Resumo Técnico: Campos de Classificação: Agrupamento Hierárquico Recursivo Arbitrariamente Fino a Partir de Poucos Exemplos

1. Declaração do Problema

Os métodos clássicos de agrupamento hierárquico geralmente operam sobre uma amostra finita fixa, retornando ou uma partição finita dos dados ou um dendrograma finito. Essa abordagem é inadequada quando a hierarquia subjacente de interesse é um objeto geométrico recursivo com refinamentos em escala fina que se estendem além dos níveis diretamente observados. Em tais regimes, o número de centros de cluster latentes ($k$) pode crescer muito além do número de nós observados ($N$), e os refinamentos podem continuar em profundidades não presentes nos dados de treinamento.

A questão central abordada por este trabalho é: Podemos aprender uma regra de refinamento local a partir de um prefixo observado finito de uma hierarquia e aplicá-la recursivamente para gerar níveis substancialmente mais profundos e não observados?

As abordagens atuais diferenciáveis ou aprendidas para hierarquia geralmente ajustam uma árvore observada finita, incorporam uma estrutura fixa ou otimizam um objetivo de agrupamento finito. Elas não aprendem diretamente um mecanismo de refinamento capaz de execução recursiva além da hierarquia observada.

2. Metodologia: Campos de Classificação

Os autores introduzem Campos de Classificação, um modelo métrico-geométrico para agrupamento hierárquico de profundidade infinita.

2.1 Definições Centrais

• Gerador de Campo de Classificação (CFG): Uma regra local $r: \mathbb{R}^d \to (\mathbb{R}^d)^K$ que mapeia um centro pai para uma $K$-tupla ordenada, limitada e separada de resíduos filhos.
  • Restrições: Para qualquer pai $x$, os resíduos filhos $\{r_k(x)\}$ devem residir em um anel euclidiano (norma limitada) e estar separados por $s_{sep}$.
  • Construção: Os CFGs podem ser construídos por meio de deformações ortogonais-diagonais-ortogonais de um empacotamento de referência fixo, garantindo que as restrições geométricas sejam atendidas.
• Campo de Classificação: A estrutura hierárquica de profundidade infinita obtida aplicando recursivamente o CFG a partir de uma raiz $x_0$ e um fator de escala $s$.
  • Estrutura: O campo é um Grafo Acíclico Direcionado (DAG) métrico gerado recursivamente.
  • Componentes: Gera centros de cluster, células de Voronoi associadas e endereços genealógicos.
  • Métricas: O artigo define três métricas de distância no campo:
    1. Métrica de Árvore: Baseada em pesos de arestas combinatórias (dependentes do nível).
    2. Métrica Baseada em Pontos: Baseada em distâncias euclidianas entre centros.
    3. Métrica Baseada em Células: Baseada em distâncias de Hausdorff entre células de Voronoi, escalonadas pela profundidade.

2.2 Aprendizado: Preditores de Campo de Classificação (CFP)

Dado um prefixo finito de uma hierarquia (observado até a profundidade $L_{train}$), o objetivo é aprender um Preditores de Campo de Classificação (CFP), denotado $\hat{r}$, que aproxima o CFG subjacente.

• Objetivo de Treinamento: Minimizar o erro quadrático entre os resíduos filhos previstos e os resíduos observados:
  $$\mathcal{L}(\hat{r} | \mathcal{H}_{train}) = \sum_{l=0}^{L_{train}-1} \sum_{x \in \mathcal{H}_l} \sum_{k=1}^K \| x + s^{l+1}\hat{r}(x)_k - \text{chld}(x)_k \|_2^2$$
• Execução Recursiva: No momento do teste, $\hat{r}$ é aplicado recursivamente a partir da raiz. Cada filho gerado torna-se um pai para o próximo nível. Nenhum nó de verdade fundamental de níveis não vistos é utilizado durante a execução.

2.3 Garantias Teóricas

O artigo estabelece que truncamentos finitos do campo aprendido convergem para o campo de profundidade infinita completado sob condições específicas:

• Convergência Exponencial: Sob suposições de limitação, separação e regularidade, a distância de Hausdorff entre o truncamento de profundidade-$L$ e o campo completado decai exponencialmente com $L$.
• Realizabilidade Neural: As janelas de refinamento finitas necessárias para aproximar o CFG podem ser realizadas por Perceptrons Multicamada (MLPs) com ReLU.
  • Complexidade: A largura necessária é $O(\varepsilon^{-\gamma})$ e a profundidade é $\tilde{O}(\varepsilon^{-3\gamma/2})$, onde $\gamma = \log K / (-\log s)$.
  • Isso prova que uma rede neural finita pode atuar como um mecanismo de aproximação finita para uma estrutura hierárquica de profundidade infinita.

3. Validação Experimental

Os autores avaliam o CFP em três configurações de aumento de desalinhamento em relação à teoria idealizada:

1. Hierarquias Geradas por CFG Correspondentes:

   • Configuração: Dados gerados por um CFG conhecido da mesma família utilizada na teoria.
   • Resultado: O CFP mantém o menor erro por nível em horizontes de execução não vistos em comparação com as linhas de base (constante aprendível, resíduo médio e preditores afins). Isso confirma que a regra local aprendida permanece coerente sob composição recursiva repetida.

2. Hierarquias Fractais IFS Fora da Família:

   • Configuração: Hierarquias geradas por Sistemas de Funções Iteradas (IFS) com perturbações não lineares suaves (por exemplo, triângulo de Sierpiński, poeira de Cantor, curva de Koch). Estas possuem estrutura recursiva exata, mas não são extraídas da família parametrizada de CFGs.
   • Resultado: O CFP alcança menor MSE, Distância de Chamfer Invariante a Permutações (PI-CD) e distorção de profundidade do que as linhas de base. Isso demonstra que a formulação de campo de classificação generaliza além da classe de geradores correspondentes.

3. Hierarquias de Agrupamento Recursivo Induzidas por Imagem:

   • Configuração: Hierarquias construídas a partir de embeddings CLIP de imagens CIFAR-10 e CIFAR-100 usando um método de agrupamento profundo recursivo. A regra de refinamento é aproximada, e as slots filhos requerem canonicidade (ordenamento) via PCA.
   • Resultado: O CFP supera significativamente as linhas de base na preservação da geometria não ordenada (PI-CD) e nas métricas de caminho em nível de hierarquia (dpt-distortion). Isso sugere que, mesmo em configurações de dados reais ruidosos, prefixos finitos de hierarquia contêm mecanismos de refinamento aprendíveis.

4. Contribuições Principais

1. Estrutura Conceitual: Introdução dos Campos de Classificação como um modelo métrico-geométrico para agrupamento hierárquico de profundidade infinita, deslocando o foco de aprender uma hierarquia sobre amostras finitas para aprender uma regra de refinamento local reutilizável de pai para filho.
2. Teoria Métrica: Desenvolvimento de uma teoria métrica rigorosa para esses objetos, incluindo definições para distâncias baseadas em árvore, pontos e células, e limites quantitativos para a convergência de truncamentos finitos ao campo completado.
3. Realizabilidade Neural: Prova de que janelas de refinamento finitas podem ser representadas por preditores ReLU, estabelecendo um mecanismo de execução neural finita para conclusão hierárquica de profundidade infinita com limites de complexidade explícitos.

5. Significado e Alegações

O artigo alega que observações hierárquicas finitas podem revelar regras de refinamento locais capazes de gerar campos de classificação substancialmente mais profundos. Os resultados apoiam a visão de que o agrupamento hierárquico pode ser enquadrado como o aprendizado de uma lei de refinamento recursiva local, em vez da construção de um resumo combinatório finito.

Os autores posicionam este trabalho como uma visão complementar aos métodos existentes de agrupamento hierárquico. Eles notam explicitamente limitações: o framework assume um fator de ramificação fixo, separação suficiente e um processo de refinamento reutilizável. Eles reconhecem que estender o framework para hierarquias ruidosas, de ramificação variável, fracamente alinhadas ou não auto-similares permanece uma direção importante para trabalhos futuros. Os experimentos são apresentados como sondas de validação, e não como alegações de que todo problema de agrupamento hierárquico admite um campo de classificação perfeito.