fortuna" in un processo di ingegneria preciso, veloce e sicuro.

Each language version is independently generated for its own context, not a direct translation.

1. Il Problema: Il "Quadrilemma" della Generazione di Dati Sintetici

Il paper identifica una sfida fondamentale nella generazione di dati sintetici per applicazioni ad alto rischio (come l'analisi della privacy, l'audit di equità e la simulazione scientifica). Esiste un "Quadrilemma" irrisolto che richiede di bilanciare simultaneamente quattro proprietà spesso in conflitto:

Fedeltà (Fidelity): Capacità di replicare accuratamente la distribuzione originale dei dati.
Controllo (Control): Capacità di imporre vincoli logici complessi (es. intervalli continui o relazioni inter-colonna come StipendioOfferto >= StipendioRichiesto).
Affidabilità (Reliability): Stima dell'incertezza (aleatoria ed epistemica) in modo interpretabile.
Efficienza (Efficiency): Basso costo computazionale.

Stato dell'arte attuale:

I modelli generativi profondi (CTGAN, TabDDPM) eccellono nella fedeltà ma falliscono nel controllo: richiedono un rejection sampling (campionamento per rigetto) inefficiente per i vincoli continui, che diventa esponenzialmente costoso quando i vincoli sono stretti.
I modelli causali strutturali (SCM) offrono controllo logico ma faticano con la fedeltà in alta dimensionalità e l'inversione del rumore complesso.
Le stime di incertezza (Ensemble, MC Dropout) sono computazionalmente proibitive (5-10x più lente) e spesso mancano di decomposizione teorica.

2. Metodologia: L'Architettura JANUS

JANUS (Joint Ancestral Network for Uncertainty and Synthesis) è un framework unificato che combina ragionamento causale e modelli probabilistici basati su alberi.

A. Rappresentazione dei Dati e Struttura

Grafo Aciclico Diretto (DAG): JANUS apprende o accetta un DAG che rappresenta le dipendenze condizionali tra le variabili.
Discretizzazione: Le variabili continue vengono discretizzate in bin tramite quantile binning. Questo trasforma il problema di stima della distribuzione congiunta in un problema discreto, permettendo l'uso della coniugazione Dirichlet-Multinomiale per aggiornamenti esatti.

B. Architettura Probabilistica: Alberi Decisionali Bayesiani Ibridi

Ogni nodo nel DAG è modellato da un Albero Decisionale Bayesiano. La novità chiave è il Criterio di Splitting Ibrido:

L'obiettivo di split non massimizza solo la predizione della variabile target $P(Y|X)$ (supervisionato), ma include anche un termine non supervisionato per massimizzare l'organizzazione della distribuzione delle variabili genitore $P(X|Y)$ .
Dual Storage (Archiviazione Duale): Ogni foglia dell'albero memorizza due informazioni:
1. Parametri Forward: Posteriori Dirichlet ( $\alpha$ ) per la predizione $P(Y|X)$ .
2. Statistiche Backward: Istogrammi empirici delle variabili genitore per ogni classe di output, permettendo il campionamento inverso $P(X|Y)$ .

C. Algoritmo Chiave: Reverse-Topological Back-filling

Questa è l'innovazione principale per il controllo dei vincoli. Invece di campionare in avanti e scartare i dati non validi (rejection sampling), JANUS propaga i vincoli all'indietro:

Fase Inversa (Backward): Partendo dai nodi vincolati (figli), l'algoritmo identifica quali valori dei nodi genitori (ancestri) possono soddisfare il vincolo. Utilizza gli istogrammi memorizzati nelle foglie per filtrare i domini validi dei genitori.
Intersezione dei Domini: Se un genitore ha più figli vincolati, l'algoritmo calcola l'intersezione dei domini validi.
Fase Diretta (Forward): Una volta fissati i valori dei genitori vincolati, si campiona in avanti lungo il DAG rispettando i vincoli rimanenti.

Risultato: Soddisfazione garantita al 100% dei vincoli fattibili senza rejection sampling, con complessità $O(d)$ rispetto a $O(1/p)$ del rejection sampling.

D. Quantificazione Analitica dell'Incertezza

JANUS sfrutta la coniugazione Dirichlet-Multinomiale per decomporre l'incertezza in modo analitico (formula chiusa), senza bisogno di ensemble o dropout:

Incertezza Aleatoria (Aleatoric): Rumore intrinseco nei dati (irriducibile).
Incertezza Epistemica (Epistemic): Ignoranza del modello dovuta a dati limitati (riducibile).
Questo calcolo è 128 volte più veloce rispetto ai metodi Monte Carlo.

3. Contributi Chiave

Criterio di Splitting Ibrido: Permette agli alberi di apprendere sia la distribuzione diretta che quella inversa, abilitando la propagazione dei vincoli.
Reverse-Topological Back-filling: Algoritmo che garantisce la soddisfazione dei vincoli con complessità lineare, eliminando la necessità di rejection sampling.
Decomposizione Analitica dell'Incertezza: Stima rapida e teoricamente fondata delle incertezze aleatorie ed epistemiche.
Benchmark Completo: Valutazione su 15 dataset e 523 scenari vincolati, dimostrando prestazioni all'avanguardia.

4. Risultati Sperimentali

Controllo e Causalità

Soddisfazione Vincoli: JANUS raggiunge un tasso di soddisfazione dei vincoli (CSR) del 100% su tutti i 523 esperimenti, inclusi vincoli inter-colonna complessi (es. StipendioOfferto >= StipendioRichiesto). I modelli basati su deep learning falliscono o richiedono tempi esponenziali su vincoli stretti.
Velocità: Fino a 49.6x più veloce rispetto ai metodi basati su rejection sampling (es. DCM) su vincoli difficili.
Validità Controfattuale: Su rumore non additivo (multiplicativo), JANUS riduce l'errore controfattuale di 18x - 47x rispetto a metodi basati su flussi (Flow-based) che soffrono di instabilità numerica nell'inversione.

Fedeltà e Robustezza

Qualità di Generazione: Ottiene un punteggio di rilevamento (Detection Score) di 0.497 (ideale 0.5), superando CTGAN, TVAE e TabDDPM, rendendo i dati sintetici indistinguibili da quelli reali.
Resistenza al Collasso delle Modalità (Mode Collapse): Su dati sbilanciati, JANUS mantiene un punteggio di preservazione della classe minoritaria (MCS) di 0.946 (vs 0.742 di CTGAN) con una varianza estremamente bassa, garantendo stabilità in applicazioni di equità.
Scalabilità: La complessità temporale scala quasi linearmente ( $O(n^{1.08})$ ) con il numero di nodi nel grafo.

Affidabilità ed Equità

Rilevamento Rumore: JANUS è l'unico metodo capace di distinguere correttamente tra rumore nei dati (aleatorio) e ignoranza del modello (epistemica), rilevando l'iniezione di rumore con un rapporto > 1.0, mentre i baselines falliscono.
Testbed per l'Equità: JANUS permette di iniettare bias causali con magnitudine nota, offrendo un ambiente di valutazione rigoroso per gli algoritmi di fairness, cosa impossibile con generatori "black box".

5. Significato e Impatto

JANUS risolve il compromesso storico tra controllo, fedeltà ed efficienza nella generazione di dati sintetici.

Rottura del "Trilemma": Dimostra che è possibile ottenere controllo garantito (100% vincoli) senza sacrificare la qualità dei dati o la velocità.
Interpretabilità: A differenza dei modelli deep learning, JANUS fornisce regole decisionali esplicite e una struttura causale interpretabile.
Applicazioni Critiche: Abilita l'uso sicuro di dati sintetici in ambiti ad alto rischio (finanza, sanità, giustizia) dove la garanzia dei vincoli logici e la stima dell'incertezza sono obbligatorie.
Nuovo Standard per la Fairness: Fornisce il primo testbed rigoroso per valutare e correggere i bias algoritmici, permettendo di testare scenari di discriminazione complessi (intersezionale, temporale) con ground truth noto.

In sintesi, JANUS sposta il paradigma dalla generazione di dati basata su "scatole nere" probabilistiche a un approccio strutturato, bidirezionale e garantito, rendendo la generazione di dati sintetici affidabile per applicazioni reali critiche.