An Information-Geometric Justification for Composite Coherence in Event-Based Narrative Extraction

Resumo Técnico: Uma Justificativa de Geometria da Informação para a Coerência Composta na Extração de Narrativas Baseadas em Eventos

Enunciado do Problema
A extração de narrativas baseada em grafos depende de uma função de coerência para pontuar transições entre eventos (documentos). Embora existam métricas operacionais — que variam de caminhadas aleatórias de influência de palavras até a divergência KL com decaimento temporal — elas carecem de um fundamento matemático principioso. Especificamente, as métricas atuais não são derivadas de uma geometria subjacente do espaço de documentos, não satisfazem necessariamente propriedades métricas adequadas e carecem de uma derivação axiomática. Este artigo aborda a métrica composta específica $C = \sqrt{A \cdot T}$ introduzida por Keith e Mitra [2], onde $A$ é a similaridade angular e $T$ é a similaridade de tópico derivada da distância de Jensen-Shannon. O objetivo é fornecer uma justificativa de geometria da informação para essa combinação específica e caracterizar a média geométrica como o combinador natural sob condições específicas.

Metodologia e Estrutura Teórica
O artigo constrói uma estrutura baseada em Geometria da Informação e Variedades de Produto Riemannianas.

1. Estrutura de Variedade de Produto: Os autores modelam o espaço de documentos como uma variedade de produto $S^{d-1} \times \Delta^{K-1}_+$.

   • O componente angular ($A$) reside na esfera unitária $S^{d-1}$, medindo a distância geodésica entre os embeddings dos documentos.
   • O componente de tópico ($T$) reside no simplexo de probabilidade $\Delta^{K-1}_+$, medindo a proximidade via a distância de Jensen-Shannon ($d_{JS}$) das distribuições de pertencimento a clusters suaves (soft clustering).
   • A Proposição 1 demonstra que o log-coerência negativo se decompõe additivemente: $-\log C = \frac{1}{2}[-\log(1 - d_{ang}/\pi)] + \frac{1}{2}[-\log(1 - d_{JS})]$. Isso trata os custos angulares e de tópico como componentes aditivos em uma variedade de produto.

2. Compatibilidade Local de Chentsov:

   • O artigo invoca o Teorema de Chentsov, que afirma que a métrica de Fisher-Rao é a única métrica Riemanniana no simplexo invariante sob estatísticas suficientes.
   • O Teorema 1 e o Corolário 1 estabelecem que o tensor métrico Riemanniano induzido pela distância de Jensen-Shannon ($d_{JS}$) é exatamente proporcional à matriz de informação de Fisher. Assim, o componente de tópico é localmente consistente com a geometria de Fisher-Rao selecionada pelo teorema de Chentsov.

3. Caracterização Axiomática:

   • Os autores definem um "espectro de compensabilidade" de combinadores de média de potência (Min, HM, GM, AM, Max).
   • O Teorema 3 fornece uma caracterização axiomática mostrando que a Média Geométrica (GM) é o combinador único que satisfaz quatro axiomas naturais:
     • Limite/Veto (Boundary/Veto): $F(0, t) = 0$ (uma falha em um canal resulta em coerência zero).
     • Simetria: $F(a, t) = F(t, a)$.
     • Log-aditividade: $-\log F(a, t)$ se decompõe em uma soma de funções de $-\log a$ e $-\log t$.
     • Normalização: $F(a, a) = a$.
   • O artigo prova que a remoção de qualquer um desses axiomas admite soluções que não sejam a média geométrica.

4. Conexões de Teoria da Informação:

   • O custo angular é identificado como a surpresa de Shannon de uma colisão de hiperplano aleatório (SimHash).
   • O custo de tópico é identificado como uma função estritamente crescente da informação mútua entre uma amostra e um rótulo latente (Proposição 10).
   • A estrutura baseia-se na Complementaridade de Escala: os dois canais capturam informação em diferentes escalas (direção semântica de grão fino vs. pertencimento temático de grão grosso), de modo que não são redundantes apesar do acoplamento estrutural.

Validação Experimental
O framework foi validado através de quatro corpora (Cuba, COVID, VisPub, AMiner) variando de 40 a 6.000 documentos, utilizando diferentes modelos de embedding (GPT-4, MPNet, MiniLM, SPECTER2) e modelos de tópicos (LDA, k-means suave, GMM).

• Propriedades Métricas: A identidade de Fisher ($d_{JS} \approx d_{FR}/\sqrt{2 \ln 2}$) manteve-se com correlação de Pearson $R \ge 0.99$. A média geométrica acompanhou a métrica de produto adequada $d_\times$ com correlação de postos $\rho = 0.999$.
• Desigualdade Triangular: Embora $1 - C_{GM}$ não seja uma métrica em geral, nenhuma violação foi observada em amostragem empírica (exceto em casos degenerados com muito poucos clusters, $K=2$).
• Consistência Downstream: Usando um protocolo de "LLM-como-juiz", a média geométrica não foi empiricamente dominada por nenhum combinador alternativo (AM, HM, Quad, Min, Max) ou baseline de canal único. Diferentes combinadores produziram histórias estruturalmente diferentes, mas estatisticamente indistinguíveis em termos de pontuação de qualidade agregada.
• Perfil de Gargalo-Lacuna (Bottleneck-Gap Profile): Varrendo o expoente de compensabilidade $\alpha$, o componente simétrico da separação entre histórias coerentes e incoerentes foi maximizado exatamente na média geométrica ($\alpha = 0$) em todos os corpora, incluindo um corpus de navegação humana (Wikispeedia) e uma narrativa multimodal de imagem.

Principais Contribuições

1. Leitura Geométrica: O artigo fornece a primeira interpretação de geometria da informação da métrica de coerência composta, mapeando-a para uma variedade de produto onde o log-coerência negativo se decompõe aditivamente.
2. Consistência Local de Fisher-Rao: Demonstra que a distância de Jensen-Shannon usada no componente de tópico induz um tensor métrico proporcional à matriz de informação de Fisher, alinhando a métrica com a geometria única caracterizada pelo teorema de Chentsov.
3. Unicidade Axiomática: Prova que a média geométrica é o único combinador que satisfaz um conjunto específico de quatro axiomas (limite, simetria, log-aditividade, normalização), distinguindo-a de outras médias de potência.
4. Justificativa Empírica: Valida que a média geométrica não é empiricamente dominada e que a premissa de design (incoerências de transição são mais desequilibradas entre canais) é válida, maximizando a separação simétrica de histórias na média geométrica.

Significância e Alegações
O artigo alega fornecer uma justificativa de geometria da informação para a métrica de coerência composta $C = \sqrt{A \cdot T}$, que tem sido utilizada operacionalmente em sistemas como Narrative Maps e Narrative Trails. O trabalho não pretende afirmar que a média geométrica é universalmente ótima para todas as tarefas possíveis de extração de narrativa ou que produz histórias "melhores" em um sentido perceptível por humanos comparado a outros combinadores (visto que a qualidade downstream foi estatisticamente indistinguível).

Em vez disso, a significância reside em:

• Fundamentação Teórica: Mover a métrica de uma definição operacional ad hoc para uma derivada da geometria do espaço de documentos e de princípios axiomáticos.
• Decisão de Modelagem: Enquadrar a escolha do combinador não como um hiperparâmetro a ser ajustado para qualidade, mas como uma decisão de modelagem sobre quais estruturas narrativas destacar (ex: impondo um veto vs. permitindo compensação).
• Utilidade Diagnóstica: Destacar que a estrutura log-aditiva da média geométrica permite a atribuição diagnóstica de custos de caminho a canais específicos (angular vs. tópico), uma característica perdida em outros combinadores como a métrica de produto ao quadrado ($d_\times^2$).

Os autores concluem que a média geométrica é a "escolha natural" sob os requisitos operacionais declarados (veto, simetria, log-aditividade) e a premissa de design de complementaridade de escala, fornecendo uma base rigorosa para seu uso contínuo na extração de narrativas baseadas em eventos.