Needles in the Landscape: Semi-Supervised Pseudolabeling for Archaeological Site Discovery under Label Scarcity

Resumo Técnico: Agulhas na Paisagem: Pseudorrotulagem Semi-Supervisionada para Descoberta de Sítios Arqueológicos sob Escassez de Rótulos

Declaração do Problema
A Modelagem Preditiva Arqueológica (MPA) enfrenta um desafio fundamental: os sítios arqueológicos são extremamente raros (<0,004% das áreas de levantamento) e distribuídos de forma esparsa em paisagens heterogêneas. A aprendizagem supervisionada tradicional falha porque a vasta maioria da paisagem é não rotulada, e não confirmada como negativa; tratar áreas não rotuladas como negativas introduz um viés severo. Isso constitui um problema de aprendizagem Positivo-Não Rotulado (PNR). Os métodos estatísticos existentes (por exemplo, LAMAP) dependem de características criadas manualmente e de suposições fortes sobre a ausência de sítios, enquanto as abordagens padrão de aprendizagem profunda ou colapsam (prevendo sítios em todos os lugares quando treinadas apenas com positivos) ou falham catastróficamente (invertendo as classificações de probabilidade quando treinadas com negativas incertas). A dificuldade central reside em aprender a partir de rótulos positivos esparsos sem assumir a ausência de sítios em regiões não rotuladas.

Metodologia
Os autores propõem a Pseudorrotulagem Dual Assimétrica (DPL), um quadro de aprendizagem profunda de ponta a ponta para segmentação semântica que aborda a escassez de rótulos e a incerteza PNR sem engenharia de características criadas manualmente.

• Arquitetura: O modelo utiliza uma arquitetura UNet com um codificador compartilhado e dois decodificadores independentes. Essa estrutura de dupla ramificação permite a geração de previsões diversas necessárias para a pseudorrotulagem, mantendo a eficiência computacional.
• Estratégia de Pseudorrotulagem Assimétrica: A inovação central é um mecanismo de limiar assimétrico aplicado durante o treinamento:
  • Pseudorótulos Positivos: Requerem alta confiança (conservador). Uma região é rotulada como um sítio positivo apenas se ambas as ramificações do decodificador concordarem com alta probabilidade (previsão mínima > $\tau_{pos}$). Esses rótulos são escalonados suavemente usando um parâmetro de temperatura.
  • Pseudorótulos Negativos: Requerem apenas evidência fraca (permissivo). Uma região é rotulada como negativa (não sítio) se pelo menos uma ramificação estiver cética (previsão mínima < $\tau_{neg}$). Esses rótulos são codificados rigidamente como 0.
  • Agendamento Dinâmico: Os limiares evoluem durante o treinamento por meio de uma função de rampa sigmoide, começando com limiares negativos permissivos e tornando-se mais seletivos ao longo do tempo.
• Função de Perda: A perda total combina quatro termos:
  1. Perda Supervisionada ($L_{SL\_Pos}$): Computada apenas em pixels positivos confirmados para evitar aprender a partir do fundo incerto.
  2. Perda de Pseudorótulo ($L_{pseudo}$): Computada nos pseudorótulos gerados usando Perda Focal para focar em pixels incertos.
  3. Regularização de Consistência ($L_{cons}$): Impõe concordância entre as duas ramificações do decodificador.
  4. Regularização de Entropia ($L_{ent}$): Aplicada a pixels onde as ramificações discordam para minimizar a incerteza.
• Estratégia de Treinamento: O modelo emprega amostragem híbrida (10% de patches centrados em sítios conhecidos, 90% aleatórios) e é treinado em imagens geoespaciais multibanda (características derivadas de MDE e mapas de infraestrutura histórica) sem engenharia de características manual.

Principais Contribuições

1. Formulação: Enquadra a MPA como uma tarefa de segmentação semântica semi-supervisionada sob escassez extrema de rótulos e incerteza PNR.
2. Algoritmo: Introduz uma estratégia de pseudorrotulagem assimétrica que espelha o risco arqueológico: conservadora para falsos positivos (requerendo consenso) e permissiva para falsos negativos (requerendo apenas dissidência), permitindo o aprendizado sem assumir que o fundo é verdadeiramente negativo.
3. Limites Empíricos: Estabelece que a aprendizagem supervisionada padrão (SL) falha sob incerteza negativa (invertendo classificações) e o treinamento apenas com positivos (SL_Pos) colapsa para prever em todos os lugares. A DPL opera efetivamente entre esses limites empíricos.
4. Validação: Fornece avaliação rigorosa em dois conjuntos de dados com estratégias complementares: Sagalassos (validação independente de levantamento de campo) e Chipre (configuração PNR pura com validação cruzada espacial k-fold).
5. Reprodutibilidade: Libera todo o código, scripts de pré-processamento e o conjunto de dados de Chipre; os dados de Sagalassos são proprietários, mas o código é compartilhado.

Resultados Experimentais

• Conjunto de Dados Sagalassos (Turquia): Avaliado contra um levantamento de campo independente (Levantamento 2) usando o Levantamento 1 para treinamento.
  • Desempenho: A DPL superou a linha de base LAMAP de última geração em 12,5% no F1 e 29,3% no Recall em sete períodos históricos.
  • Comparação: Embora a DPL se destacasse em métricas de descoberta (F1, Recall), a LAMAP manteve classificação de probabilidade superior (PR-AUC e ROC-AUC), atribuída à sua modelagem probabilística explícita.
  • Linhas de Base: A SL padrão perdeu 85% dos sítios; a SL_Pos colapsou para 100% de recall sem discriminação.
• Conjunto de Dados Chipre (Configuração PNR Pura): Avaliado via validação cruzada uniforme ao nível de sítio e espacial k-fold sem negativos confirmados.
  • Desempenho: A DPL operou nominalmente entre os limites empíricos (SL e SL_Pos), mas mostrou alta variância e instabilidade no treinamento. Falhou em distinguir sítios individuais de gradientes amplos de terreno costeiro.
  • Comparação com LAMAP: A LAMAP superou substancialmente todos os métodos de aprendizagem profunda nesta configuração (ROC-AUC 0,765 vs. ~0,51 da DPL), sugerindo que, quando apenas gradientes de terreno grosseiros estão disponíveis, métodos de similaridade de características são mais robustos do que o bootstrap de pseudorrotulagem.
  • Análise: A análise de separabilidade de características revelou que o sucesso da DPL em Sagalassos dependia de características de infraestrutura histórica espacialmente específicas (por exemplo, distância até estradas), que estavam ausentes no conjunto de dados de Chipre.

Significado e Alegações
O artigo afirma que a DPL oferece um caminho viável para aprender a partir de rótulos incompletos e enviesados positivamente em domínios estruturados espacialmente (relevante para ecologia, epidemiologia e sensoriamento remoto) sem exigir ausências confirmadas ou estimativa de prior de classe.

Os autores enfatizam que a DPL é mais eficaz quando características auxiliares espacialmente específicas (por exemplo, mapas de infraestrutura histórica) fornecem discriminação de alta granularidade. Em paisagens onde existem apenas gradientes geográficos amplos (como no estudo de caso de Chipre), o método luta para bootstrap pseudorrotulos estáveis, e abordagens tradicionais de similaridade de características como a LAMAP permanecem mais apropriadas. O trabalho delimita a fronteira de aplicabilidade da pseudorrotulagem na descoberta arqueológica: é uma ferramenta poderosa para descoberta de sítios quando sinais discriminativos específicos estão presentes, mas não pode substituir a necessidade de levantamentos de campo direcionados ou modelos calibrados por domínio em ambientes com escassez de dados e pobres em características.