Resumo Técnico: RECON – Descoberta Robusta de Simetria via Normalização Explícita de Orientação Canônica

1. Declaração do Problema

Dados do mundo real frequentemente exibem simetrias específicas de instância (por exemplo, rotações de moléculas ou dígitos) que não se alinham perfeitamente a um grupo de transformação pré-fixado $G$. Embora métodos de decomposição classe-pose (como Autoencoders Invariante-Equivariante, ou IE-AEs) visem separar as entradas em características de classe invariantes e uma pose $g \in G$, eles sofrem de uma limitação crítica: a representação canônica aprendida (a pose de referência) é arbitrária e dependente do treinamento.

Essa arbitrariedade leva a dois problemas principais:

1. Canônicos Fora da Distribuição (OOD): A pose canônica pode não corresponder a nenhuma pose natural observada nos dados.
2. Deslocamentos Arbitrários de Distribuição: As distribuições de pose relativa aprendidas por esses modelos são deslocadas pela orientação canônica arbitrária, obscurecendo as verdadeiras distribuições de simetria específicas de instância. Isso dificulta a descoberta das simetrias naturais dos dados ou a aplicação eficaz dessas representações no momento do teste sem retreinamento.

Métodos existentes para descoberta de simetria frequentemente exigem supervisão, aprendem apenas padrões em nível de conjunto de dados ou falham em fornecer uma distribuição clara e interpretável para cada instância individual.

2. Metodologia: RECON

Os autores propõem o RECON (Descoberta Robusta de Simetria via Normalização Explícita de Orientação Canônica), um framework que corrige canônicos arbitrários para produzir canonizações naturais e alinhadas aos dados. O método opera em três etapas principais:

A. Esqueleto de Decomposição Classe-Pose

O RECON aproveita métodos existentes de decomposição classe-pose (especificamente IE-AEs) que mapeiam uma entrada $x$ para:

• Um vetor latente invariante $z = \eta(x)$.
• Uma representação canônica arbitrária $\hat{x} = \delta(z)$.
• Uma transformação de grupo relativa (pose) $g = \psi(x)$ que mapeia $\hat{x}$ de volta para $x$.

B. Definição de Classe de Equivalência

Para descobrir simetrias específicas de instância sem rótulos, o RECON define uma classe de equivalência $[x]$ baseada na proximidade de características invariantes no espaço latente $Z$. Objetos com formas intrínsecas semelhantes mapeiam para pontos próximos em $Z$, formando componentes conectados que representam a mesma classe subjacente.

C. Normalização de Orientação Canônica

A contribuição central é a correção do deslocamento canônico arbitrário.

1. Estimação do Deslocamento: Para uma dada classe $[x]$, o método coleta as transformações relativas $\psi([x])$. Ele estima o deslocamento induzido pelo canônico arbitrário calculando a média de Fréchet (ou uma média robusta de Tukey-Fréchet para distribuições multimodais) dessas transformações, denotada como $\hat{\Gamma}[x]$.
2. Normalização: O método aplica uma translação à direita às transformações relativas: $\psi'(x) = \psi(x) \cdot \hat{\Gamma}[x]^{-1}$.
3. Resultado: Esta operação centraliza a distribuição de simetrias na identidade do grupo $e$, recuperando efetivamente a distribuição de pose "natural" $\mu[x]$, onde a média de Fréchet é $e$.

D. Mapeamentos Aprendíveis para Inferência

Para permitir inferência eficiente em dados não vistos sem cálculo explícito de classe, o RECON treina dois mapeamentos aprendíveis:

• $\Theta(x)$: Prevê os parâmetros da distribuição de simetria para uma entrada.
• $\Lambda(x)$: Prevê a transformação de centralização (o deslocamento) para uma entrada.
  Esses mapeamentos são treinados usando pseudo-rótulos gerados via o processo de normalização descrito acima.

3. Contribuições Principais

1. Descoberta de Simetria Específica de Instância: O artigo propõe um método para descobrir distribuições de pose para instâncias individuais a partir de dados não rotulados, indo além do aprendizado de simetria em nível de conjunto de dados.
2. Normalização de Orientação Canônica: Os autores introduzem uma correção fundamentada teoricamente (Proposição 3.1) que remove o viés de canônicos arbitrários. Eles provam que normalizar poses relativas via a média empírica de Fréchet aproxima a verdadeira distribuição de simetria centralizada na identidade.
3. Canonização Plug-and-Play no Momento do Teste: O método fornece uma camada que pode ser acoplada a qualquer modelo pré-treinado para infundir invariância de grupo sem retreinar o esqueleto.
4. Aplicações: O framework permite a descoberta não supervisionada de distribuições de pose específicas de instância, detecção de poses fora da distribuição e melhorias de desempenho em tarefas subsequentes.

4. Resultados Experimentais

Os autores validam o RECON em benchmarks de imagens 2D (MNIST, FashionMNIST) e dados moleculares 3D em larga escala (GEOM-QM9).

• Recuperação de Simetria: O RECON recupera com sucesso as distribuições de simetria verdadeiras (por exemplo, rotações uniformes para dígitos específicos, rotações Gaussianas para classes do FashionMNIST e distribuições de Fisher-Matrix para moléculas). Visualizações mostram que o RECON produz canônicos eretos e alinhados aos dados, enquanto baselines como o IE-AE produzem orientações arbitrárias.
• Simetrias Parciais: Ao contrário de métodos totalmente equivariantes que colapsam classes distintas (por exemplo, dígitos '6' e '9') na mesma representação, o RECON as distingue aprendendo deslocamentos distintos, identificando corretamente que elas estão relacionadas por uma rotação de $180^\circ$, mas possuem poses naturais diferentes.
• Desempenho em Tarefas Subsequentes:
  • Detecção OOD: O RECON alcança pontuações AUC-ROC mais altas na detecção de poses fora da distribuição em comparação com as baselines IE-AE não corrigidas.
  • Canonização no Momento do Teste: Quando aplicado como uma camada de pré-processamento a modelos pré-treinados congelados (por exemplo, ResNet18, GCN), o RECON melhora significativamente a precisão de classificação em conjuntos de teste rotacionados.
    • No FashionMNIST, o RECON (81,96%) supera tanto a baseline (57,14%) quanto arquiteturas equivariantes especializadas como SE(2)-Partial G-CNNs (67,72%).
    • No MNIST, ele iguala ou se aproxima do desempenho de Steerable CNNs totalmente equivariantes (90,96% vs 94,59% para SE(2)-ESCNN) sem exigir que o esqueleto seja equivariante.
    • No GEOM-QM9, ele melhora o desempenho da baseline GCN (55,92% vs 52,40%), demonstrando eficácia em domínios 3D.

5. Significado e Alegações

O artigo afirma que o RECON aborda o problema do "canônico arbitrário" inerente à decomposição classe-pose, que anteriormente prejudicava a interpretabilidade e a utilidade dessas representações. Ao normalizar explicitamente a orientação canônica, o RECON produz canonizações naturais e alinhadas aos dados que são robustas e interpretáveis.

Os autores enfatizam que sua abordagem é agnóstica à arquitetura e livre de retreinamento para modelos subsequentes. Ela permite que modelos pré-treinados ganhem invariância de grupo simplesmente inserindo uma camada de canonização, tornando-a uma solução prática "plug-and-play". O método é particularmente significativo para dados 3D (conformações moleculares), onde a descoberta de simetria é desafiadora e métodos existentes frequentemente falham em lidar com variações específicas de instância sem supervisão.

O artigo reconhece limitações, observando que o RECON depende da qualidade do esqueleto de decomposição classe-pose subjacente e pode ter dificuldades com sobreposição de características interclasse em imagens naturais complexas (por exemplo, distinguir itens de vestuário semelhantes). No entanto, posiciona o RECON como um passo fundamental em direção à descoberta robusta e não supervisionada de simetria e como uma ferramenta prática para melhorar a robustez do modelo contra variações de pose.