The Preisach Extremum Stack is a Shannon-Minimal Sufficient Statistic for Rate-Independent Functionals

Resumo Técnico: O Empilhamento de Extremos de Preisach como um Estatístico Suficiente de Mínima de Shannon

Enunciado do Problema
O artigo aborda a caracterização informacional da classe $\mathcal{R}$ de todos os funcionais computáveis, causais e independentes de taxa. Um funcional é independente de taxa se sua saída é invariante sob reparametrizações de tempo estritamente crescentes (mudanças de tempo monótonas). No contexto da modelagem de histerese, especificamente o operador de Preisach, o objeto algorítmico central é o empilhamento de extremos ($\Pi_n$), uma sequência aninhada de máximos e mínimos alternados que sobrevivem à regra de "limpeza" (wiping-out). Enquanto um resultado anterior estabeleceu que $\Pi_n$ é um estatístico suficiente Kolmogorov-mínimo para $\mathcal{R}$ (minimizando o comprimento de descrição no pior caso), este artigo busca estabelecer o correspondente resultado da teoria de Shannon: se $\Pi_n$ minimiza a informação mútua com a sequência de entrada sob medidas de probabilidade arbitrárias.

Metodologia
Os autores empregam um arcabouço lógico de três etapas combinando análise funcional, processos estocásticos de tempo discreto e teoria da informação:

1. Caracterização da Independência de Taxa: Os autores primeiro provam que a classe $\mathcal{R}$ admite uma fatoração concreta. Eles demonstram que qualquer funcional $F \in \mathcal{R}$ pode ser expresso como uma função computável do empilhamento de extremos $\Pi_n$ no passo de tempo atual. Isso se baseia na propriedade de que duas sequências de entrada que produzem o mesmo empilhamento estão relacionadas por uma reparametrização de tempo monótona (até pontos não extremais) e, portanto, geram saídas idênticas para qualquer funcional independente de taxa.
2. Derivação da Igualdade de Informação Mútua: Usando o teorema de caracterização, os autores mostram que a saída $F[u](n)$ é uma função determinística de $\Pi_n$. Consequentemente, a informação mútua entre o histórico de entrada $u_{0:n}$ e a saída $F[u](n)$ é idêntica à informação mútua entre o empilhamento $\Pi_n$ e a saída.
3. Prova de Minimalidade: Para provar que $\Pi_n$ é um estatístico mínimo, os autores utilizam uma família de indicadores finitos de funcionais definida pela presença de pares específicos $(M, m)$ no empilhamento. Eles argumentam que qualquer estatístico suficiente $S$ para a classe $\mathcal{R}$ deve permitir a reconstrução dessas funções indicadoras e, assim, deve permitir a reconstrução do próprio $\Pi_n$. Ao aplicar a Desigualdade do Processamento de Dados, eles estabelecem que a informação mútua $I(u_{0:n}; \Pi_n)$ é menor ou igual a $I(u_{0:n}; S)$ para qualquer outro estatístico suficiente $S$.

Principais Contribuições e Resultados

• Teorema de Caracterização (Teorema 5): O artigo estabelece que $F \in \mathcal{R}$ se, e somente se, $F[u](n) = f(\Pi_n)$ para uma função computável $f$. Isso prova que o empilhamento de extremos é um invariante completo para funcionais independentes de taxa na grade discreta.
• Igualdade de Informação Mútua (Teorema 9): Para qualquer medida de probabilidade sobre a sequência de entrada e qualquer $F \in \mathcal{R}$, a igualdade $I(u_{0:n}; F[u](n)) = I(\Pi_n; F[u](n))$ é válida. Este resultado indica que descartar o tempo dos extremos e os valores dos pontos não extremais via processo de empilhamento resulta em zero perda de informação mútua em relação a qualquer consulta independente de taxa no tempo final.
• Minimalidade de Shannon (Teorema 13): O resultado principal prova que $\Pi_n$ é um estatístico suficiente de mínima de Shannon. Entre todas as variáveis aleatórias $S$ das quais todas as consultas em $\mathcal{R}$ são computáveis, $\Pi_n$ retém a menor quantidade de informação de Shannon sobre o histórico de entrada $u_{0:n}$.
• Implicação de Estimação (Proposição 15): Os autores demonstram uma aplicação prática para a estimação da medida de Preisach $\mu$ via Mínimos Quadrados Não Negativos (NNLS). Ao manter o processo de empilhamento $(\Pi_t)_{t=0}^n$ online, o sistema NNLS pode ser montado sem armazenar o histórico completo da entrada $u_{0:n}$. Isso reduz os requisitos de memória de $O(n)$ para $O(\max_t |\Pi_t|)$, oferecendo economias significativas para sinais de variação lenta, enquanto a complexidade computacional por passo permanece $O(k \cdot L^2)$, onde $k$ é o tamanho do empilhamento e $L$ é a resolução da grade.

Significância e Alegações
O artigo afirma que sua principal contribuição é o estabelecimento do contraparte da teoria de Shannon para a caracterização de complexidade de Kolmogorov previamente conhecida. Os autores enfatizam que a igualdade de informação mútua é uma consequência direta da estrutura determinística de \mathcal{R revelada pelo teorema de caracterização, e não de um resultado probabilístico profundo. A verdadeira contribuição probabilística é o teorema de minimalidade, que confirma que o empilhamento é a representação de informação mais eficiente para consultas independentes de taxa.

Os autores distinguem entre o empilhamento final $\Pi_n$, que é suficiente para uma única consulta no tempo $n$, e o processo de empilhamento $(\Pi_t)$, que é necessário para a trajetória completa de consultas. Eles esclarecem que o ganho de estimação é alcançado através da manutenção online do processo para reduzir o armazenamento do histórico de entrada, não pela compressão da trajetória em um único estado final.

Finalmente, o artigo observa que, embora a minimalidade de Kolmogorov seja válida no pior caso para sequências individuais, a minimalidade de Shannon é válida em expectativa sob qualquer medida de probabilidade. Os autores afirmam que nem uma caracterização implica a outra, mas ambas identificam o empilhamento de extremos como a representação canônica de informação mínima para a classe de funcionais independentes de taxa. O trabalho conclui levantando questões abertas sobre a extensão destes resultados para operadores de Preisach de valores vetoriais e caracterizações de Fisher–Neyman formais para a estimação da trajetória completa.