Resumo Técnico: Métricas de Probabilidade Imprecisa Integral (IIPM)

1. Formulação do Problema

Quantificar diferenças entre distribuições de probabilidade é fundamental para a estatística e o aprendizado de máquina, principalmente para comparar incertezas estatísticas (aleatórias). No entanto, a teoria da probabilidade clássica, que depende de uma única medida aditiva, luta para representar a incerteza epistêmica (IE) — incerteza decorrente de conhecimento incompleto, ambiguidade ou "desconhecidos desconhecidos". Modelos clássicos frequentemente falham em distinguir entre ignorância genuína e indiferença, levando a problemas como excesso de confiança e generalização deficiente em sistemas de aprendizado de máquina.

Embora o Aprendizado de Máquina Probabilístico Impreciso (IPML) ofereça representações mais ricas (por exemplo, conjuntos credais, funções de crença, probabilidades inferiores/superiores) para modelar a IE, há uma falta de métricas estatísticas robustas para comparar esses modelos. Medidas de divergência existentes frequentemente carecem de um quadro teórico unificado ou falham em metrizar a convergência no espaço de modelos imprecisos. Além disso, quantificar a IE dentro de um único modelo impreciso permanece desafiador, com muitas medidas existentes carecendo de suporte axiomático rigoroso ou escalabilidade computacional.

2. Metodologia

2.1 Quadro Teórico: IIPM

Os autores introduzem a Métrica de Probabilidade Imprecisa Integral (IIPM), uma generalização das Métricas de Probabilidade Integral (IPMs) clássicas para o cenário de capacidades (funções de conjunto não aditivas).

• Fundamento Matemático: O quadro teórico aproveita a integração de Choquet para definir expectativas sobre capacidades, generalizando a integral de Lebesgue usada em IPMs padrão.
• Definição: Para uma classe de funções $\mathcal{F} \subseteq C_b(X)$ e duas capacidades $\nu, \mu$, a IIPM é definida como:
  $$\text{IIPM}_{\mathcal{F}}(\nu, \mu) := \sup_{f \in \mathcal{F}} \left| \int f d\nu - \int f d\mu \right|$$
  onde as integrais são integrais de Choquet.
• Propriedades: Os autores estabelecem que a IIPM é um pseudométrico no espaço de capacidades. Sob condições específicas (por exemplo, quando $\mathcal{F}$ é denso em $C_b(X)$ com respeito à norma $\|\cdot\|_\infty$), a IIPM serve como um métrico válido que metriza a convergência fraca de Choquet. Isso garante que a convergência na IIPM implica a convergência "real" das capacidades subjacentes.
• Generalidade: O quadro teórico abrange vários modelos de PI, incluindo probabilidades inferiores, funções de crença e intervalos de probabilidade, como casos especiais de capacidades.

2.2 Quantificação de Incerteza Epistêmica: MMI

Para abordar a quantificação da IE dentro de um único modelo, os autores propõem a Imprecisão Média Máxima (MMI). Esta medida quantifica a discrepância entre uma capacidade (por exemplo, uma probabilidade inferior $\underline{P}$) e sua conjugada (a probabilidade superior $\overline{P}$).

• Definição:
  $$\text{MMI}_{\mathcal{F}}(\underline{P}) := \text{IIPM}_{\mathcal{F}}(\underline{P}, \overline{P}) = \sup_{f \in \mathcal{F}} \left( \int f d\overline{P} - \int f d\underline{P} \right)$$
  (Nota: O valor absoluto é omitido porque $\overline{P}$ domina $\underline{P}$ conjuntualmente, garantindo não negatividade).
• Propriedades Axiomáticas: Os autores provam que a MMI satisfaz axiomas-chave para medidas de incerteza credal propostos na literatura (A1–A6), incluindo não negatividade, continuidade, monotonicidade e consistência probabilística (IE zero para probabilidades precisas).
• Eficiência Computacional: Para o caso específico da distância de Variação Total (TV), calcular a MMI exatamente requer avaliar $2^K$ subconjuntos, o que é intratável para $K$ grande. Os autores derivam um limite superior de tempo linear (MMI-Lin) aproximando a probabilidade inferior com o modelo de contaminação $\epsilon$ mais próximo. Este limite é computacionalmente eficiente ($O(K)$) e justificado teoricamente via o axioma de monotonicidade.

3. Contribuições Principais

1. Quadro Métrico Unificado: A introdução da IIPM, a primeira família de distâncias estatísticas especificamente projetada para probabilidades imprecisas usando integração de Choquet. Este quadro generaliza IPMs clássicos (como a distância de Wasserstein e MMD) para o cenário impreciso.
2. Garantias Teóricas: Prova de que a IIPM metriza a convergência fraca de Choquet, fornecendo uma base rigorosa para comparar modelos imprecisos. O artigo também demonstra como a IIPM pode recuperar resultados existentes, como aqueles em transporte ótimo sob contaminação $\epsilon$.
3. Nova Medida de IE (MMI): A proposta da MMI como uma medida principial de incerteza epistêmica que satisfaz propriedades axiomáticas estabelecidas.
4. Aproximação Escalável: A derivação de um limite superior de tempo linear (MMI-Lin) para a MMI, permitindo sua aplicação em tarefas de classificação de alta dimensão onde o cálculo exato é inviável.

4. Resultados Empíricos

Os autores validaram a MMI e a MMI-Lin através de experimentos de classificação seletiva em conjuntos de dados com números variados de classes ($K=7, 10, 100$), incluindo conjuntos de dados UCI (Obesidade, Dígitos) e conjuntos de dados de imagem (CIFAR-10, CIFAR-100).

• Métrica de Desempenho: O estudo utilizou curvas de Precisão-Rejeição (AR), onde um modelo se abstém de prever em entradas incertas. Uma medida de IE informativa deve produzir uma curva AR monótona que se aproxima do canto superior esquerdo.
• Comparações: A MMI e a MMI-Lin foram comparadas contra a Diferença de Entropia (E-Diff) e a medida Hartley Generalizada (GH).
• Descobertas:
  • A MMI e a MMI-Lin consistentemente superaram a E-Diff em todos os conjuntos de dados.
  • A MMI e a MMI-Lin performaram comparavelmente à GH, que é frequentemente considerada o padrão ouro para UQ credal.
  • Escalabilidade: Em problemas de grande escala ($K=100$), onde o cálculo exato de MMI e GH se torna intratável ($O(2^K)$), o limite de tempo linear MMI-Lin permaneceu eficiente e continuou a superar a E-Diff, demonstrando utilidade prática em configurações de alta dimensão.

5. Significado e Alegações

O artigo alega avançar tanto a teoria quanto a prática do IPML:

• Avanço Teórico: Fornece um quadro teórico principial, baseado em integração de Choquet, para comparar capacidades, preenchendo uma lacuna na literatura sobre distâncias estatísticas para modelos imprecisos. Estabelece as condições sob as quais essas métricas são válidas e metrizam a convergência.
• Utilidade Prática: Ao introduzir a MMI, o trabalho oferece uma nova ferramenta axiomática sólida para quantificar a incerteza epistêmica. O limite superior de tempo linear aborda o gargalo computacional que limitou a aplicação de medidas de UQ credal em aprendizado de máquina em grande escala.
• Impacto Mais Amplo: O quadro teórico permite a comparação de diversos modelos de PI (por exemplo, funções de crença, conjuntos aleatórios) sob uma métrica unificada, potencialmente facilitando uma melhor tomada de decisão sob ambiguidade em aplicações críticas de segurança e estatística robusta.

Os autores reconhecem limitações, especificamente a atual falta de um método de estimativa baseado em amostragem para IIPMs gerais (diferentemente das IPMs clássicas) devido à natureza subjetiva dos modelos imprecisos, e identificam o desenvolvimento de estimadores não paramétricos como uma direção chave para trabalhos futuros.