JANUS: Structured Bidirectional Generation for Guaranteed Constraints and Analytical Uncertainty

O artigo apresenta o JANUS, um novo framework que unifica a geração de dados sintéticos de alta fidelidade, o controle rigoroso de restrições lógicas complexas e a estimativa eficiente de incerteza, superando as limitações dos modelos atuais ao utilizar uma estrutura de árvores de decisão bayesianas com um algoritmo de preenchimento reverso que garante 100% de satisfação das restrições sem necessidade de rejeição.

O essencial

Imagine que você precisa criar um banco de dados de "pessoas fictícias" para testar um sistema de empréstimos bancários ou para treinar uma inteligência artificial. O problema é que, se você usar geradores comuns, eles podem criar pessoas impossíveis: um bebê de 5 anos com um diploma de doutorado, ou alguém que ganha R$ 1.000 por mês mas pede um empréstimo de R$ 1 milhão.

Além disso, se você perguntar ao gerador: "Você tem certeza que essa pessoa existe?", ele geralmente não sabe responder com confiança.

O JANUS é uma nova ferramenta criada para resolver exatamente esses problemas. Vamos explicar como ele funciona usando uma analogia simples: construir uma casa com um "arquiteto reverso".

1. O Grande Dilema (O "Quadrilema")

Antes do JANUS, os geradores de dados enfrentavam um problema de quatro vias:

• Fidelidade: O dado parecia real? (Sim, os antigos eram bons nisso).
• Controle: Você podia dizer "Ninguém pode ter mais de 100 anos"? (Não, os antigos falhavam em regras complexas).
• Confiabilidade: Você sabia se o modelo estava "chutando"? (Não, era uma caixa preta).
• Eficiência: Era rápido? (Não, tentar a sorte até acertar as regras era muito lento).

O JANUS conseguiu resolver os quatro ao mesmo tempo.

2. A Analogia Principal: O Arquiteto Reverso

Imagine que você quer construir uma casa (gerar uma pessoa) que tenha uma sala específica (uma regra, como "Salário > 50 mil").

• Os Métodos Antigos (Rejeição): Eles tentam construir a casa do alicerce ao telhado. Quando terminam, olham e dizem: "Ops, essa sala não cabe no terreno". Eles jogam fora a casa inteira e começam de novo. Se a regra for muito difícil, eles podem tentar milhões de vezes e nunca conseguir. É como tentar acertar um alvo no escuro atirando pedras.
• O JANUS (Back-filling Reverso): O JANUS é um arquiteto esperto. Ele começa olhando para a regra final (a sala que você quer) e pergunta: "O que eu preciso ter no alicerce para que essa sala exista?". Ele trabalha de trás para frente.
  • Se você diz "O empréstimo foi aprovado", o JANUS olha para trás e diz: "Ok, para isso acontecer, o salário precisa ser alto". Ele ajusta o salário antes de gerar o resto da pessoa.
  • Resultado: Ele nunca gera uma pessoa que quebre as regras. É como se ele desenhasse o plano da casa garantindo que tudo coubesse, sem precisar jogar nada fora.

3. A "Árvore de Decisão" com Memória Dupla

O cérebro do JANUS é feito de "Árvores de Decisão" (como um jogo de "Adivinhe quem" ou "20 perguntas"), mas com um superpoder: Memória Dupla.

• Memória para Frente (Previsão): Se eu tenho 30 anos e ensino médio, qual é a chance de eu ganhar X? (Isso é o que os outros fazem).
• Memória para Trás (Reconstrução): Se eu ganho X, quais eram as chances de eu ter 30 anos ou ensino médio? (Isso é o que o JANUS usa para garantir as regras).

Essa memória dupla permite que o JANUS navegue pelo gráfico de dados como um rio que pode fluir em duas direções, garantindo que todas as conexões lógicas (ex: "Experiência" não pode ser maior que "Idade") sejam respeitadas.

4. A "Bússola de Incerteza" (Sem Chutes)

Outro problema dos geradores antigos é que eles não sabem quando estão errados. Se você pedir um dado muito estranho, eles podem inventar algo sem avisar.

O JANUS tem uma Bússola de Incerteza Analítica.

• Analogia: Imagine que você está em uma floresta.
  • Incerteza Aleatória (Ruído): É como neblina natural. Mesmo com um mapa perfeito, você não vê tudo. O JANUS sabe que isso existe e não tenta "consertar" o impossível.
  • Incerteza Epistêmica (Ignorância): É como estar em uma parte do mapa onde você nunca foi. O JANUS sabe: "Ei, eu nunca vi dados assim, então estou chutando".
• O Pulo do Gato: Enquanto outros métodos precisam rodar o modelo 100 vezes para estimar essa incerteza (o que é lento), o JANUS faz o cálculo matemático de uma só vez, 128 vezes mais rápido. É como ter um GPS que diz "estou perdido" instantaneamente, em vez de tentar dirigir em círculos até achar o caminho.

5. Por que isso importa no mundo real?

O JANUS é especialmente útil para Justiça e Ética.

Imagine que você quer testar se um algoritmo de contratação é racista.

• Com os métodos antigos, você não consegue criar cenários controlados onde sabe exatamente onde o viés está.
• Com o JANUS, você pode dizer: "Crie 1.000 candidatos, mas garanta que, para pessoas do grupo A, o salário oferecido seja sempre igual ao solicitado, e para o grupo B, seja menor".
• O JANUS garante essa regra matematicamente (100% de sucesso) e ainda avisa se os dados gerados estão "estranhos" demais.

Resumo em uma frase

O JANUS é como um engenheiro de dados que trabalha de trás para frente: ele garante que todas as regras do jogo sejam seguidas sem desperdício de tempo, e ainda tem um "olho clínico" para dizer exatamente o quanto ele está confiante no que está criando, tudo isso de forma super rápida e transparente.

Resumo técnico

Resumo Técnico: JANUS

1. O Problema: O "Quadrilema" da Geração de Dados Sintéticos

A geração de dados sintéticos para aplicações de alto risco (como privacidade, auditoria de justiça e simulação científica) enfrenta um dilema fundamental, denominado pelo autor como Quadrilema. Os modelos atuais não conseguem simultaneamente atender a quatro requisitos críticos:

1. Fidelidade: Aderência precisa à distribuição original dos dados.
2. Controle: Capacidade de impor restrições lógicas complexas (ex: intervalos contínuos ou relações entre colunas como Salário > Experiência).
3. Confiabilidade: Estimativas de incerteza robustas e interpretáveis.
4. Eficiência: Baixo custo computacional.

Limitações dos Modelos Atuais:

• Modelos Generativos Profundos (CTGAN, TabDDPM): Excelentes em fidelidade, mas falham no controle de restrições contínuas e lógicas, dependendo de rejection sampling (amostragem por rejeição) que se torna exponencialmente ineficiente quando as restrições são rígidas.
• Modelos Causais Estruturais (SCMs): Oferecem controle lógico, mas lutam com fidelidade em alta dimensão e têm dificuldade em inverter ruído complexo para inferência contrafactual.
• Estimativa de Incerteza: Métodos existentes (Ensembles, MC Dropout) são computacionalmente caros (5-10x mais lentos) e muitas vezes não separam a incerteza aleatória (ruído dos dados) da epistêmica (ignorância do modelo).

2. Metodologia: A Arquitetura JANUS

O JANUS (Joint Ancestral Network for Uncertainty and Synthesis) é um framework unificado que utiliza uma Rede Acíclica Direcionada (DAG) de Árvores de Decisão Bayesianas para resolver o quadrilema.

Componentes Principais:

• Representação de Dados e Aprendizado de Estrutura:

  • O sistema aprende ou recebe uma DAG onde os nós são variáveis e as arestas representam dependências condicionais.
  • Variáveis contínuas são discretizadas em bins (intervalos) via quantile binning. Isso transforma o problema de estimativa de distribuição conjunta em um problema discreto, permitindo o uso de conjugação Dirichlet-Multinomial para atualizações exatas de posterior.

• Arquitetura Probabilística (Árvores de Decisão Bayesianas):

  • Cada nó condicional $P(X_i | Pa(X_i))$ é modelado por uma árvore de decisão bayesiana.
  • Critério de Divisão Híbrida: A inovação central é uma função de perda que otimiza simultaneamente:
    1. Supervisionado: $P(Y|X)$ (predição).
    2. Não Supervisionado: $P(X|Y)$ (distribuição das características de entrada dentro de cada nó).
  • Isso permite que a árvore aprenda a estrutura inversa necessária para a geração condicional, evitando que nós "puros" (onde a saída é constante) parem de dividir prematuramente, o que preservaria a distribuição real das variáveis de entrada.

• Algoritmo de Preenchimento Reverso Topológico (Reverse-Topological Back-filling):

  • Problema Resolvido: A amostragem ancestral padrão falha em restrições que visam nós filhos (pois os pais são amostrados antes, tornando impossível garantir a restrição do filho sem rejeição).
  • Solução: O algoritmo opera em duas fases:
    1. Fase Reversa (Bottom-up): Propaga as restrições dos filhos para os pais. Identifica quais valores dos pais podem levar a uma satisfação da restrição no filho, filtrando as folhas da árvore que intersectam a restrição.
    2. Fase Direta (Top-down): Amostra os dados seguindo a DAG, mas utilizando as distribuições filtradas na fase reversa.
  • Resultado: Garante 100% de satisfação de restrições (para conjuntos viáveis) sem rejection sampling, com complexidade $O(d)$, onde $d$ é o número de características.

• Decomposição Analítica de Incerteza:

  • Utiliza a conjugação Dirichlet-Multinomial para decompor a incerteza em componentes Aleatórios (ruído inerente aos dados) e Epistêmicos (ignorância do modelo devido a dados escassos).
  • Isso é feito em tempo único (closed-form), sem necessidade de múltiplas passagens ou ensembles, oferecendo uma aceleração de 128x em comparação com métodos de Monte Carlo.

3. Contribuições Chave

1. Critério de Divisão Híbrida: Permite o aprendizado bidirecional ($P(Y|X)$ e $P(X|Y)$) essencial para a propagação de restrições.
2. Preenchimento Reverso Topológico: Algoritmo que elimina a necessidade de rejeição, garantindo satisfação de restrições complexas (incluindo inter-colunas) com eficiência computacional.
3. Incerteza Analítica: Decomposição exata e rápida da incerteza, distinguindo ruído de dados de ignorância do modelo.
4. Benchmarking Abrangente: Avaliação em 15 conjuntos de dados e 523 cenários com restrições, demonstrando superioridade em fidelidade e controle.

4. Resultados Experimentais

• Geração Constrained (Restrições):

  • Em 523 experimentos, o JANUS alcançou 100% de taxa de satisfação de restrições (CSR), igualando o "Oráculo" (dados gerados por equações estruturais conhecidas).
  • Modelos baseados em Deep Learning (CTGAN, TabDDPM) falharam em restrições rígidas devido à ineficiência do rejection sampling.
  • O JANUS foi 49,6x mais rápido que o método DCM em restrições difíceis.

• Fidelidade e Robustez:

  • Score de Detecção: 0,497 (ideal é 0,5), superando todos os modelos de Deep Learning (TabDDPM: 0,580; CTGAN: 0,634), indicando que os dados sintéticos são indistinguíveis dos reais para classificadores.
  • Resistência ao Colapso de Modo: Em dados desbalanceados, o JANUS manteve uma preservação perfeita da classe minoritária (MCS = 0,946) com baixa variância, enquanto o CTGAN mostrou instabilidade e colapso de modo.
  • Preservação de Dependências: Superior na preservação de correlações e informações mútuas entre características.

• Validade Causal e Contrafactuais:

  • Em cenários de ruído não aditivo (onde $X = f(Pa) \cdot (1+\epsilon)$), o JANUS superou significativamente modelos baseados em flows (como CAREFL e DCM), que sofrem de instabilidade numérica ao tentar inverter a multiplicação. O JANUS evita a inversão analítica, usando busca em bins discretos.

• Incerteza e Justiça (Fairness):

  • O JANUS foi o único método capaz de detectar corretamente ruído injetado nos dados, distinguindo entre incerteza epistêmica e aleatória.
  • Funciona como um testbed rigoroso para algoritmos de justiça, permitindo a injeção controlada de viés causal e a verificação de restrições de equidade inter-coluna (ex: SalárioOferecido >= SalárioSolicitado), garantindo tratamento individual justo.

5. Significado e Conclusão

O JANUS representa um avanço significativo ao romper o compromisso tradicional entre controle, fidelidade e eficiência na geração de dados sintéticos.

• Impacto Prático: Permite a geração de dados sintéticos para aplicações de alto risco onde a conformidade com regras de negócio (restrições lógicas) e a confiança na saída (estimativa de incerteza) são obrigatórias.
• Avanço Teórico: Demonstra que a discretização inteligente combinada com inferência bayesiana pode superar modelos contínuos profundos em cenários de controle estrito, sem sacrificar a qualidade da distribuição.
• Aplicabilidade: É particularmente valioso para auditoria de algoritmos de IA (Fairness), simulação científica e privacidade de dados, onde a "caixa preta" dos modelos generativos atuais é um impedimento.

Em resumo, o JANUS oferece a primeira estrutura que garante controle total (100% de restrições), fidelidade de ponta e confiabilidade analítica com eficiência computacional, preenchendo a lacuna de confiança necessária para a adoção de dados sintéticos em cenários críticos.