PERTURB-c: Correlation Aware Perturbation Explainability for Regression Techniques to Understand Retrieval Black-boxes

Resumo Técnico: PERTURB-c: Explicações de Perturbação Conscientes de Correlação para Técnicas de Regressão para Compreender Black-boxes de Recuperação

Definição do Problema
O campo da caracterização atmosférica de exoplanetas está transitando das tradicionais recuperações baseadas em física, computacionalmente intensivas, para métodos baseados em aprendizado de máquina (ML). Embora o ML ofereça vantagens significativas de velocidade, ele introduz uma opacidade de "caixa-preta" (black-box), tornando difícil verificar se as previsões são baseadas em características fisicamente plausíveis ou em artefatos dos dados de treinamento. Uma barreira crítica para a adoção de ML neste domínio é a alta correlação inerente aos dados espectrais (devido ao alargamento de linhas espectrais e estruturas de transmissão molecular).

Métodos de interpretabilidade padrão, como perfis ceteris paribus e SHAP (SHapley Additive exPlanations), dependem da perturbação de características de entrada individuais (bins de comprimento de onda) enquanto mantêm outras constantes ou amostram aleatoriamente a partir da distribuição de treinamento. Em dados espectrais altamente correlacionados, essas abordagens frequentemente geram amostras "fora da distribuição" (OOD) — espectros que são fisicamente impossíveis (por exemplo, uma absorção alta em um comprimento de onda sem as características correlacionadas correspondentes em comprimentos de onda adjacentes). Quando os modelos são consultados com esses inputs não físicos, suas respostas tornam-se instáveis e pouco informativas, tornando as métricas padrão de importância de característica não confiáveis para tarefas de recuperação espectral.

Metodologia: PERTURB-c
Os autores propõem o PERTURB-c (Perturbation Explainability for Regression Techniques to Understand Retrieval Black-boxes), um framework projetado para gerar perturbações fisicamente consistentes para dados espectrais correlacionados.

1. Perturbação Consciente de Correlação: Ao contrário dos métodos padrão que modificam bins únicos, o PERTURB-c perturba um cluster de bins de comprimento de onda adjacentes simultaneamente. Ele aproveita o conhecimento físico de que a correlação espectral decai com a separação de comprimento de onda.
2. Mascaramento Gaussiano: A perturbação é aplicada usando uma função de janela gaussiana ($w_{gauss}$) centrada no comprimento de onda alvo. Isso garante que as modificações em um bin específico sejam acompanhadas por modificações menores e correlacionadas nos bins vizinhos, mantendo os espectros gerados dentro da distribuição física dos dados de treinamento.
3. Amostragem Restrita por Ruído: A magnitude da perturbação é extraída de uma distribuição normal escalonada pelo perfil de ruído instrumental conhecido ($\sigma_m$) em cada comprimento de onda, garantindo que as observações modificadas permaneçam dentro do reino das medições físicas plausíveis.
4. Análise de Dois Níveis:
   • Nível 1 (T1): Um modo de amostragem grosseira rápida (50 amostras) que ajusta uma aproximação linear à resposta da perturbação para determinar o sinal (positivo/negativo) e a magnitude da importância da característica.
   • Nível 2 (T2): Um modo de alta fidelidade (2.000 amostras) que visualiza as curvas de resposta não lineares de múltiplos comprimentos de onda simultaneamente.
5. Visualização: Os autores introduzem uma representação de mapa de calor para a análise T2. Em vez de plotar magnitudes de resposta bruta (que desaparecem no zero da perturbação), eles plotam o gradiente de resposta ($\delta r / \delta \xi$). Isso permite a visualização intuitiva de como a previsão do modelo muda através de um continuum de comprimentos de onda e níveis de perturbação, condensando a importância de características de alta dimensão em um único gráfico legível.

Estudo de Caso e Resultados
O framework foi testado em uma recuperação simulada do exoplaneta WASP-107b usando uma rede neural densa treinada em 50.000 observações planetárias simuladas. O modelo foi incumbido de recuperar abundâncias moleculares (incluindo $SO_2$, $SiO$, $PH_3$, etc.) a partir de um espectro de baixa resolução (100 bins de comprimento de onda).

• Comparação com SHAP: A análise SHAP padrão falhou em alinhar a importância das características com as características espectrais conhecidas de $SO_2$. As amostras geradas pelo SHAP foram amplamente fora da distribuição, levando a uma correlação pobre entre o output de interpretabilidade e as bandas espectrais reais.
• Desempenho do PERTURB-c: O PERTURB-c identificou com sucesso as regiões específicas de comprimento de onda (por exemplo, em torno de 13 $\mu$m) onde o modelo dependia das características espectrais de $SO_2$. A visualização de mapa de calor mostrou claramente o modelo focando na borda de ataque da banda de $SO_2$ e no hiato da banda em 12 $\mu$m.
• Eficiência: Devido à alta eficiência na geração de amostras dentro da distribuição, o PERTURB-c exigiu aproximadamente 200 vezes menos amostras que o SHAP para extrair conteúdo de informação equivalente. Consequentemente, o tempo de execução para o PERTURB-c (T2) foi aproximadamente 22 vezes mais rápido que o SHAP (0.2456s vs. 5.3159s para o caso de teste específico).
• Quebra de Degenerescência: A análise revelou que o modelo utilizou bandas específicas de $SO_2$ para quebrar degenerescências ao recuperar $SiO$, demonstrando a capacidade do framework de descobrir comportamentos complexos e não lineares do modelo.

Significância e Alegações
O artigo afirma que o PERTURB-c aborda a limitação fundamental das ferramentas existentes de interpretabilidade quando aplicadas a dados espectrais correlacionados. Ao impor consistência física através do mascaramento gaussiano, o método evita a geração de amostras não físicas que desestabilizam as respostas do modelo.

Os autores posicionam o PERTURB-c não como um substituto para as recuperações Bayesianas, mas como uma ferramenta necessária para as estratégias de "baixa latência" exigidas pela era dos grandes dados da ciência de exoplanetas. As principais contribuições incluem:

• Agnosticismo de Modelo: O framework é aplicável a qualquer modelo de regressão que lide com inputs estruturados unidimensionais com alta correlação.
• Ferramenta de Proposta: Os autores demonstram que o PERTURB-c pode ser usado para engenharia reversa de restrições observacionais. Ao simular uma hipótese (por exemplo, aquecimento de maré levando a alto $SO_2$), pesquisadores podem usar o PERTURB-c para determinar as incertezas necessárias por bin de comprimento de onda para validar essa hipótese, auxiliando na preparação de propostas de telescópios e seleção de alvos.
• Transparência: A visualização de mapa de calor fornece uma representação mais intuitiva e densa de informação da importância das características em comparação com gráficos de barras ou gráficos de cascata (waterfall charts) padrão.

O artigo conclui que, embora as recuperações de ML estejam se tornando essenciais, sua adoção depende da capacidade de verificar seu "raciocínio". O PERTURB-c oferece um método robusto, eficiente e fundamentado na física para alcançar essa transparência, mitigando os riscos de viés e garantindo que as previsões sejam impulsionadas por características espectrais fisicamente plausíveis.