Resumo Técnico: Quando as Descobertas de Interação Neural são Reais?

Declaração do Problema

O artigo aborda uma questão fundamental na modelagem de séries temporais interpretáveis: quando um modelo neural (especificamente um projetado para capturar interações) relata que uma variável modula o efeito de outra sobre um alvo, essa interação descoberta é uma propriedade genuína do processo gerador de dados ou meramente um artefato da flexibilidade do modelo?

Embora a autorregressão vetorial aditiva neural (NAVAR) e métodos relacionados de causalidade de Granger possam decompor dinâmicas em contribuições de fontes interpretáveis, eles não conseguem expressar naturalmente a modificação de efeito (onde a influência de uma variável depende do nível de outra). Estender esses modelos para incluir portões multiplicativos (G-NAVAR) permite tais interações, mas os autores argumentam que a capacidade representacional não garante a identificabilidade. Um modelo flexível pode admitir múltiplas decomposições de interação observacionalmente equivalentes que se ajustam aos dados igualmente bem, mas diferem em sua interpretação estrutural. O problema central é determinar se a estrutura de interação recuperada é unicamente identificável a partir de dados observacionais ou se é um artefato de otimização impulsionado pela geometria do suporte de entrada.

Metodologia

Arquitetura do Modelo: G-NAVAR

Os autores estudam a Autorregressão Vetorial Neural com Portões (G-NAVAR). Para uma variável alvo $x_i$, o modelo decompõe a média condicional em uma soma de produtos de arestas:
$$\hat{x}_{i,t} = \beta_i + \sum_j f_{ij}(x^{(K)}_{j,t}) \prod_{k \in M_{ij}} g_{ijk}(x^{(K)}_{k,t})$$
Aqui, $f_{ij}$ é uma função base para a fonte $j$, e $g_{ijk}$ são portões multiplicativos estritamente positivos impulsionados por moduladores candidatos $k \in M_{ij}$. O produto $F_{ij} = f_{ij} \prod g_{ijk}$ representa a contribuição efetiva da fonte $j$.

Estrutura Teórica

O artigo estabelece condições de identificabilidade analisando simetrias de gauge e geometria de suporte:

1. Normalização e Minimalidade: Para remover simetrias triviais (redistribuição de escala, permutação de moduladores, inserção de portões iguais a 1), os autores impõem:
   • Normalização: $E[g_{ijk}] = 1$.
   • Minimalidade: Apenas moduladores essenciais (aqueles que alteram não trivialmente o produto da aresta) são incluídos.
2. Obstruções à Identificabilidade:
   • Vazamento Induzido por Dependência: Se as entradas forem dependentes, o condicionamento não isola os efeitos das fontes; variações de ordem inferior podem vazar entre termos específicos de aresta.
   • Suporte de Baixa Dimensão: Se o suporte conjunto dos moduladores for efetivamente de baixa dimensão (ex: colinearidade), funções de portão distintas podem concordar perfeitamente com os dados observados enquanto diferem em outros pontos, tornando a recuperação impossível.
3. Teorema de Identificabilidade: Os autores provam um teorema de identificabilidade populacional para o G-NAVAR minimal normalizado sob condições específicas:
   • Separabilidade de Arestas: As contribuições de diferentes fontes devem ser distinguíveis. Isso é alcançado via uma condição de soma direta para suportes disjuntos ou uma Decomposição Funcional Ortogonal Hierárquica (HOFD) para moduladores compartilhados.
   • Riqueza de Suporte: O suporte conjunto do conjunto de moduladores deve ser um conjunto produto aberto, de dimensão total, com densidade estritamente positiva.
   • Fidelidade de Interação de Portão: O conjunto de moduladores listado deve corresponder aos componentes de interação estrutural.

Ferramentas Diagnósticas Práticas

A teoria gera duas ferramentas operacionais para profissionais:

1. Diagnóstico Pré-Ajuste (Rank Efetivo): O rank efetivo ($r_{eff}$) da matriz de covariância do bloco de lag conjunto serve como um proxy para a riqueza de suporte.
   $$r_{eff}(S) = \frac{(\text{tr } \Sigma_S)^2}{\text{tr}(\Sigma_S^2)}$$
   Um rank efetivo baixo indica colapso de suporte (degenerescência), prevendo a não-identificabilidade antes mesmo de qualquer ajuste de modelo ocorrer.
2. Verificação de Estabilidade Pós-Ajuste: Uma verificação de estabilidade de duas sementes envolve ajustar o modelo duas vezes a partir de sementes aleatórias independentes. Se os rankings de moduladores recuperados discordarem significamente, a estrutura de interação provavelmente não é recuperável de forma estável, mesmo que o suporte pareça rico.

Principais Resultados

Experimentos Sintéticos

• Recuperação em Escala: Em um cenário sintético com suporte rico, o G-NAVAR recupera com sucesso os conjuntos de moduladores verdadeiros e as formas dos portões conforme o tamanho da amostra aumenta, superando bases aditivas (que não podem capturar estrutura multiplicativa) e igualando a precisão preditiva de MLPs de caixa-preta e modelos ANOVA funcional (GA2M).
• Transição de Colapso de Suporte: À medida que a correlação entre moduladores aumenta (reduzindo o rank efetivo), a recuperação dos conjuntos de moduladores colapsa. O erro na estimativa do portão aumenta continuamente conforme $r_{eff}$ diminui, confirmando que a identificabilidade é uma função da geometria do suporte, não apenas do tamanho da amostra.
• Agnosticismo de Modelo: Sob suporte rico, múltiplos modelos conscientes de interação (G-NAVAR, GA2M) recuperam a estrutura, sugerindo que a parametrização é menos crítica que a condição de suporte para a recuperação.

Experimentos com Dados Reais

Os autores validam a teoria através de três regimes empíricos distintos:

1. Qualidade do Ar em Pequim (Suporte Rico, Recuperável):
   • Contexto: Modelagem de arestas $NO_2 \to O_3$ e $PM_{2.5} \to PM_{10}$.
   • Resultado: Um alto rank efetivo ($r_{eff} > 4$) coincide com a recuperação estável dos moduladores esperados (Temperatura para ozônio, Velocidade do Vento para dispersão) em todos os locais. O diagnóstico pré-ajuste previu corretamente a recuperabilidade.
2. Indicadores de Desenvolvimento WDI (Suporte Rico, Instável):
   • Contexto: Modelagem do efeito de rendas de recursos sobre o crescimento do PIB modulado por investimento/comércio.
   • Resultado: Apesar do alto rank efetivo ($r_{eff} \approx 4.47$), a verificação de duas sementes revelou instabilidade (discordância nos principais moduladores, inversões de sinal nas inclinações dos portões). Isso demonstra que suporte rico é necessário, mas não suficiente; a própria estrutura de interação pode ser fraca ou não identificável na distribuição dos dados.
3. Volatilidade Realizada (Suporte Colapsado, Irrecuperável):
   • Contexto: Modelagem de transbordamentos de volatilidade entre índices acionários globais.
   • Resultado: Rank efetivo extremamente baixo ($r_{eff} < 2$) devido à alta correlação cruzada entre mercados. O diagnóstico pré-ajuste sinalizou corretamente o regime como não-identificável. A recuperação foi instável e o modelo falhou em superar as bases aditivas.

Significância e Alegações

O artigo afirma que a descoberta de interações é fundamentalmente um problema de identificabilidade governado pela geometria do suporte de entrada observado, e não pela implementação específica do método de arquitetura neural utilizado.

• Distinção entre Capacidade e Identificabilidade: A capacidade de um modelo de representar interações não implica que ele possa recuperá-las de forma única a partir dos dados.
• Princípios Agnósticos ao Modelo: Embora as provas formais sejam derivadas para o G-NAVAR, os autores argumentam que os fenômenos de não-identificabilidade dependente de suporte e a necessidade de verificações de estabilidade aplicam-se a qualquer método autorregressivo neural flexível que tente descobrir interações.
• Fluxo de Trabalho Prático: O artigo fornece um fluxo de trabalho concreto de dois passos para profissionais:
  1. Calcular o rank efetivo do conjunto de moduladores candidatos antes do ajuste. Se for baixo, a recuperação é impossível, independentemente da complexidade do modelo.
  2. Se o rank for adequado, realizar uma verificação de estabilidade de duas sementes. Se os resultados forem instáveis, a interação descoberta é provavelmente um artefato de otimização e não uma propriedade dos dados.
• Limitações: Os autores são modestos em suas alegações, observando que o diagnóstico é necessário, mas não suficiente (não pode detectar erro de especificação de ordem superior) e que a "estabilidade" de um resultado não garante correção, apenas reprodutibilidade.

Em resumo, o artigo desloca o foco de "podemos ajustar uma interação?" para "a interação é unicamente determinada pelos dados?", fornecendo tanto uma base teórica quanto ferramentas práticas para distinguir descobertas reais de artefatos de otimização.