Take It or Leave It: Intent-Controlled Partial Optimal Transport

Questo articolo introduce il Trasporto Ottimale Parziale Controllato dall'Intento (IC-POT), un nuovo quadro concettuale che generalizza il trasporto ottimale parziale sostituendo il rifiuto globale della massa con costi di rifiuto puntuali, guidati dall'intento e basati su informazioni secondarie, consentendo così un abbinamento più strutturato e affidabile in applicazioni come l'apprendimento positivo-non etichettato e l'analisi di dati satellitari multimodali.

L'essenziale

Immagina di dover accoppiare due diversi gruppi di persone per un ballo. Un gruppo è la "Sorgente" (diciamo, ballerini di New York) e l'altro è la "Destinazione" (ballerini di Londra).

Il Vecchio Metodo (Trasporto Ottimale Standard):
Tradizionalmente, la regola era rigida: Ogni singolo ballerino deve trovare un partner. Anche se un ballerino di New York indossa un naso da pagliaccio e un ballerino di Londra indossa un tutù, l'algoritmo li costringe ad accoppiarsi solo per far corrispondere i numeri. Questo spesso porta ad accoppiamenti sciocchi e forzati che non hanno senso.

Il Metodo "Parziale" (Soluzioni Precedenti):
In seguito, i ricercatori dissero: "Ok, possiamo lasciare alcune persone senza accoppiamento". Ma lo fecero con un budget globale. Immagina un manager che dice: "Possiamo lasciare il 10% dei ballerini ai margini". Al manager non importa chi viene escluso; gli serve solo che il numero totale sia il 10%. Se il 10% escluso capita di essere i migliori ballerini, l'accoppiamento viene rovinato. Il sistema manca di sfumature.

Il Nuovo Metodo (IC-POT - "Prendilo o Lascialo"):
Questo articolo introduce il Trasporto Ottimale Parziale Controllato dall'Intento (IC-POT). Invece di un budget globale, assegna a ogni singolo ballerino un prezzo di "rifiuto" personale.

Pensaci come a un buttafuori di un locale, ma il buttafuori è diverso per ogni persona:

• La Regola "Prendilo": Se un ballerino è affidabile, ben vestito e si adatta all'atmosfera, il suo "prezzo di rifiuto" è alto. L'algoritmo pensa: "Costa troppo escludere questa persona, quindi dobbiamo provare a trovarle un partner".
• La Regola "Lascialo": Se un ballerino è chiaramente fuori luogo (magari è un pagliaccio in un ballo formale, o i suoi dati sono rumorosi), il suo "prezzo di rifiuto" è basso. L'algoritmo pensa: "È economico lasciare questa persona ai margini, quindi lo faremo".

Come Funziona nella Realtà (Gli Esempi dell'Articolo)

Gli autori dimostrano che questo funziona in tre scenari specifici:

1. Il "Gioco di Indovinelli" (Apprendimento Positivo-Non Etichettato)
Immagina di dover trovare tutti i gatti in una foto, ma hai solo poche foto di gatti etichettate e un enorme mucchio di foto non etichettate (alcuni gatti, alcuni cani).

• Il Problema: Alcuni gatti sono nascosti nelle ombre (difficili da vedere), mentre altri sono luminosi e chiari. Un metodo "parziale" standard potrebbe scartare i gatti nell'ombra perché cerca di essere efficiente.
• La Soluzione IC-POT: Il sistema sa che le aree "ombreggiate" sono solo difficili da vedere, non necessariamente "non gatti". Mette un prezzo alto sul rifiuto dei gatti nell'ombra. Li mantiene nell'accoppiamento. Mette un prezzo basso sui cani ovvi. Il risultato? Trova più gatti senza confondersi con i cani.

2. La "Barriera Linguistica" (Adattamento di Dominio Parziale Aperto)
Immagina di insegnare a un computer a riconoscere oggetti in foto di un nuovo paese. Alcuni oggetti esistono in entrambi i paesi (auto, alberi), ma alcuni esistono solo nel nuovo paese (animali locali unici).

• Il Problema: Il computer potrebbe cercare di forzare un accoppiamento tra un animale locale e un'auto perché è disperato per accoppiare tutti.
• La Soluzione IC-POT: Il sistema guarda la "fiducia" dell'accoppiamento. Se un animale locale è molto fiducioso nella propria identità ma non ha un accoppiamento nel vecchio paese, il sistema gli assegna un basso prezzo di rifiuto. Dice: "Lascia questo animale senza accoppiamento; non appartiene alla vecchia lista". Ma se un'auto è chiaramente un'auto, il prezzo per rifiutarla è alto, quindi viene accoppiata.

3. La "Vista sull'Oceano" (Dati Geofisici)
Questo è l'esempio più visivo. Gli autori hanno confrontato due diverse telecamere satellitari che osservano le onde oceaniche.

• Il Problema: Una telecamera (SWIM) vede le onde chiaramente ma riceve "statico" (rumore) in certe direzioni. L'altra telecamera (SAR) vede bene le onde ma diventa "sfocata" in altre direzioni a causa della fisica.
• La Soluzione IC-POT: Il sistema utilizza la conoscenza fisica come prezzo di rifiuto.
  • Se un'onda è sfocata nella Telecamera A ma chiara nella Telecamera B, il sistema dice: "Questa è un'onda reale, ma la Telecamera A sta solo avendo una brutta giornata. Non rifiutarla." (Alto prezzo per rifiutare).
  • Se un'onda è chiara nella Telecamera A ma sembra "statico" nella Telecamera B, il sistema dice: "La Telecamera B sta solo vedendo rumore. Rifiuta questo accoppiamento." (Basso prezzo per rifiutare).
  • Risultato: Otteniamo una mappa perfetta delle onde ignorando i specifici "glitch" di ciascuna telecamera, invece di cercare di forzare un accoppiamento tra un'onda reale e un glitch.

La Grande Conclusione

L'articolo sostiene che non tutti gli errori di accoppiamento sono creati uguali.

• Metodo Vecchio: "Rifiutiamo il 10% dei dati in modo casuale o basato su una regola semplice".
• IC-POT: "Guardiamo ogni singolo pezzo di dati individualmente. Se è affidabile, lo teniamo. Se è inaffidabile o rumoroso, lo lasciamo fuori. Decidiamo questo basandoci su indizi specifici (come ombre, punteggi di fiducia o fisica del sensore) disponibili per quel specifico pezzo di dati".

Trasforma la decisione di "cosa scartare" da uno strumento ottuso a uno strumento preciso e intelligente.

Sommario tecnico

Riepilogo Tecnico: Trasporto Ottimo Parziale Controllato dall'Intento (IC-POT)

Enunciato del Problema

Il Trasporto Ottimo (OT) classico impone un vincolo rigido in cui tutta la massa sorgente deve essere trasportata e tutta la massa target deve essere spiegata. Questa assunzione di "piena partecipazione" porta spesso a corrispondenze artificiali o a trasferimenti negativi quando si confrontano distribuzioni in cui solo un sottoinsieme della massa è rilevante o affidabile.

Sebbene il Trasporto Ottimo Parziale (POT) rilassi questo vincolo permettendo alla massa di rimanere non associata, le formulazioni esistenti si basano tipicamente su meccanismi di controllo globale. Questi includono un budget scalare di massa trasportata, un rimborso scalare uniforme o penalità marginali globali. Questi meccanismi controllano quanto massa viene rifiutata, ma non quali punti specifici dovrebbero essere protetti o scartati. Di conseguenza, non riescono ad affrontare applicazioni in cui la decisione di lasciare la massa non associata dipende dall'affidabilità specifica del lato, dalla geometria del supporto o da informazioni esterne (ad esempio, bias di campionamento nell'apprendimento Positivo-Non Etichettato, confidenza nell'Adattamento di Dominio o artefatti specifici del sensore in geofisica).

Metodologia: IC-POT

Gli autori introducono il Trasporto Ottimo Parziale Controllato dall'Intento (IC-POT), una generalizzazione mirata del POT che sostituisce il paradigma di rifiuto globale con costi di rifiuto puntuali su entrambe le misure sorgente e target.

Formulazione

Dati i supporti discreti $X = \{x_i\}$ e $Y = \{y_j\}$ con masse $\mu$ e $\nu$, e una matrice di costo di trasporto $C$, l'IC-POT introduce variabili di slack $u$ (massa sorgente non associata) e $v$ (massa target non associata). Il problema di ottimizzazione è:

$$\min_{P, u, v} \langle C, P \rangle + \langle c_s, u \rangle + \langle c_t, v \rangle$$
soggetto a:
$$P\mathbf{1} + u = \mu, \quad P^\top\mathbf{1} + v = \nu, \quad P, u, v \geq 0$$

Qui, $c_s \in \mathbb{R}^n_+$ e $c_t \in \mathbb{R}^m_+$ sono costi puntuali di non associazione. A differenza dei rimborsi globali, questi costi prezzano l'alternativa locale di lasciare specifica massa non associata direttamente sui supporti originali.

Proprietà Strutturali

Il documento stabilisce diverse proprietà teoriche chiave:

1. Forma Lagrangiana Ridotta: Il problema è equivalente alla minimizzazione di $\sum_{i,j} (C_{ij} - c_s(i) - c_t(j))P_{ij}$ su sottaccoppiamenti, sostituendo efficacemente il rimborso scalare del POT classico con un rimborso separabile e puntuale.
2. Interpretazione Duale: La formulazione duale rivela che $c_s(i)$ e $c_t(j)$ agiscono come soglie di accettazione locali (tetti) per le variabili duali. Un punto viene rifiutato se la sua variabile duale raggiunge questo tetto.
3. Ammessibilità e Sparsità: Un arco $(i, j)$ può essere attivo solo in un piano di trasporto ottimale se $C_{ij} \leq c_s(i) + c_t(j)$. Questo fornisce una regola esatta, pre-calcolata, per la potatura del grafo di trasporto, garantendo la sparsità basata sui costi di rifiuto specifici.
4. Equivalenza con Supporto Augmentato: L'IC-POT può essere riscritto come un problema OT di Kantorovich bilanciato standard su un supporto augmentato (aggiungendo un punto fittizio a ogni margine), dimostrando la ben posedness all'interno del framework OT discreto.

Contributi Chiave

Il documento rivendica tre contributi principali:

1. Modellazione Esplicita del Comportamento Non Associato: Rende la politica di non associazione un oggetto esplicito nella formulazione tramite variabili di slack sui supporti originali, piuttosto che un risultato implicito di vincoli globali.
2. Caratterizzazione Teorica: Caratterizza il problema come una generalizzazione separabile a rimborso puntuale del trasporto parziale Lagrangiano, stabilendo tetti duali, regole di ammissibilità sparsa e una separazione netta dal POT parziale a costo costante (dimostrata tramite controesempi in cui i costi puntuali rompono le simmetrie preservate dalle regole uniformi).
3. Validazione Empirica: Dimostra che l'integrazione di regole di rifiuto puntuali guidate da informazioni laterali migliora le prestazioni in compiti in cui il rifiuto è strutturato, specificamente nell'apprendimento Positivo-Non Etichettato (PU), nell'Adattamento di Dominio Parziale Aperto (OPDA) e nel confronto di segnali geofisici.

Risultati Sperimentali

1. Apprendimento Positivo-Non Etichettato (PU)

Nell'apprendimento PU, l'obiettivo è associare i positivi etichettati a un pool non etichettato contenente sia positivi latenti che negativi.

• Configurazione: Gli autori simulano scenari "Selezionati a Caso" (SAR) in cui i campioni positivi sono sottosservati in certe regioni (frange) a causa di un bias di selezione dipendente dalle covariate.
• Risultato: Una baseline POT parziale a costo costante (rifiuto uniforme) non riesce a proteggere queste regioni di frangia sottosservate, trattandole come negativi. L'IC-POT, utilizzando un profilo di costo lato-sorgente che codifica il bias di selezione (rendendo il rifiuto costoso nelle frange a bassa osservazione), supera significativamente la baseline.
• Metriche: In regimi eterogenei, l'IC-POT ha raggiunto un punteggio F1 di 0.86 rispetto a 0.52 per la baseline a costo costante.

2. Adattamento di Dominio Parziale Aperto (OPDA)

Nell'OPDA, il dominio target contiene classi sconosciute che dovrebbero essere rifiutate.

• Configurazione: Utilizzando un backbone fisso di distillazione CLIP, gli autori hanno modificato solo il livello finale di rifiuto. Hanno confrontato una baseline parziale-W uniforme contro due varianti IC-POT: una che utilizza entropia posteriore (proteggendo i campioni a bassa entropia) e una che utilizza supporto di prototipi (proteggendo i campioni con accordo coerente nel vicinato locale).
• Risultato: Entrambe le varianti IC-POT hanno migliorato la baseline uniforme su più dataset (Office-31, Office-Home, VisDA, DomainNet). La variante supporto-di-prototipi ha ottenuto i guadagni più alti su dataset localmente coerenti (ad esempio, 95.12 H-score su Office-31 contro 94.08 per partial-W).
• Risultato: I risultati suggeriscono che, una volta fissata la rappresentazione, i guadagni di prestazioni dipendono dal modellare il rifiuto come una politica dipendente dalla struttura piuttosto che come una regola scalare uniforme.

3. Caso di Studio Geofisico: Spettri di Onde Oceaniche SWIM/SAR

Questo esperimento affronta il confronto di spettri di onde oceaniche recuperati da due sensori diversi (SWIM e SAR) con artefatti distinti.

• Contesto: Gli spettri SAR soffrono di "taglio azimutale" (spostamento dell'energia), mentre gli spettri SWIM soffrono di "speckle" (settori direzionali inaffidabili). L'obiettivo è confrontare solo sistemi di onde fisicamente coerenti.
• Metodo: L'IC-POT utilizza costi specifici per lato derivati da priori fisici: proteggere la massa SAR spostata dal taglio (se supportata da SWIM) mentre espone la massa dominata dallo speckle o non supportata al rifiuto.
• Risultato: L'IC-POT ha recuperato energia ondosa comparabile (0.993) a una baseline globale ad alto prezzo, ma ha ridotto il trasporto spurio di un fattore 7 (0.031 contro 0.236).
• Significato: A differenza di una regola scalare che forza un compromesso tra il recupero di sistemi comuni e il rifiuto di artefatti, l'IC-POT permette alla politica di rifiuto di essere definita dalla natura fisica dei dati stessi.

Significato e Limitazioni

Il documento sostiene che l'IC-POT è significativo perché sposta il paradigma del trasporto parziale da "quanto rifiutare" a "cosa rifiutare". Rendendo la politica di non associazione una variabile esplicita e puntuale, permette a conoscenze specifiche del dominio (bias di campionamento, confidenza, priori fisici) di informare direttamente il piano di trasporto.

Limitazioni riconosciute dagli autori:

• Specificazione: Le funzioni di non associazione ($c_s, c_t$) devono essere specificate dall'utente in base alle informazioni laterali disponibili o ai diagnostici. Il documento non propone un metodo per apprendere automaticamente queste funzioni dai dati, sebbene lo suggerisca come direzione futura (ad esempio, tramite ottimizzazione bilevel).
• Scalabilità: Sebbene il solver sparso sia esatto, applicazioni su larga scala potrebbero richiedere ulteriori approssimazioni.
• Regolarizzazione: Gli autori notano che la regolarizzazione entropica standard (Sinkhorn) non si applica direttamente alla formulazione con supporto augmentato senza alterare l'obiettivo (introducendo un bias sulla massa totale trasportata) o creando disallineamenti di scala tra punti fittizi e reali. Pertanto, l'IC-POT non è una sostituzione immediata per i solver OT entropici standard.

In conclusione, l'IC-POT fornisce un framework flessibile per il rifiuto strutturato nel trasporto ottimo, dimostrando che codificare informazioni laterali nei costi di rifiuto puntuali produce prestazioni superiori in compiti in cui la decisione "non associata" è intrinsecamente non uniforme.