Resumo Técnico: CADS – Sistema Adaptativo Conformal de Decisão para Classificação de Imagens com Eficiência de Custos

1. Declaração do Problema

A adoção generalizada de modelos de IA de alta capacidade é impedida por uma estratégia de implantação "tamanho único" que ignora a heterogeneidade inerente da complexidade das amostras. Em domínios como a imagem médica, os recursos computacionais são frequentemente desperdiçados em casos rotineiros "fáceis" pela aplicação indiscriminada de modelos monolíticos e pesados. Essa abordagem cria uma crise dupla:

• Ambiental: A pegada de carbono do treinamento e implantação de modelos massivos está se tornando insustentável.
• Operacional: A inovação rápida leva ao "envelhecimento de modelos de IA", onde os modelos são frequentemente substituídos em vez de reutilizados com eficiência.

Estruturas dinâmicas existentes, como mecanismos de saída antecipada ou cascatas de confiança, frequentemente dependem de gatilhos heurísticos (por exemplo, probabilidade máxima de softmax) que carecem de garantias estatísticas formais e são propensos a má calibração, particularmente sob deslocamentos de distribuição. Há uma necessidade crítica de uma estrutura que roteie amostras dinamicamente com base na complexidade em tempo real, enquanto fornece quantificação de incerteza matematicamente rigorosa para equilibrar o trade-off custo-precisão.

2. Metodologia: A Estrutura CADS

O Sistema Adaptativo Conformal de Decisão (CADS) é um algoritmo sequencial multi-modelo projetado para tratar a implantação de modelos como um problema de alocação de recursos. Ele roteia amostras através de uma cascata de modelos que vai desde modelos leves "Escoteiros" até arquiteturas de alta capacidade "Oráculos".

2.1 Inovações Principais

O CADS baseia-se em três mecanismos primários:

1. Previsão Conformal para Quantificação de Incerteza: Em vez de depender de rótulos suaves ou limites de confiança arbitrários, o CADS constrói um conjunto de previsões $C(x)$ usando Conjuntos de Previsão Adaptativos (APS). O tamanho desse conjunto serve como um proxy rigoroso para a dificuldade:

   • Singleton ($|C(x)|=1$): Alta certeza.
   • Binário ($|C(x)|=2$): Incerteza moderada.
   • Difícil ($|C(x)| \ge 3$): Alta incerteza.
     Isso permite que o sistema acione a consulta a especialistas apenas quando estatisticamente necessário.

2. Análise de Complementaridade: O sistema pré-calcula padrões de falha entre especialistas em um conjunto de calibração. Ele quantifica o quão bem um especialista $B$ pode corrigir os erros de outro $A$, tanto globalmente quanto especificamente para confusões de pares de classes. Isso permite a seleção dinâmica do especialista mais proficiente em resolver incertezas específicas.

3. Ensemble Ponderado de Dois Níveis: As previsões finais são agregadas usando um esquema de ponderação híbrido:

   • Peso Global ($w_{global}$): Baseado na precisão geral do especialista.
   • Peso Local ($w_{local}$): Baseado na proficiência específica do especialista na classe suspeita.
     A probabilidade final do ensemble é uma combinação linear desses pesos.

2.2 Lógica de Saída Adaptativa

O processo de inferência para quando um limite de confiança pré-definido é atendido. O limite $\alpha_{final}$ é ajustado dinamicamente com base em:

• Impulso de Consenso: Se uma alta porcentagem de especialistas consultados concorda, a confiança necessária é reduzida.
• Dificuldade da Classe: O limite é refinado com base na dificuldade histórica da classe de consenso.
  A cascata termina se a confiança do ensemble exceder $\alpha_{final}$, os dois especialistas mais recentes concordarem e um número mínimo de especialistas tiver sido consultado.

2.3 Otimização

Os hiperparâmetros (incluindo a taxa de não-cobertura conformal $\zeta$, limites de confiança e expoentes de ponderação) são otimizados usando otimização bayesiana (Estimador Parzen Estruturado em Árvore) para maximizar a precisão enquanto aderem estritamente a uma restrição de orçamento computacional ($B$ em GFLOPs).

3. Configuração Experimental

• Modelos: Um conjunto de especialistas foi categorizado em três níveis:
  • Escoteiros: Modelos leves (por exemplo, MobileNetV3, EfficientNet-Lite0) para avaliação rápida de complexidade.
  • Especialistas: Modelos de nível intermediário (por exemplo, MobileViT, ConvNeXt V2 Atto) para maior precisão.
  • Oráculos: Modelos pesados (por exemplo, Swin V2, DINOv2 ViT-Base) para casos de alta incerteza.
• Conjuntos de Dados:
  • PathMNIST: Um benchmark de histologia médica (9 classes) para testar a eficiência de custos em tarefas rotineiras.
  • CIFAR-100: Um ambiente de alta entropia com 100 classes para testar a precisão de roteamento em espaços de rótulos complexos.

4. Resultados Principais

A avaliação em ambos os conjuntos de dados demonstrou que o CADS supera consistentemente especialistas individuais e bases de ensemble convencionais com uma fração do custo computacional.

• PathMNIST: O CADS alcançou a precisão alvo usando aproximadamente 12 vezes menos computação do que as abordagens cumulativas padrão. O sistema utilizou predominantemente modelos Escoteiros e Especialistas, reservando Oráculos apenas para casos de alta incerteza.
• CIFAR-100: O CADS superou a precisão do especialista único de melhor desempenho (89,66% vs. 88,77%), demonstrando que o roteamento adaptativo mitiga efetivamente os vieses individuais dos modelos.
• Estudos de Ablação:
  • Roteamento Conformal: O roteamento baseado em APS superou medidas de incerteza padrão (Max Softmax, Entropia, Margem) em precisão.
  • Necessidade de Componentes: A remoção da lógica de saída conformal tornou o sistema computacionalmente inviável sob orçamentos estritos. A adição de roteamento de complementaridade e ponderação híbrida aumentou ainda mais a precisão de 84,36% para 88,26%.
  • Estratégia de Ponderação: A ponderação híbrida 0,6/0,4 superou significativamente a média uniforme, particularmente em orçamentos baixos.

5. Significado e Alegações

O artigo alega que o CADS representa um passo significativo em direção à implantação de IA sustentável e eficiente. Suas principais contribuições são:

• Rigor Matemático: Ao substituir gatilhos heurísticos por previsão conformal, o CADS fornece garantias estatísticas formais para quantificação de incerteza, o que é essencial para decisões de alto risco como diagnósticos médicos.
• Eficiência de Recursos: Reduz drasticamente a pegada econômica e ambiental da IA ao rotear amostras com precisão com base na complexidade em tempo real, evitando o desperdício de inferência de modelos pesados em casos rotineiros.
• Superioridade Colaborativa: O sistema prova que um ensemble colaborativo pode superar até mesmo o especialista único mais forte ao alavancar inteligentemente a complementaridade dos modelos.

Os autores posicionam o CADS não meramente como uma técnica de otimização, mas como uma metodologia fundamental para a transição de arquiteturas monolíticas para sistemas adaptativos multi-especialistas que equilibram a confiabilidade diagnóstica com a sustentabilidade computacional.