Resumo Técnico: Quais Incertezas Precisamos para Sistemas Dinâmicos?

Declaração do Problema

A distinção entre incerteza aleatória (aleatória/aleatórica - aleatoric uncertainty: aleatoriedade irredutível inerente a um processo) e incerteza epistêmica (epistemic uncertainty: incerteza redutível decorrente da falta de conhecimento) é bem estabelecida no aprendizado de máquina supervisionado. No entanto, essa dicotomia recebeu significativamente menos atenção no contexto de sistemas dinâmicos, apesar da crescente interseção entre aprendizado de máquina (ML) e sistemas dinâmicos (ex: equações diferenciais neurais, ML científico e controle baseado em dados).

O problema central abordado por este artigo é a falta de um framework claro para identificar quais incertezas são necessárias para sistemas dinâmicos. Especificamente, os autores buscam:

1. Revisitar as fontes de incerteza em sistemas dinâmicos.
2. Esclarecer se essas fontes são aleatórias ou epistêmicas.
3. Determinar como os objetivos de representação e quantificação de incerteza variam entre diferentes tarefas (ex: previsão, controle, verificação).

O artigo argumenta que a classificação de uma fonte como aleatória ou epistêmica não é intrínseca à própria fonte, mas depende fortemente da tarefa, das suposições de modelagem e do objeto de interesse.

Metodologia e Framework

O artigo emprega uma análise conceitual em vez de propor um novo algoritmo ou realizar experimentos empíricos. A metodologia envolve:

1. Formalização da Linha de Base: Os autores partem do sistema dinâmico autônomo determinístico contínuo padrão definido pelo problema de valor inicial $\dot{x}(t) = f(x(t)), x(0) = x_0$.
2. Categorização das Fontes de Incerteza: Eles introduzem sistematicamente cinco fontes distintas de incerteza neste modelo de linha de base, analisando como cada uma afeta a evolução da distribuição do estado:
   • S1: Incerteza da Condição Inicial: Substituindo o valor pontual $x_0$ por uma distribuição de probabilidade $p_0$. A evolução é governada pela equação de Liouville.
   • S2: Ruído de Processo: Substituindo a ODE por uma Equação Diferencial Estocástica (SDE) onde o ruído é injetado continuamente. A evolução é governada pela equação de Fokker-Planck.
   • S3: Observações Parciais: Introduzindo uma equação de observação $y_k = h(x(t_k)) + v_k$. Isso leva ao problema de filtragem, onde a incerteza é atualizada via ciclos de predição-atualização (ex: filtros de Kalman).
   • S4: Incerteza de Parâmetros: Tratando os parâmetros $\theta$ da lei de evolução $f_\theta$ como desconhecidos. Esta incerteza propaga-se sistematicamente através do tempo, acumulando erros e potencialmente alterando o comportamento qualitativo (ex: bifurcações) do sistema.
   • S5: Incerteza Estrutural: Abordando casos em que a própria forma do modelo está incorreta (ex: forma funcional errada, variáveis de estado ausentes ou tipo de dinâmica incorreto).
3. Análise de Interações: Os autores discutem como essas fontes se acumulam e como sua dominância relativa muda ao longo de diferentes horizontes de previsão (curto prazo dominado por condições iniciais, longo prazo por parâmetros e estrutura).
4. Classificação Dependente da Tarefa: O artigo avalia a natureza aleatória/epistêmica dessas fontes com base em tarefas específicas (previsão, identificação de sistema, controle, verificação).

Contribuições Principais

1. Uma Taxonomia das Incertezas de Sistemas Dinâmicos

O artigo fornece uma decomposição estruturada das fontes de incerteza específicas para sistemas dinâmicos, distinguindo-as de configurações estáticas de ML. Um insight fundamental é a natureza temporal da propagação da incerteza:

• A incerteza da condição inicial é injetada uma única vez e transformada pelo fluxo.
• O ruído de processo é injetado continuamente.
• A incerteza de parâmetros atua como um viés sistemático que se acumula ao longo do tempo, influenciando todo o histórico da trajetória.

2. Classificação de Tipos de Incerteza Dependente do Contexto

Os autores desafiam a noção de que uma fonte é inerentemente aleatória ou epistêmica. Eles demonstram que a classificação depende das escolhas de modelagem:

• Condições Iniciais Aleatórias vs. Epistêmicas: Se $x_0$ é uma quantidade fixa, porém desconhecida, estimada a partir de sensores imperfeitos, a incerteza é epistêmica. Se $x_0$ é uma variável aleatória representando variabilidade natural (ex: um humano soltando um pêndulo de formas diferentes a cada vez), ela é aleatória.
• Incerteza Estrutural: O artigo destaca que a incerteza estrutural (incerteza sobre "o modelo correto") é qualitativamente distinta. Ao contrário da incerteza de parâmetros, que pode ser reduzida dentro de uma classe de modelos, a inccerteza estrutural envolve "desconhecidos desconhecidos" que não podem ser resolvidos por dados adicionais dentro de um espaço de hipóteses fixo.

3. Necessidade de Quantificação de Incerteza Orientada por Tarefas

O artigo argumenta que a utilidade de separar a incerteza aleatória da epistêmica é dependente da tarefa:

• Previsão/Filtragem: O objeto de interesse primário é o estado $x(t)$.
• Controle: A distinção é operacionalmente crítica. A incerteza epistêmica possui um "valor de informação" e pode ser reduzida ao agir sobre o sistema (exploração), enquanto a incerteza aleatória não pode.
• Verificação: A incerteza é traduzida em conjuntos alcançáveis para garantir a segurança.

4. Perspectivas de Modelagem

Os autores revisam abordagens de modelagem existentes e potenciais:

• Teoria da Probabilidade: Distribuições padrão (de primeira ordem) capturam bem a incerteza aleatória. Distribuições de segunda ordem (distribuições sobre distribuições) são propostas para a incerteza epistêmica, mas podem ser computacionalmente desafiadoras e conceitualmente desnecessárias se a verdade fundamental for uma quantidade precisa, porém desconhecida.
• Representações Baseadas em Conjuntos: O artigo nota a utilidade de inclusões diferenciais e conjuntos credais (conjuntos de distribuições de probabilidade) para representar a incerteza epistêmica, argumentando que eles podem ser mais adequados para capturar a ignorância do que distribuições de probabilidade em certos contextos.

Resultados e Descobertas

Como um artigo conceitual, os "resultados" são insights teóricos e esclarecimentos:

• Dominância Dependente do Horizonte: O artigo estabelece que diferentes fontes de incerteza dominam em diferentes escalas de tempo. As condições iniciais dominam horizontes curtos; o ruído de processo acumula-se em horizontes intermediários; e a incerteza de parâmetros/estrutura domina horizonts longos, determinando o atrator do sistema.
• Mudanças Qualitativas: A incerteza de parâmetros pode levar a mudanças qualitativas no comportamento do sistema (ex: distinguir entre equilíbrio estável e caos), em vez de apenas desvios quantitativos.
• Limitações dos Modelos Probabilísticos Padrão: O artigo sugere que os modelos probabilísticos padrão em ML podem ser insuficientes para sistemas dinâmicos se falharem em distinguir entre incerteza redutível e irredutível, particularmente em configurações de controle.

Significância e Alegações

O artigo afirma sua significância ao fornecer uma perspectiva de aprendizado de máquina sobre a modelagem de incerteza para sistemas dinâmicos, um campo que tem sido menos estudado do que o aprendizado supervisionado.

• Esclarecimento de Conceitos: Esclarece que a dicotomia aleatório-epistêmico não é uma propriedade fixa de uma fonte de dados, mas um resultado da configuração de modelagem e da pergunta específica que está sendo feita.
• Ponte entre Campos: Destaca a relação de via dupla entre ML e sistemas dinâmicos, observando como o ML fornece aproximadores de funções flexíveis (ex: Neural ODEs) para sistemas dinâmicos, enquanto os sistemas dinâmicos fornecem frameworks (ex: filtragem, análise de alcançabilidade) para o ML.
• Direções Futuras: O artigo identifica oportunidades para trabalhos futuros, incluindo:
  • Adaptar métodos de segunda ordem do aprendizado supervisionado para o nível de trajetória de sistemas dinâmicos.
  • Desenvolver novas medidas de quantificação de incerteza que foquem em quantidades derivadas (ex: tempo para estabilização, probabilidade de entrar em uma região) em vez de apenas a incerteza do estado.
  • Abordar a dificuldade de representar a incerteza estrutural ("desconhecidos desconhecidos").

Os autores mantêm uma postura modesta, enquadrando o trabalho como uma perspectiva e um chamado para revisitar suposições fundamentais, em vez de uma proposta de um novo algoritmo específico ou uma demonstração de desempenho superior em benchmarks.