Resumo Técnico: MAST – Um Modelo Surrogado Aumentado Multi-fidelidade via Ponderação de Confiança Espacial

Declaração do Problema

No projeto de engenharia e na computação científica, existe um compromisso fundamental entre precisão preditiva e custo computacional. Simulações de alta fidelidade (HF) fornecem previsões precisas, mas são frequentemente demasiado dispendiosas para amostragem densa, enquanto aproximações de baixa fidelidade (LF) são abundantes e baratas, mas sofrem de erros sistemáticos. Modelos de Processo Gaussiano Multi-fidelidade (MFGP) tentam preencher essa lacuna explorando correlações estatísticas entre níveis de fidelidade.

No entanto, os métodos multi-fidelidade existentes geralmente dependem de pressupostos de correlação global (por exemplo, relações autorregressivas lineares ou estruturas de covariância global compartilhadas). Esses pressupostos frequentemente falham na prática quando as relações inter-fidelidade variam espacialmente através do domínio de entrada. Quando a relação entre fidelidades é não estacionária, modelos globais podem sofrer de má especificação do modelo, levando a desempenho preditivo pobre e comportamento instável, particularmente sob orçamentos computacionais apertados onde os dados são esparsos. Além disso, muitas abordagens multi-fidelidade avançadas não-lineares ou profundas exigem ajuste extensivo de hiperparâmetros e grandes conjuntos de dados, que frequentemente não estão disponíveis em cenários com restrições orçamentárias.

Metodologia: A Estrutura MAST

Os autores introduzem o MAST (Modelo Surrogado Aumentado Multi-fidelidade com Ponderação de Confiança Espacial), um método que substitui a aprendizagem clássica de correlação global por um viés indutivo geométrico. A ideia central é que a confiabilidade da informação de baixa fidelidade corrigida deve depender de sua proximidade espacial aos dados de calibração de alta fidelidade.

A estrutura opera em três etapas:

1. Modelagem de Linha de Base Independente:
   Processos Gaussianos (PGs) independentes são treinados no conjunto de dados de cada nível de fidelidade para capturar características intrínsecas e estimar níveis de ruído de observação.

2. Modelagem de Discrepância e Aumento Ponderado Espacialmente:
   Para cada nível de fidelidade inferior $m < M$, o método constrói um conjunto de dados aumentado $\tilde{D}_m$ corrigindo observações LF e misturando-as com previsões HF:

   • Modelagem de Discrepância: Um PG de discrepância ($GP_{\delta_m}$) é treinado nos resíduos entre observações HF e previsões LF em locais HF. Crucialmente, este PG de discrepância é condicionado a entradas aumentadas $z = [x, \mu_m(x), \sigma^2_m(x)]$, incorporando a média e variância posteriores LF para informar a previsão de discrepância.
   • Ponderação de Confiança Espacial: Para cada ponto LF, uma região de confiança é definida com base na distância até a amostra HF mais próxima. Um peso $W^{(i)}_m$ é calculado com base na proximidade do ponto LF às amostras HF dentro desta região. O peso decai com a distância e é modulado pela razão de custo de fidelidade ($\alpha_m = \log_{10}(C_M/C_m)/2$), estabelecendo uma hierarquia econômica onde dados HF caros exercem maior influência espacial.
   • Mistura: O valor LF corrigido é misturado com a previsão posterior HF:
     $$\tilde{y}^{(m)}_i = W^{(i)}_m (y^{(m)}_i + \mu_{\delta_m}(z^{(m)}_i)) + (1 - W^{(i)}_m) \mu_M(x^{(m)}_i)$$
   • Propagação de Variância: A incerteza do ponto misturado é derivada analiticamente propagando as variâncias da observação LF bruta, do PG de discrepância e do PG HF, ponderadas pelos pesos de confiança. Isso resulta em um termo de ruído heterocedástico fixo para cada ponto aumentado.

3. Fusão de PG Heterocedástico:
   Um único PG final é treinado no conjunto de dados combinado de observações HF originais e observações LF aumentadas. As variâncias de ruído por ponto são fixadas nos valores calculados na Etapa 2, em vez de serem aprendidas como hiperparâmetros. Isso permite que o surrogado final diminua naturalmente o peso dos dados aumentados incertos enquanto confia nas observações HF confiáveis. Para lidar com não estacionariedade, as entradas são distorcidas usando uma CDF de Kumaraswamy por dimensão antes da avaliação do kernel.

Contribuições Chave

1. Viés Indutivo Geométrico: Um esquema de fusão que adapta relações inter-fidelidade localmente com base na proximidade espacial aos dados HF, eliminando a necessidade de pressupostos paramétricos de correlação global.
2. Ponderação de Confiança Consciente de Custo: Incorporação explícita dos custos de avaliação no mecanismo de ponderação, criando uma hierarquia econômica que governa a fusão de informações.
3. Propagação de Variância em Forma Fechada: Uma derivação analítica de incerteza que permite treinamento eficiente de PG único com ruído heterocedástico fixo, evitando instabilidades de otimização comuns em modelos heterocedásticos aprendidos.
4. Desempenho Robusto: Precisão e calibração de incerteza de última geração demonstradas através de alocações de orçamento variáveis, escalas de orçamento total e níveis de correlação inter-fidelidade.

Resultados Experimentais

Os autores avaliaram o MAST contra uma suite abrangente de linhas de base, incluindo cokrigagem autorregressiva (AR1), cokrigagem recursiva, métodos baseados em fusão, PGs Autorregressivos Não Lineares (NARGP), PGs Multi-fidelidade Profundos (MF-DGP) e métodos de kernel especializados.

• Benchmarks Sintéticos: Em 10 funções de teste sintéticas (variando de 2D a 20D) e 3 conjuntos de dados de engenharia do mundo real (Concreto, DrivAerNet, HOIP), o MAST alcançou o melhor Erro Quadrático Médio (RMSE) em 6 de 12 benchmarks de duas fidelidades e a melhor Densidade Preditiva Média (Mean PDF) em 7 de 12.
• Robustez: O MAST manteve desempenho robusto através de alocações de orçamento variáveis (fração HF de 0,1 a 1,0) e escalas de orçamento total (0,25x a 3,0x). Em contraste, métodos concorrentes como AR1 exibiram comportamento errático, e métodos de aprendizado profundo (NARGP, MF-DGP) tiveram desempenho consistentemente inferior, particularmente em regimes com escassez de dados.
• Sensibilidade à Discrepância: O MAST permaneceu robusto à medida que a discrepância inter-fidelidade foi aumentada (simulando menor correlação), enquanto métodos que dependem de pressupostos lineares globais degradaram-se significativamente.
• Extensão para Três Fidelidades: O método estendeu-se efetivamente para três níveis de fidelidade sem erros compostos, superando linhas de base hierárquicas que lutam com níveis de fidelidade intermediários.

Significado e Alegações

O artigo afirma que o MAST fornece uma estrutura adaptativa espacialmente para modelagem multi-fidelidade que é particularmente eficaz quando dados de alta fidelidade são esparsos e as relações inter-fidelidade variam através do espaço de entrada. Ao confiar na proximidade geométrica em vez de correlações globais aprendidas, o MAST reduz a dependência de extrapolação de longo alcance a partir de observações HF esparsas.

Os autores posicionam o MAST como uma rota prática para a construção confiável de surrogados em cenários com restrições orçamentárias. Eles observam que o mecanismo subjacente de confiança espacial é agnóstico ao surrogado e demonstram uma extensão preliminar (MAST-ICL) usando TabPFN (um modelo de aprendizado em contexto baseado em transformadores) como o aprendiz base, sugerindo que a estrutura pode escalar para conjuntos de dados maiores onde o treinamento padrão de PG se torna computacionalmente proibitivo.

O artigo conclui que a ponderação de confiança espacial é um princípio de design útil para modelagem de surrogados multi-fidelidade, oferecendo uma alternativa estável a estruturas de correlação global que podem ser enganosas em regimes de dados esparsos.