Neural Conjugate Aggregation: Identifiable Unsupervised Multi-Sensor Regression under Heterogeneous Sensor Bias

Resumo Técnico: Agregação Conjugada Neural (NCAM)

Definição do Problema
O artigo aborda o desafio da regressão multissensorial não supervisionada, um cenário comum em redes de sensores, conjuntos de simulação e monitoramento científico, onde múltiplas fontes de medição ruidosas e enviesadas estão disponíveis, mas os rótulos de verdade fundamental (ground-truth) para a variável alvo estão ausentes durante o treinamento. Nesses cenários, os sensores frequentemente exibem vieses heterogêneos (multiplicativos e aditivos), níveis de ruído variáveis e deriva temporal. Os métodos clássicos de fusão costumam falhar aqui porque dependem de características conhecidas dos sensores ou de dados rotulados para calibração. Além disso, modelos de fusão de variáveis latentes em configurações não supervisionadas sofrem de não-identificabilidade estrutural, onde múltiplas parametrizações podem explicar as mesmas observações igualmente bem, tornando o estado latente recuperado ambíguo. As abordagens existentes geralmente abordam apenas subconjuntos desses problemas (ex: calibração supervisionada, agregação heurística ou quantificação de incerteza com rótulos), mas carecem de um framework unificado para calibração não supervisionada, estimativa de confiabilidade, identificabilidade e quantificação de incerteza simultaneamente.

Metodologia: Modelo de Agregação Conjugada Neural (NCAM)
Os autores propõem o NCAM, um framework bayesiano hierárquico que integra redes neurais com inferência gaussiana conjugada para realizar a fusão multissensorial não supervisionada.

1. Modelo Generativo:

   • Prior Latente: Uma variável alvo latente $\Theta_i$ é modelada com uma prior Gaussiana $p(\Theta_i | X_i)$, onde a média e a variância são saídas de uma rede neural condicionada a covariáveis contextuais $X_i$.
   • Modelo de Medição: Cada sensor $j$ fornece uma observação ruidosa $b_{ij}$ modelada como $b_{ij} = a_j(X_i)\Theta_i + c_j(X_i) + \epsilon_{ij}$. Redes neurais parametrizam o viés multiplicativo específico do sensor ($a_j$), o viés aditivo ($c_j$) e a variância do ruído dependente da fonte ($\sigma^2_j$).
   • Agregação do Posterior: Devido à estrutura Gaussiana conjugada, o posterior sobre o alvo latente $\Theta_i$, dado todos os sensores, é analiticamente tratável. A média do posterior serve como uma fusão de todos os sensores ponderada pela confiabilidade e corrigida pelo viés, onde os pesos são determinados pela precisão aprendida ($a_j^2 / \sigma_j^2$).

2. Resolução da Não-Identificabilidade (Ancoragem de Sensor):

   • O modelo de medição é invariante sob transformações afins da variável latente, levando à não-identificabilidade. Para resolver isso, o NCAM emprega uma estratégia de ancoragem de sensor: um sensor de referência é fixado com viés multiplicativo $a_{j^*} \equiv 1$ e viés aditivo $c_{j^*} \equiv 0$. Isso quebra a simetria, tornando o estado latente identificável em relação à âncora e garantindo que as melhorias na verossimilhança correspondam a uma acurácia preditiva genuína.

3. Objetivo de Treinamento:

   • Como a verdade fundamental está indisponível, o modelo é treinado maximizando a verossimilhança marginal das medições dos sensores observadas.
   • Para evitar a inflação da variância (onde as variâncias do ruído crescem arbitrariamente sem afetar a verossimilhança), um termo de regularização de variância explícito é adicionado à função de perda, penalizando variâncias extremas de prior e de sensores.

4. Quantificação de Incerteza:

   • Incerteza Bayesiana: O modelo fornece naturalmente incerteza epistêmica (via variância do posterior) e incerteza aleatória (via ruído residual).
   • Calibração Livre de Verdade Fundamental: Para fornecer garantias de cobertura de amostra finita sem alvos rotulados, os autores integram a Predição Conformal de Monte Carlo Localmente Adaptativa (MC-CP). Este procedimento gera realizações sintéticas da distribuição preditiva do posterior para calcular escores de conformidade, produzindo intervalos de predição heterocedásticos.
   • Calibração Ancorada por Sensor: Um mecanismo complementar avalia a consistência das predições fundidas contra as observações dos sensores corrigidas pelo viés diretamente, ofereando uma verificação externa contra erro de especificação do modelo.

Principais Contribuições

• Formulação: O artigo formula a regressão multissensorial não supervisionada como um problema de inferência de estado latente probabilístico que lida conjuntamente com vieses heterogêneos, estimativa de confiabilidade, identificabilidade e incerteza.
• Framework NCAM: Introdução de um modelo bayesiano hierárquico que aprende o viés e a confiabilidade do sensor enquanto admite agregação de posterior conjugada de forma fechada.
• Solução de Identificabilidade: Uma estratégia de ancoragem de sensor fundamentada que resolve a não-identificabilidade estrutural, gerando estimativas de estado latente interpretáveis e identificáveis.
• Calibração: Desenvolvimento de um procedimento de calibração de Monte Carlo conformal livre de verdade fundamental que produz intervalos de predição localmente adaptativos sem requerer observações de alvo rotuladas.
• Validação Empírica: Demonstração de melhoria na acurácia preditiva e incerteza bem calibrada em conjuntos de dados sintéticos e de qualidade do ar do mundo real comparado a baselines não supervisionados (agregação de média, PCA probabilístico, filtro de Kalman e VELI).

Resultos Experimentais
Os autores avaliaram o NCAM em três conjuntos de dados: um conjunto de dados sintético "Toy", SensEURCity (PM2.5 espaço-temporal de três cidades) e CAIRSENSE (sensores de PM2.5 co-localizados).

• Acurácia Preditiva: O NCAM alcançou o melhor ou quase melhor desempenho em todos os conjuntos de dados. No conjunto de dados sintético com vieses heterogêneos conhecidos, o NCAM reduziu o RMSE em aproximadamente 50% em comparação ao próximo melhor baseline não supervisionado (VELI) e em mais de 100% em comparação a métodos clássicos como o filtro de Kalman. Nos conjuntos de dados do mundo real, os ganhos foram substanciais onde o viés do sensor era significativo (SensEURCity) e competitivos onde os sensores eram quase homogêneos (CAIRSENSE).
• Identificabilidade e Viés: Estudos de ablação confirmaram que, sem a ancoragem de sensor, o modelo sofre de não-identificabilidade (melhorando a verossimilhança enquanto degrada a acurácia preditiva). A remoção da modelagem explícita de viés causou quedas dramáticas de desempenho em cenários heterogêneos, mas teve efeitos negligenciáveis ou levemente positivos em cenários altamente correlacionados e de baixo viés.
• Calibração de Incerteza: Os métodos MC-CP propostos forneceram intervalos de predição válidos sem verdade fundamental. O "MC-CP (Model)" gerou os intervalos mais estreitos ao aproveitar a variância adaptativa do modelo, enquanto o "MC-CP Sensor-Anchored" ofereceu uma alternativa conservadora e fundamentada nas medições.

Significância e Alegações
O artigo afirma que a regressão multissensorial confiável é alcançável em ambientes totalmente não supervisionados combinando agregação probabilística fundamentada com calibração de incerteza. A significância reside não na introdução de componentes individuais (inferência bayesiana, redes neurais ou predição conformal), mas em sua integração fundamentada para resolver os desafios únicos e acoplados da fusão de sensores não supervisionada. O framework permite:

1. Estimativa de viés e confiabilidade do sensor sem rótulos.
2. Resolução da não-identificabilidade do estado latente.
3. Geração de predições conscientes de incerteza com garantias de cobertura de amostra finita.

Os autores concluem que a fusão de sensores precisa e consciente da incerteza é viável sem supervisão, particularmente em regimes com viés inter-sensor significativo, permanecendo competitiva em ambientes homogêneos. Sugere-se que trabalhos futuros explorem calibração dependente de variáveis e extensões para alvos multivariados.