Resumo Técnico: Compreendendo o Alinhamento de Distribuição Sensível ao Domínio em Correspondência de Entidades com Orçamento Limitado

Definição do Problema

A Correspondência de Entidades (Entity Matching - EM) é uma tarefa fundamental de integração de dados que visa determinar se registros de diferentes fontes referem-se à mesma entidade do mundo real. Embora os sistemas de EM de última geração frequentemente dependam do ajuste fino (fine-tuning) de Grandes Modelos de Linguagem Pré-treinados (PLMs) ou Grandes Modelos de Linguagem (LLMs), essas abordagens enfrentam limitações práticas, incluindo altos custos de treinamento e a escassez de dados rotulados para novas tarefas.

Para enfrentar a escassez de dados, trabalhos recentes exploraram a EM de baixo recurso e com consciência de orçamento. Especificamente, o cenário de Correspondência de Entidades entre Domínios com Consciência de Orçamento (Budget-Aware Entity Matching Across Domains - EMAD), introduzido pelo BEACON [12], visa treinar um modelo de EM eficaz para um domínio alvo ao aproveitar seletivamente dados rotulados de outros domínios sob um orçamento de anotação fixo. O BEACON utiliza o Ajuste de Distribuição Treino-Validação (Train–Validation Distribution Fitting - TVDF), uma estratégia de amostragem sensível à distribuição que seleciona amostras fora do domínio para melhorar o alinhamento entre a distribuição de treinamento e uma distribuição alvo (validação).

Apesar do forte desempenho empírico do BEACON, os mecanismos subjacentes que impulsionam seu sucesso permanecem obscuros. Não está bem compreendido como o alinhamento de distribuição se comporta sob variações de restrições de dados, o impacto de diferentes cenários de disponibilidade de rótulos, ou se as suposições específicas feitas pelo TVDF (por exemplo, representação baseada em centroide, seleção não supervisionada) são necessárias para sua eficácia.

Metodologia

Este artigo investiga o framework BEACON e o método TVDF por meio de uma série de experimentos direcionados projetados para isolar o papel do alinhamento de distribuição. O estudo foca em três dimensões primárias:

1. Disponibilidade de Rótulos: Os autores analisam o TVDF sob níveis variados de supervisão, incluindo cenários com rótulos limitados ou ausentes tanto para o domínio interno quanto para o externo. Eles exploram a Amostragem Sensível a Rótulos (Label-Aware Sampling), onde os embeddings são particionados em subconjuntos positivos (correspondentes) e negativos (não correspondentes) para alinhar distribuições específicas de classe, em vez de tratar os dados como um pool homogêneo.
2. Representações de Domínio Alternativas: O estudo avalia se representações mais ricas das distribuições de dados melhoram o alinhamento além da abordagem padrão baseada em centroide. Três alternativas são testadas:
   • TVMed: Utiliza o medoide (amostra mais central) em vez do centroide.
   • TVDFVAR: Considera conjuntamente o centroide e a variância para capturar a dispersão da distribuição.
   • TVCoverage: Um método baseado em cobertura que mede o quão bem o espaço de embedding de treinamento cobre geometricamente a distribuição de proxy, em vez de depender de uma única estatística de resumo.
3. Alinhamento de Distribuição Agnóstico ao Domínio: Os autores isolam o componente de alinhamento de distribuição do TVDF aplicando-o a um cenário de subamostragem agnóstico ao domínio. Neste cenário, o objetivo é reduzir o tamanho de um único conjunto de dados de treinamento para corresponder a uma distribuição de proxy alvo sem partição explícita de domínio. Eles comparam o TVDF contra a subamostragem aleatória, Seleção Mais Próxima ao Centroide (Nearest to Centroid - NC) e Seleção do Vizinho Mais Próximo (Nearest Neighbor - NN).

Os experimentos foram conduzidos no Benchmark de Correspondência de Entidades Multidimensional WDC, particionado em 11 categorias de produtos, utilizando um backbone RoBERTa.

Principais Resultados

1. Disponibilidade de Rótulos

Ao contrário da intuição de que a informação de rótulo deveria sempre melhorar o desempenho, o modelo TVDF não supervisionado alcançou a maior média de F1 macro (0,716) e F1 ponderado (0,719) na maioria das configurações de orçamento.

• As variantes sensíveis a rótulos (TVDF com rótulos de domínio interno, externo ou ambos) geralmente apresentaram desempenho inferior ao baseline não supervisionado.
• Os autores sugerem que o particionamento de dados limitados em distribuições menores específicas de classe pode impactar negativamente domínios menores ou sub-representados.
• No entanto, experimentos greedy offline indicaram que a informação de rótulo pode melhorar o desempenho se aplicada seletivamente por domínio, sugerindo que sua utilidade é dependente do contexto.

2. Representações de Domínio

O estudo descobriu que representações simples de centroide permanecem sendo a abordagem mais eficaz na prática.

• O TVDF (baseado em centroide) alcançou consistentemente o maior desempenho médio (0,716 F1 macro).
• Representações mais complexas como TVMed, TVDFVAR e TVCoverage não superaram consistentemente a abordagem de centroide. Em alguns casos, introduziram ruído ou sobrecarga computacional sem se traduzirem em melhor desempenho downstream.
• O TVCoverage apresentou um desempenho competitivo em orçamentos menores (ex: 5k), mas o TVDF permaneceu superior no geral.

3. Subamostragem Agnóstica ao Domínio

No cenário agnóstico ao domínio, o TVDF superou significativamente outras estratégias de subamostragem (Aleatória, NC, NN) ao reduzir os dados de treinamento para 70% de seu tamanho original.

• O Mais Próximo ao Centroide (NC) teve o pior desempenho (F1 Médio 0,324) porque retém desproporcionalmente amostras negativas (não correspondentes), que dominam os conjuntos de dados de EM e ocupam as regiões centrais do espaço de embedding, levando a um conjunto de treinamento enviesado.
• O Vizinho Mais Próximo (NN) teve um desempenho melhor que o NC, mas inferior à amostragem aleatória, indicando que a seleção baseada apenas em proximidade ainda pode introduzir viés.
• O TVDF alcançou o desempenho mais forte entre os métodos de subamostragem (F1 Médio 0,736), demonstrando que a seleção consciente da distribuição pode mitigar a perda de desempenho quando a redução de dados é necessária.

Significância e Contribuições

O artigo fornece uma visão mais profunda do framework BEACON e do papel específico do alinhamento de distribuição na EM com orçamento limitado. Os autores afirmam as seguintes contribuições:

• Análise Comportamental: Eles demonstram que a natureza não supervisionada do TVDF é frequentemente benéfica, e que adicionar informação de rótulo ou representações de distribuição complexas não garante melhor desempenho.
• Robustez dos Centroides: O estudo valida que representações simples baseadas em centroide são suficientes para capturar a estrutura necessária das distribuições de embedding para seleção de amostras, desafiando a necessidade de resumos estatísticos mais complexos.
• Generalização do Alinhamento: Ao mostrar que a seleção consciente da distribuição (TVDF) é eficaz mesmo em um cenário de subamostragem agnóstico ao domínio, o artigo sugere que o mecanismo central do TVDF é uma estratégia não supervisionada robusta para reduzir os requisitos de dados de treinamento enquanto minimiza a degradação do desempenho.

Os autores concluem que, embora o BEACON sirva como uma base sólida para EM de baixo recurso, trabalhos futuros devem explorar a robustez dessas descobertas em diferentes PLMs e benchmarks adicionais além das aplicações de e-commerce.