Resumo Técnico: Fluxos Hierárquicos Arbitrariamente Condicionados para Eventos Espaciotemporais

Declaração do Problema

Eventos espaciotemporais, ubíquos em domínios como clima, epidemias e criminalidade, exibem distribuições complexas que são difíceis de modelar, particularmente dada a escassez de observações. Abordagens existentes enfrentam duas limitações primárias:

1. Rigidez Estrutural vs. Expressividade: Modelos tradicionais de processos pontuais (por exemplo, Poisson, Hawkes) dependem de fortes suposições estruturais (por exemplo, incrementos independentes, interações aditivas) que limitam sua capacidade de capturar distribuições complexas. Por outro lado, modelos generativos baseados em difusão recentes oferecem alta expressividade, mas frequentemente perdem a capacidade de calcular intensidades condicionais tratáveis e bem calibradas, uma quantidade crítica para quantificar o risco instantâneo de eventos.
2. Limitações de Inferência: A maioria dos métodos existentes está restrita à predição autoregressiva, evento por evento. Eles lutam para suportar tarefas de inferência mais amplas, como inferência inversa (recuperar eventos iniciais), reconstruir locais de eventos ausentes ou recuperar trajetórias parciais de eventos.

Metodologia: ARCH

Os autores propõem Fluxos Hierárquicos Arbitrariamente Condicionados (ARCH), um framework de fluxo hierárquico projetado para equilibrar poder expressivo com cálculo tratável de intensidade e inferência flexível.

1. Framework de Fluxo Hierárquico

Em vez de gerar o tempo do evento ($s$) e a localização espacial ($x$) simultaneamente via um único fluxo, o ARCH decompõe o processo de geração em dois fluxos sequenciais:

• Fluxo $G_1$: Gera o tempo do evento $s$ condicionado ao histórico $H$.
• Fluxo $G_2$: Gera a localização espacial $x$ condicionada tanto ao histórico $H$ quanto ao tempo gerado $s$.

Essa decomposição, $p(s, x | H) = p(s | H)p(x | s, H)$, permite o cálculo eficiente da intensidade condicional (risco instantâneo de evento), $\lambda(s, x | H)$.

• Intensidade Temporal: A intensidade temporal marginal $\lambda(s | H)$ é calculada usando o teorema de Picard–Lindelöf e a propriedade de preservação de ordem das EDOs unidimensionais. Isso permite que a Função de Distribuição Acumulada (CDF) Condicional do tempo do evento seja derivada da CDF da variável de ruído inicial sem integração numérica dispendiosa sobre o domínio espaciotemporal.
• Densidade Espacial: A densidade espacial condicional $p(x | s, H)$ é calculada resolvendo a EDO companheira de log-probabilidade para trás, do estado alvo até o prior de ruído.
• Intensidade Final: A intensidade condicional completa é fatorada como $\lambda(s, x | H) = \lambda(s | H) p(x | s, H)$.

2. Treinamento e Inferência Arbitrariamente Condicionados

Para suportar tarefas além da predição autoregressiva padrão, o ARCH emprega uma estratégia de mascaramento híbrida dentro de uma arquitetura baseada em Transformer para codificador de histórico e decodificador generativo. Durante o treinamento, máscaras são amostradas para criar cenários de condicionamento diversos:

• Máscara Autoregressiva: Suporta a predição padrão do próximo evento, onde cada token atende apenas a eventos passados.
• Máscara de Condição Aleatória: Suporta a geração de um subconjunto arbitrário de eventos condicionado aos eventos observados restantes (por exemplo, imputação de eventos ausentes).
• Máscara Consecutiva: Suporta a geração de uma subsequência contígua de eventos (por exemplo, recuperação de trajetória) condicionada a eventos fora do bloco.

Esse objetivo de treinamento unificado permite que um único modelo realize previsão, inferência inversa e recuperação de trajetória sem retreinamento específico para a tarefa.

Contribuições Principais

1. Arquitetura do Modelo: Um framework de fluxo hierárquico que desacopla a geração temporal e espacial, mantendo a flexibilidade para capturar distribuições complexas enquanto permite o cálculo tratável e preciso de intensidades condicionais.
2. Framework de Inferência Unificado: A introdução de uma estratégia de mascaramento híbrida que unifica previsão, inferência inversa, imputação de eventos ausentes e recuperação parcial de trajetória em um único modelo.
3. Garantias Teóricas: Aproveitamento de propriedades de EDOs (teorema de Picard–Lindelöf) para calcular CDFs marginais e intensidades condicionais de forma eficiente, evitando a intratabilidade computacional da integração de alta dimensão exigida por modelos de fluxo conjuntos.

Resultados Experimentais

Os autores avaliaram o ARCH em conjuntos de dados sintéticos (Processo de Hawkes Espaciotemporal e Processo de Auto-correção Espaciotemporal) e três benchmarks do mundo real (Terremoto, COVID-19, Citibike).

• Recuperação de Intensidade: Em conjuntos de dados sintéticos, o ARCH alcançou erros relativos $L_2$ significativamente menores na recuperação de intensidades condicionais em comparação com baselines estruturadas (DeepSTPP, AutoSTPP, NSTPP). Notavelmente, o ARCH capturou com sucesso tanto dinâmicas dominadas por excitação quanto impulsionadas por inibição, enquanto as baselines baseadas em Hawkes falharam no processo de auto-correção devido a má especificação estrutural.
• Predição do Próximo Evento: O ARCH alcançou desempenho state-of-the-art ou comparável na predição espacial e temporal em todos os conjuntos de dados do mundo real, frequentemente superando baselines baseadas em difusão (DSTPP) enquanto fornece o benefício adicional de estimativas de risco calibradas.
• Inferência Inversa e Imputação: Em tarefas envolvendo a recuperação de eventos iniciais ou eventos ausentes, o ARCH superou substancialmente o KNNImpute, demonstrando a eficácia da formulação arbitrariamente condicionada.
• Recuperação de Trajetória e Previsão: O ARCH reconstruiu efetivamente trajetórias de eventos ausentes e realizou previsão conjunta multi-etapa. Superou consistentemente variantes autoregressivas e baselines de difusão em previsão de longo horizonte, sugerindo capacidade superior na captura de dependências de longo alcance.

Significado e Alegações

O artigo alega que o ARCH aborda uma lacuna crítica na modelagem de eventos espaciotemporais ao fornecer um framework que é suficientemente expressivo para modelar distribuições complexas e não lineares e suficientemente tratável para calcular riscos instantâneos de eventos. Ao ir além do paradigma autoregressivo padrão, o ARCH permite uma abordagem unificada para diversas tarefas de inferência (previsão, reconstrução, imputação) que anteriormente eram inadequadas para modelos de processos pontuais existentes. Os autores postulam que essa flexibilidade amplia substancialmente o escopo da modelagem espaciotemporal, tornando-a aplicável ao monitoramento de riscos, análise de sobrevivência e planejamento de intervenções, onde intensidades condicionais precisas são essenciais.