Resumo Técnico: KG-SoftMAP

Definição do Problema

Aprender a estrutura de Redes Bayesianas (BNs) a partir de dados é um problema central, porém NP-difícil. Esta tarefa torna-se particularmente intratável quando os dados são esparsos e discretos, um cenário comum em domínios como avaliações educacionais, registros clínicos e redes de sensores, onde cada instância registra apenas um pequeno subconjunto de variáveis (taxas de observação frequentemente abaixo de 5%). Sob tal esparsidade, a maioria dos pares de variáveis carece de observações conjuntas suficientes para uma pontuação ou teste de independência condicional confiáveis. Consequentemente, métodos clássicos e modernos baseados apenas em dados (tanto baseados em restrições quanto baseados em pontuação) falham em recuperar uma estrutura direcionada significativa, frequentemente retornando grafos quase vazios ou esqueletos incorretos.

Embora abordagens puramente orientadas por dados tenham dificuldades, o conhecimento imperfeito sobre as relações entre variáveis muitas vezes existe fora dos dados. Esse conhecimento pode ser expresso como um Grafo de Conhecimento (KG) ponderado e direcionado. No entanto, os métodos existentes para injetar tal conhecimento tendem a situar-se em extremos: ou utilizam restrições rígidas (fixando ou proibindo arestas), que são frágeis quando o conhecimento é incerto, ou utilizam prompts para Grandes Modelos de Linguagem (LLMs) gerarem um grafo diretamente, descartando efetivamente os dados. Há uma falta de um framework geral para tratar um KG ponderado como um prior estrutural suave e sobreponível pelos dados que possa guiar o aprendizado em regimes de esparsidade sem forçar arestas incorretas.

Metodologia: KG-SoftMAP

Os autores propõem o KG-SoftMAP, uma abordagem de dois estágios que aprende estruturas de BN maximizando um objetivo de Máxima A Posteriori (MAP). O método é projetado para ser agnóstico à fonte do KG (curado por especialistas ou extraído por LLM).

1. Construção do Grafo de Conhecimento (Estágio 1)

Se um KG curado não estiver disponível, os autores fornecem um pipeline opcional usando um LLM para extrair um KG ponderado de um texto de referência do domínio.

• Esquema: O LLM extrai nós de Conceito e relações PRECEDES (formando as arestas do KG) com pesos de confiança $w_{uv} \in [0, 1]$.
• Desvios ao Nível da Instância: Se houver texto de nível de instância (ex: respostas de estudantes) disponível, o LLM também identifica erros específicos de conceito com pesos de severidade. Estes são usados apenas durante o pré-processamento dos dados para refinar a matriz de observação, não como parte do prior estrutural.
• Saída: Um grafo direcionado ponderado $K = \{(u, v, w_{uv})\}$.

2. Aprendizado de Estrutura (Estágio 2)

O algoritmo central aprende um Grafo Acíclico Direcionado (DAG) $G$ maximizando o log-posterior:
$$G^* = \arg \max_G \left[ \log P(D | G) + \log P(G | K) \right]$$

• Verossimilhança dos Dados ($\log P(D | G)$): Os autores utilizam o escore BDeu (Bayesian Dirichlet equivalent uniform). Para lidar com a esparsidade, eles empregam pontuação de caso completo (complete-case scoring), onde apenas as linhas onde um nó e todos os seus pais são observados contribuem para as contagens. Isso evita o viés de imputação. Uma extensão EM opcional está disponível para configurações de Dados Ausentes ao Acaso (MAR), mas é computacionalmente cara e não é o padrão.
• Prior de Estrutura do KG ($\log P(G | K)$): Os autores introduzem um prior suave fatorado por aresta. O log-odds de incluir uma aresta $(u \to v)$ é uma função linear do peso de confiança do KG $w_{uv}$:
  $$\text{logit}(\theta_{uv}) = \beta_0 + \beta_1 \cdot w_{uv}$$
  Aqui, $\theta_{uv}$ é a probabilidade a priori da inclusão da aresta.
  • Arestas ausentes no KG ($w_{uv}=0$) possuem uma baixa probabilidade de inclusão base $\theta_0$ (atuando como uma penalidade de esparsidade).
  • Arestas presentes no KG com alta confiança ($w_{uv}=1$) possuem uma alta probabilidade de inclusão $\theta_{max}$.
  • Sobreponível pelos Dados: O prior é "suave". Se a evidência dos dados apoiar fortemente uma aresta não presente no KG, ela pode ser adicionada; inversamente, se os dados penalizarem fortemente uma aresta do KG, ela pode ser removida.
• Procedimento de Busca: A otimização é resolvida via ascensão de coordenadas gananciosa (greedy coordinate ascent - hill-climbing) com três operações: adição de aresta, troca de aresta (substituindo um pai) e deleção de aresta. A busca impõe a aciclicidade e uma restrição de grau de entrada máximo.

Principais Contribuições

1. Prior de KG Suave e Sobreponível pelos Dados: O artigo trata um KG ponderado como um prior estrutural fatorado por aresta onde os log-odds de inclusão são lineares na confiança do KG. Isso permite que o método aproveite o conhecimento de domínio imperfeito enquanto permanece robusto a erros, pois os dados podem sobrepor o prior.
2. Recuperação Controlada de Evidências: Em benchmarks sintéticos com DAGs de verdade fundamental (ground-truth), o KG-SoftMAP demonstra a capacidade de recuperar estrutura direcionada parcial mesmo em esparsidade extrema ($\rho=0.05$), onde baselines baseados apenas em dados (incluindo métodos diferenciáveis modernos como GOLEM, DAGMA e SDCD, e buscas de permutação discretas como GRaSP) recuperam quase zero de estrutura direcionada. O desempenho melhora substancialmente conforme as taxas de observação aumentam ($\rho \ge 0.2$).
3. Robustez à Qualidade do KG: Estudos de ablação mostram que o desempenho degrada graciosamente conforme a qualidade do KG diminui (via corrupção ou ruído). Crucialmente, quando fornecido com um KG aleatório de "zero sinal" (contendo nenhuma aresta verdadeira), o método não recupera nenhuma estrutura (Directed-F1 $\approx 0.00$), confirmando que os ganhos são impulsionados pelo sinal estrutural no KG, e não pelo algoritmo de busca isoladamente.
4. Avaliação de Implantação em Dados Reais: Os autores avaliam o método em três conjuntos de dados educacionais esparsos do mundo real (SAF, ASSISTments, Eedi). Como estes carecem de DAGs de verdade fundamental, a avaliação foca em métricas de implantação: predição, calibração e consistência com o KG.
   • SAF (KG extraído por LLM): O BN aprendido fornece um modelo diagnóstico calibrado e interpretável com arestas consistentes com o KG. Ele fica ligeiramente atrás da regressão logística (LR) em predição (0.03 F1), mas oferece a capacidade de inferir a partir de subconjuntos observados arbitrários e fornece um grafo de conceitos reutilizável.
   • ASSISTments (Sem KG significativo): Quando instanciado com priors heurísticos (similaridade de nome, aleatório), o BN performa mal comparado à LR, confirmando que o método requer um sinal estrutural significativo.
   • Eedi (Ontologia de Especialistas): Usar uma ontologia de especialistas independente como prior aumenta a proporção de arestas dentro do mesmo tópico (consistência estrutural), mas não melhora a predição, destacando o compromisso entre coerência estrutural e poder discriminativo.

Resultados

• Benchmarks Sintéticos: Em $\rho=0.2$, o KG-SoftMAP alcança escores de Directed-F1 entre 0.46 e 0.96 em vários tamanhos de rede, superando significativamente todos os baselines baseados apenas em dados (que permanecem abaixo de 0.44). Em $\rho=0.05$, ele recupera estrutura direcionada parcial (DF1 0.14–0.29) enquanto os baselines falham.
• Ablações:
  • Prior vs. Busca: O ganho é atribuído principalmente ao prior suave. Mesmo aprendizes padrão (como MMHC ou BNLEARN) equipados com o mesmo prior de KG recuperam estrutura substancial, embora o escore do KG-SoftMAP, mais consciente da esparsidade, forneça uma margem adicional.
  • Corrupção: A recuperação degrada suavemente com as taxas de corrupção do KG.
  • Rígido vs. Suave: Sob KGs de alta qualidade e dados suficientes, um prior quase rígido apresenta desempenho comparável ao prior suave. A vantagem do prior suave reside na segurança quando a fidelidade do KG é incerta.
• Dados Reais: O método produz um "modelo diagnóstico" que é bem calibrado e consistente com o KG. No entanto, para pura predição ao nível da célula, modelos discriminativos (como Regressão Logística) continuam sendo o baseline mais forte, especialmente quando nenhum KG significativo existe.

Significância e Alegações

O artigo posiciona o KG-SoftMAP como uma solução para esparsidade extrema, onde os dados sozinhos são insuficientes para o aprendizado de estrutura. Sua significância reside em:

• Preencher a Lacuna: Ele ocupa um meio-termo entre restrições rígidas frágeis e a geração de LLM agnóstica a dados, tratando o conhecimento de domínio como um prior probabilístico que pode ser sobreposto pelos dados.
• Definir o Escopo: Os autores são modestos em suas alegações. Eles afirmam explicitamente que as alegações de recuperação estrutural se limitam a dados sintéticos com verdade fundamental. Para dados reais, o método é apresentado como uma ferramenta de diagnóstico que fornece probabilidades conjuntas interpretáveis e calibradas e estruturas consistentes com o KG, em vez de um preditor superior para resultados ao nível da célula.
• Utilidade Prática: O método é mais valioso quando um KG significativo (mesmo que imperfeito) existe. Se tal conhecimento não estiver disponível, o artigo conclui que baselines discriminativos são preferíveis.

O trabalho não pretende resolver a descoberta causal geral ou substituir a predição discriminativa; em vez disso, oferece um framework robusto para aprender modelos probabilísticos interpretáveis em regimes de escassez de dados, aproveitando efetivamente o conhecimento de domínio externo e imperfeito.