Data-driven sparse identification of governing PDEs via knockoff filters and multi-criteria trade-offs

Resumo Técnico: Identificação esparsa orientada por dados de EDPs governantes via filtros knockoff e compromissos multicritério

Declaração do Problema
A descoberta de equações diferenciais parciais (EDPs) parcimoniosas a partir de dados observacionais ruidosos é um desafio central na ciência orientada por dados. Estruturas existentes, como a Identificação Esparsa de Dinâmicas Não Lineares (SINDy), tipicamente constroem grandes bibliotecas sobredeterminadas de termos candidatos (polinômios e derivadas espaciais) e aplicam regressão esparsa para identificar a equação governante. No entanto, essas bibliotecas de candidatos sofrem inerentemente de multicolinearidade extrema. Essa propriedade torna os algoritmos padrão de regressão esparsa suscetíveis ao ruído observacional, frequentemente levando à seleção de termos espúrios (descobertas falsas) em vez dos mecanismos físicos verdadeiros. Além disso, métodos convencionais que dependem de limiarização heurística, validação cruzada ou critérios de informação (por exemplo, AIC, BIC) carecem de garantias estatísticas formais quanto à Taxa de Descobertas Falsas (FDR). Consequentemente, os praticantes não podem assegurar matematicamente que uma equação descoberta captura física genuína e não artefatos de ruído. Embora abordagens bayesianas e arquiteturas simbólicas profundas ofereçam quantificação de incerteza ou flexibilidade, elas não fornecem controle sobre a FDR em amostras finitas.

Metodologia: KO-PDE-IDENT
Os autores propõem o KO-PDE-IDENT, uma estrutura de três estágios que desloca a descoberta de EDPs de otimização heurística para inferência estatística fundamentada. O método integra filtragem knockoff para triagem rigorosa, eliminação recursiva de características para refinamento e tomada de decisão multicritério (MCDM) para seleção final.

1. Triagem Controlada por FDR via Filtros Knockoff Model-X:
   O primeiro estágio aborda os problemas de multicolinearidade e ruído ao construir um conjunto de suporte de termos candidatos com uma FDR garantida em amostras finitas.

   • Formulação Fraca: Para mitigar a amplificação de ruído inerente à diferenciação numérica, a EDP é formulada em sentido fraco (integral) usando funções de peso suaves, transferindo as derivadas para as funções de teste sem ruído.
   • Construção Knockoff: Para cada termo candidato na biblioteca, uma cópia sintética "knockoff" é gerada. Essas cópias são estatisticamente indistinguíveis das originais em suas correlações com outros termos, mas são condicionalmente independentes da resposta (a derivada temporal). Isso permite que sirvam como controles negativos.
   • Estatísticas de Característica (SHAP-DS): A estrutura introduz uma nova estatística de característica, SHAP-DS, que acopla um solucionador de seleção de melhor subconjunto adaptativo com restrição $\ell_0$ (abess) com Explicações Aditivas SHapley (SHAP). A estatística é definida como a diferença entre a importância SHAP do termo original e a de seu knockoff ($W_j = Z_j - \tilde{Z}_j$). Essa abordagem é computacionalmente eficiente e satisfaz a propriedade de "mudança de sinal" necessária para inferência knockoff válida.
   • Agregação: Para reduzir a aleatoriedade inerente a realizações únicas de knockoff, o método agrega múltiplas realizações usando o procedimento e-value-based Benjamini–Hochberg (e-BH). Isso desaleatoriza o filtro enquanto preserva o controle da FDR. A estrutura ajusta adaptativamente a FDR alvo para garantir que o conjunto de suporte permaneça sobredeterminado (contendo todos os termos verdadeiros) enquanto minimiza falsos positivos.

2. Refinamento via Eliminação Recursiva de Características (RFE):
   Mesmo com controle de FDR, termos espúrios altamente correlacionados podem persistir. O segundo estágio refina o conjunto de suporte usando RFE no espaço de atribuição de características.

   • Classificação SHAP: Os termos são classificados por seus valores absolutos médios de SHAP.
   • Teste de Hipótese Perturbado por Knockoff: Para termos de classificação inferior, o método realiza um teste de postos sinalizados de Wilcoxon unilateral. Compara-se a perda de mínimos quadrados penalizados do modelo original contra um modelo perturbado onde o termo candidato é substituído por sua cópia knockoff. Se o modelo substituído por knockoff performar significativamente melhor (ou igualmente bem), o termo original é considerado estatisticamente desnecessário e removido. Este estágio garante que apenas termos com contribuições marginais genuínas sejam retidos.

3. Seleção de Modelo via Tomada de Decisão Multicritério (MCDM):
   O estágio final seleciona a única equação governante ótima do conjunto refinado de candidatos. Reconhecendo que critérios de informação únicos são insuficientes para equilibrar complexidade, precisão e incerteza, os autores formulam isso como um problema de MCDM.

   • Geração de Candidatos: A seleção de melhor subconjunto enumera todas as alternativas de EDP possíveis sobre o suporte reduzido.
   • Critérios de Avaliação: Cada alternativa é pontuada em seis critérios distintos: (1) precisão preditiva distribucional (via regressão de quantis conformada), (2) complexidade estrutural, (3) complexidade de informação robusta (RICOMP-MM), (4) incerteza de coeficiente (via regressão de função de influência recentralizada), (5) miscalibração (via decomposição Murphy–Ehm) e (6) um critério de cobertura-largura.
   • Agregação de Classificação: Um conjunto de cinco algoritmos de MCDM (TOPSIS, VIKOR, COMET, PROMETHEE-II e CoCoSo) gera classificações individuais. Estas são agregadas usando métodos de consenso (contagem Borda, Schulze, etc.) para identificar a equação governante ótima que melhor equilibra os compromissos.

Contribuições Principais

• Primeira Aplicação de Filtros Knockoff à Descoberta de EDPs: O artigo introduz a primeira estrutura para aplicar filtros knockoff Model-X à identificação de EDPs orientada por dados, fornecendo o primeiro limite explícito, em amostras finitas, sobre a proporção de descobertas falsas.
• Estatística SHAP-DS: Os autores propõem uma estatística de característica nova e computacionalmente eficiente que combina abess e SHAP, superando estatísticas tradicionais do tipo troca em velocidade enquanto mantém a eficácia contra termos espúrios.
• RFE com Perturbações Knockoff: Um novo procedimento de refinamento que usa teste de hipótese perturbado por knockoff para validar a necessidade estatística de termos, eliminando efetivamente falsos positivos que sobrevivem à triagem inicial.
• MCDM para Seleção de Modelo: A estrutura reformula a escolha final da equação como um problema multicritério, agregando métricas diversas (precisão, complexidade, incerteza, calibração) para selecionar robustamente o modelo ótimo, uma capacidade previamente inexplorada neste domínio.

Resultados Empíricos
A estrutura foi validada em cinco sistemas canônicos de EDPs sob condições severas de ruído: equações de Burgers 1D, Korteweg–de Vries (KdV) e Kuramoto–Sivashinsky (KS) (50% de ruído); um sistema de Reação–Difusão 2D (10% de ruído); e um sistema de Gray–Scott 3D (0,1% de ruído).

• Recuperação Estrutural: O KO-PDE-IDENT alcançou uma FDR empírica (eFDR) de zero e um poder empírico (ePOWER) de um em todos os benchmarks. Recuperou exatamente a estrutura verdadeira da EDP, eliminando descobertas falsas enquanto retinha todos os termos subjacentes verdadeiros.
• Precisão de Coeficientes: O método alcançou baixos erros de estimação de coeficientes (abaixo de 5% para sistemas 1D e abaixo de 1% para sistemas multidimensionais).
• Comparação: A estrutura superou consistentemente baselines notáveis como Mínimos Quadrados Limiares Sequenciais (STLSQ), SR3 e SSR, que falharam em controlar a FDR e selecionaram termos espúrios excessivos sob alto ruído.

Significado
O artigo afirma que o KO-PDE-IDENT avança a descoberta de EDPs orientada por dados ao transformá-la de um exercício de otimização de perda e ajuste de hiperparâmetros em um procedimento de inferência estatística rigoroso. Ao garantir que o conjunto de candidatos que entra no estágio de seleção de modelo carregue um limite explícito e teoricamente garantido sobre sua proporção de descobertas falsas, a estrutura traz o rigor da inferência de alta dimensão para um domínio onde ele conspicuamente esteve ausente. A combinação de um estágio de triagem estatisticamente rigoroso com refinamento empírico fundamentado permite a descoberta confiável de leis físicas governantes em sistemas dinâmicos complexos e ruidosos, fornecendo aos praticantes garantia matematicamente rigorosa de que equações descobertas capturam mecanismos genuínos e não artefatos de ruído.