Active Timepoint Selection for Learning Measure-Valued Trajectories

Resumo Técnico: Seleção de Tempo Ativo para Aprendizado de Trajetórias de Valores de Medida

Definição do Problema
O artigo aborda o desafio de inferir caminhos de probabilidade contínuos $\{\mu_t\}_{t \in [0,1]}$ a partir de instantâneos destrutivos e esparsos. Este problema é crítico em domínios como a biologia de célula única, onde a aquisição de dados de alta fidelidade (ex: sequenciamento) é dispendiosa e destrutiva, impedindo a amostragem temporal densa. O objetivo é realizar a interpolação de distribuições: recuperar a trajetória contínua subjacente dado um conjunto finito de medidas empíricas observadas em pontos de tempo discretos.

Os autores identificam três desafios primários na aplicação de aprendizado ativo a este cenário:

1. Geometria Não-Euclidiana: Medidas de probabilidade residem no espaço de Wasserstein $\mathcal{P}_2(\mathcal{X})$, que é não linear. Métodos padrão de aprendizado ativo baseados em métricas euclidianas (ex: processos gaussianos padrão) falham porque combinações lineares de medidas não resultam em medidas válidas, e a interpolação ingênua divide a massa em vez de transportá-la.
2. Falta de Incerteza Epistêmica: Os métodos atuais de interpolação de distribuição (ex: flow matching, pontes de Schrödinger) são tipicamente determinísticos. Eles retornam um único caminho ajustado e carecem de um mecanismo para quantificar a incerteza epistêmica, o que é essencial para guiar políticas de aprendizado ativo.
3. Não-Estacionaridade: A dinâmica de valores de medida pode exibir velocidades variáveis (ex: períodos de homeostase interrompidos por eventos de ramificação rápidos). Tempos de aquisição uniformemente espaçados são subótimos para capturar essas regiões transitórias de alta velocidade.

Metodologia
Os autores propõem um framework que estende a experimentação ativa para o espaço de medidas através da construção de um substituto (surrogate) probabilístico tratável. O método consiste em quatro estágios principais:

1. Linearização via Transporte Ótimo Linearizado (LOT):
   Para lidar com a geometria não-euclidiana, o framework mapeia as medidas empíricas observadas $\hat{\mu}_t$ em um espaço tangente comum $T_\sigma \mathcal{P}_2(\mathcal{X})$ definido em uma medida de referência fixa $\sigma$ (escolhida como o baricentro de Wasserstein dos instantâneos observados). Usando o mapa logarítmico do LOT, cada medida é representada como um campo de vetores de deslocamento $v_\mu(x) = T_{\sigma \to \mu}(x) - x$, onde $T$ é o mapa de transporte ótimo. Isso lineariza a geometria de Wasserstein, permitindo que as medidas sejam tratadas como vetores em um espaço de Hilbert.

2. Representação de Baixa Dimensão:
   Os campos de deslocamento de alta dimensão são comprimidos em um espaço latente de baixa dimensão. Os autores achatam os campos de deslocamento reponderados e aplicam Análise de Componentes Principais (PCA) para obter uma representação $c_t$ de $K$ dimensões para cada ponto no tempo $t$.

3. Modelagem Probabilística com Processos Gaussianos (GP):
   Um Processo Gaussiano de Múltiplas Saídas (MOGP) é aplicado sobre a evolução temporal dos coeficientes latentes $c_t$. O modelo assume uma priori de média zero com um kernel de matriz. A posterior do GP fornece uma média preditiva e, crucialmente, uma matriz de covariância que quantifica a incerteza epistêmica sobre a trajetória latente.

   • Reconstrução: Para recuperar a medida prevista $\hat{\mu}_t$ em qualquer tempo $t$, o latente médio é mapeado de volta através da projeção inversa do PCA e do mapa inverso do LOT (adicionando o deslocamento aos marcos de referência).

4. Tratamento de Não-Estacionaridade via Deformação Temporal (Time Warping):
   Para abordar a natureza não-estacionária dos processos biológicos, os autores introduzem uma parametrização de tempo intrínseca. Uma função de deformação $\Phi(t)$ mapeia o tempo físico para um tempo intrínseco $\tau$, representando o comprimento de arco cumulativo da trajetória no espaço de Wasserstein. Um kernel estacionário é aplicado neste domínio deformado, induzindo efetivamente um kernel não-estacionário no tempo físico que se adapta às velocidades locais de mudança de distribuição.

5. Política de Aquisição:
   O framework emprega uma função de aquisição para selecionar o próximo tempo de medição $t^*$. A política seleciona iterativamente $t^*$ para maximizar o ganho de informação, visando especificamente regiões de alta incerteza epistêmica no domínio do tempo intrínseco. Duas estratégias de aquisição são propostas: incerteza ponto a ponto (maximizando o traço da covariância posterior) e redução do risco integrado esperado.

Principais Contribuições

• Conceitual: O artigo formula o problema do aprendizado ativo para trajetórias de valores de medida, estendendo a experimentação ativa de espaços euclidianos para o espaço de medidas de probabilidade.
• Técnica: Constrói um substituto probabilístico tratável no espaço de Wasserstein combinando o Transporte Ótimo Linearizado com Processos Gaussianos de Múltiplas Saídas. Esta combinação permite a quantificação da incerteza epistêmica sobre caminhos de probabilidade, uma capacidade ausente em métodos anteriores de interpolação de distribuição.
• Empírica: Os autores demonstram que sua estratégia de aquisição supera os baselines agnósticos à incerteza (amostragem Uniforme e Aleatória) tanto em conjuntos de dados sintéticos que mimetizam eventos de ramificação quanto em dados reais de transcriptômica de célula única.

Resultados

• Dados Sintéticos: Em um conjunto de dados sintéticos com dinâmica não-estacionária e eventos de ramificação, a estratégia ativa superou consistentemente os baselines Uniforme e Aleatório, particularmente em orçamentos baixos a moderados. O método conseguiu concentrar as medições em regiões de alta velocidade (eventos de ramificação), reduzindo o Erro de Wasserstein Médio e o erro ponderado pela velocidade. A análise de sensibilidade mostrou que o método é mais eficaz quando os eventos de ramificação são altamente localizados.
• Dados do Mundo Real: Aplicado a um conjunto de dados de reprogramação de célula única (fibroblastos de camundongo para iPSCs), a estratégia ativa alcançou o menor erro de reconstrução no regime de orçamento baixo a moderado ($B \le 12$). A vantagem diminuiu conforme o orçamento aumentava e a amostragem se tornava densa, confirmando a utilidade do método em cenários de recursos restritos.
• Estudos de Ablação: Remover a deformação do tempo intrínseco degradou o desempenho, validando a necessidade de modelagem não-estacionária. Reduzir a dimensão latente ($K=2$) causou quedas significativas de desempenho, destacando a necessidade de dimensionalidade suficiente para capturar variações complexas. Fixar a medida de referência (em vez de usar o baricentro) aumentou o erro, enfatizando a importância de minimizar o erro de linearização.

Significância e Alegações
O artigo afirma que sua principal contribuição é permitir o aprendizado ativo no espaço de medidas ao resolver os problemas duais da geometria não-euclidiana e da falta de quantificação de incerteza. Ao alavancar o LOT e os GPs, o framework fornece um mecanismo prático para selecionar tempos de medição ideais que minimizem a incerteza no caminho de probabilidade reconstruído.

Os autores observam limitações: a abordagem depende de uma aproximação de espaço tangente, o que pode introduzir erros sob grandes mudanças distributivas, e o custo computacional é dominado por sub-rotinas de Transporte Ótimo, tornando-o prático para o regime pretendido (até $\sim 10^5$ amostras por instantâneo), mas potencialmente desafiador para conjuntos de dados de milhões de pontos sem novas aproximações escaláveis. Sugere-se como trabalho futuro explorar ferramentas de geometria Riemanniana (múltiplos mapas/charts) e entradas multidimensionais.