📊 statistics

Geometry-Aware Bayesian Quantification via Compositional Data Analysis

Este artigo introduz um método de quantificação Bayesiana consciente da geometria que aproveita representações de razão de logaritmos e a geometria de Aitchison para abordar as limitações de kernels euclidianos na modelagem de posteriors de classificadores, melhorando, assim, a adaptação de desvio de rótulos e a estimativa de prevalência através de diversos domínios de dados.

Autores originais: Alejandro Moreo, Pablo González, Juan José del Coz

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Alejandro Moreo, Pablo González, Juan José del Coz

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando descobrir a composição de uma multidão que você não consegue ver diretamente. Você tem uma "bola de cristal" (um modelo de aprendizado de máquina) que observa as pessoas e adivinha sua profissão. Às vezes, a bola de cristal é muito confiante ("Este é definitivamente um médico!") e às vezes ela está incerta ("Talvez um enfermeiro, talvez um professor?").

O problema é que a multidão que você está observando agora (os dados de teste) pode ter uma mistura de profissões diferente daquela em que a sua bola de cristal foi treinada. Talvez a multidão de treinamento fosse 50% médicos, mas a nova multidão seja 90% médicos. Isso é chamado de Deslocamento de Rótulo (Label Shift).

Seu objetivo é a Quantificação: você não precisa adivinhar o emprego de cada pessoa; você só precisa estimar com precisão a porcentagem de médicos, enfermeiros e professores na nova multidão.

O Problema: O Erro do "Mapa Plano"

O artigo argumenta que a maioria dos métodos atuais para resolver este problema está usando um "mapa plano" para navegar em um "mundo curvo".

O Mundo Curvo (O Simplex): As probabilidades que sua bola de cristal fornece (ex: 80% Médico, 20% Enfermeiro, 0% Professor) sempre somam 100%. Em matemática, isso é chamado de Simplex. Pense nisso como um pedaço de papel triangular. Você não pode se mover "fora" do papel; se você aumentar a porcentagem de Médicos, deve diminuir a de Enfermeiros ou Professores. Eles estão travados entre si.
O Mapa Plano (Espaço Euclidiano): Os métodos padrão tratam essas probabilidades como pontos em uma grade plana (como um gráfico X-Y padrão). Eles usam um "kernel gaussiano", que é essencialmente uma curva de sino.
O Erro: Se você desenhar uma curva de sino em uma grade plana perto da borda do seu papel triangular, metade dessa curva transborda para fora do papel. Em termos matemáticos, isso atribui probabilidade a coisas impossíveis (como ter -5% de Médicos ou 110% de Médicos). Esse "vazamento" faz com que a matemática fique confusa e imprecisa, especialmente quando a bola de cristal é muito confiante (o que empurra os dados diretamente para as bordas do triângulo).

A Solução: Uma Nova Bússola e uma Rede de Segurança

Os autores propõem uma nova maneira de fazer essa matemática que respeita o formato do triângulo.

1. A Nova Bússola (Análise de Dados Composicionais):
Em vez de usar uma grade plana, eles usam uma transformação matemática especial (chamada razão de logaritmo ou log-ratio) que transforma o papel triangular em uma superfície plana sem rasgá-lo ou deixar transbordar pelas bordas. É como desdobrar um mapa da Terra para que as distâncias e ângulos façam sentido em relação uns aos outros. Isso permite que eles desenhem suas "curvas de sino" (kernels) de uma forma que permaneça perfeitamente dentro do triângulo.

2. A Rede de Segurança (Shrinkage/Contração):
Há um porém. Quando a bola de cristal é excessivamente confiante (dizendo 99,9% Médico), a matemática nesse novo mapa pode se tornar instável e trêmula perto das bordas.
Para corrigir isso, os autores adicionam uma "rede de segurança" chamada Shrinkage (Contração). Imagine puxar cada ponto do triângulo levemente em direção ao centro.

Se o ponto estiver na borda extrema (99,9% Médico), a rede de segurança o puxa de volta um pouco para (95% Médico).
Isso impede que a matemática quebre nas bordas.
Crucialmente, eles ajustam o "nível de zoom" (largura de banda ou bandwidth) de suas curvas de sino para que esse ato de puxar não distorça a resposta final. É como dar zoom para fora o suficiente para que os pontos puxados ainda representem a multidão original com precisão.

O Resultado: Uma Bola de Cristal Bayesiana

Ao combinar este novo mapa de "mundo curvo" com a "rede de segurança", os autores criam um sistema que pode fazer duas coisas:

Estimativa de Ponto: Fornecer um único melhor palpite para a composição da multidão (ex: "São 85% Médicos").
Inferência Bayesiana: Fornecer um intervalo de respostas prováveis com um nível de confiança (ex: "Está entre 80% e 90% de Médicos"). Isso é como o detetive dizendo: "Estou quase certo, mas aqui está a margem de erro".

O Que os Experimentos Mostram

A equipe testou isso em 42 conjuntos de dados diferentes (texto, imagens e planilhas).

Precisão: O método deles foi consistentemente melhor do que os métodos de "mapa plano" antigos, especialmente quando os dados estavam perto das bordas (previsões de alta confiança).
Robustez: Sem a "rede de segurança" (shrinkage), o novo método às vezes falhava drasticamente em conjuntos de dados específicos. Com a rede de segurança, ele se tornou confiável.
Incerteza: O método deles forneceu intervalos de confiança melhores do que outros métodos bayesianos, o que significa que eles foram melhores em dizer quando não tinham certeza.

Em Resumo

O artigo diz: "Pare de tentar medir um sistema triangular e interconectado com uma régua plana e independente. Use um mapa projetado para triângulos, mas adicione uma rede de segurança para evitar que a matemática quebre nas bordas. Isso oferece palpites mais precisos sobre a demografia da multidão e uma melhor noção de quão seguro você pode estar desses palpites."

Resumo Técnico: Quantificação Bayesiana Ciente de Geometria via Análise de Dados Composicionais

1. Definição do Problema

O artigo aborda o problema da quantificação (ou estimativa de prevalência de classes) sob deslocamento de rótulo (label shift). Neste cenário, um classificador treinado em uma distribuição de origem $P_s$ deve estimar a distribuição de classes desconhecida $P_t(Y)$ de um domínio alvo, assumindo que a distribuição condicional de características dadas as classes permanece invariante ( $P_s(X|Y) = P_t(X|Y)$ ).

Embora muitos métodos operem diretamente sobre as probabilidades a posteriori do classificador, os autores identificam um desajuste geométrico fundamental nas abordagens existentes baseadas em densidade contínua (especificamente, quantificadores baseados em KDE como o KDEy). Vetores de probabilidade a posteriori residem no simplexo de probabilidade ( $\Delta^{K-1}$ ), constituindo dados composicionais. A Estimativa de Densidade de Kernel (KDE) padrão utiliza núcleos Gaussianos Euclidianos, que ignoram a estrutura relativa das composições. Isso leva a dois problemas críticos:

Violação de Fronteira: Núcleos Euclidianos atribuem massa de probabilidade não nula fora das fronteiras do simplexo.
Geometria Distorcida: A distância Euclidiana não respeita a natureza relativa das composições, podendo distorcer as relações de similaridade entre os vetores de probabilidade a posteriori.

Este desajuste é particularmente severo próximo às fronteiras do simplexo, onde as previsões confiantes do classificador (comuns em configurações do mundo real, especialmente com redes neurais) se concentram.

2. Metodologia

A solução proposta integra a Análise de Dados Composicionais (CoDA) com inferência Bayesiana e uma nova regularização por encolhimento (shrinkage).

A. Representação Ciente de Geometria
Em vez de modelar densidades no espaço Euclidiano ambiente, o método transforma os vetores a posteriori $p$ em coordenadas de razão logarítmica usando a transformação de Razão Logarítmica Centrada (CLR):
$\phi(p) = \left( \log \frac{p_1}{g(p)}, \dots, \log \frac{p_K}{g(p)} \right)$
onde $g(p)$ é a média geométrica dos componentes. Isso mapeia o simplexo para um subespaço de soma zero de $\mathbb{R}^K$ , permitindo uma estimativa de densidade consistente com a geometria de Aitchison.

B. Regularização por Encolhimento (Shrinkage)
Os autores observam que transformações de razão logarítmica ingênuas tornam-se instáveis perto da fronteira do simplexo (onde os componentes se aproximam de zero). Para mitigar isso, eles introduzem uma transformação de encolhimento $T_\lambda$ :
$T_\lambda(p) = (1-\lambda)p + \lambda u$
onde $u = (1/K, \dots, 1/K)$ é o baricentro e $\lambda \in [0, 1)$ .

Efeito: Isso contrai o simplexo efetivo em direção ao centro, garantindo que as composições transformadas permaneçam afastadas de zero.
Ajuste de Largura de Banda (Bandwidth): O encolhimento reescala uniformemente as distâncias no hiperplano do simplexo por $(1-\lambda)$ . Consequentemente, a largura de banda efetiva é ajustada para $h_{eff} = (1-\lambda)h$ para preservar os níveis de suavização.
Justificativa Teórica: À medida que $\lambda \to 1$ , a transformação lineariza o mapa CLR próximo ao baricentro, regularizando a geometria sem colapsar o modelo em um KDE Euclidiano padrão.

C. Formulação Bayesiana
O método formula a quantificação como um problema de estimativa de densidade de mistura. A verossimilhança do vetor de prevalência alvo $\pi$ dado os a posteriori observados $P$ é derivada. Crucialmente, o termo Jacobiano resultante da mudança de variáveis (do simplexo para o espaço de razão logarítmica) é independente de $\pi$ . Isso permite uma inferência Bayesiana a posteriori prática:
$p(\pi | P) \propto p(\pi) \prod_{i=1}^n \left( \sum_{k=1}^K \pi_k f_k^h(z^{(i)}) \right)$
onde $z^{(i)} = \phi(T_\lambda(p^{(i)}))$ e $f_k^h$ são as densidades condicionais de classe estimadas no espaço transformado. Esta formulação suporta tanto a estimativa de ponto (via Máxima Verossimilhança) quanto a inferência Bayesiana completa (via amostragem, ex: NUTS) sobre as prevalências de classe.

3. Principais Contribuições

KDE Ciente de Geometria: O primeiro quantificador baseado em KDE que respeita a geometria do simplexo das probabilidades a posteriori usando transformações de razão logarítmica e geometria de Aitchison.
Regularização por Encolhimento: Um mecanismo inovador para estabilizar a modelagem de razão logarítmica próximo às fronteiras do simplexo, evitando instabilidade numérica enquanto preserva a estrutura composicional.
Estrutura Bayesiana para KDE: Uma derivação fundamentada da inferência Bayesiana para quantificadores baseados em KDE, superando limitações anteriores onde tais formulações eram restritas a modelos discretizados (histogramas) ou problemas binários.
Validação Empírica: Avaliação abrangente em 42 conjuntos de dados (tabulares, texto e imagem) demonstrando desempenho competitivo contra estimadores de ponto de última geração e resultados superiores entre os métodos de quantificação Bayesiana.

4. Resultados Experimentais

Os autores avaliaram o método (denotado como KDEy(Ait- $\lambda$ ) para estimativa de ponto e Bayes-KDEy(Ait- $\lambda$ ) para inferência Bayesiana) contra baselines incluindo CC, PCC, BBSE/ACC, MLLS/EMQ e o KDE Gaussiano padrão (KDEy(Gau)).

Estimativa de Ponto: O método proposto alcançou o melhor ranking médio tanto em Erro Absoluto (AE) quanto em erro de razão de peso ao quadrado (W) em todas as modalidades (tabular, texto, imagem). Frequentemente superou o KDE Gaussiano padrão, particularmente em conjuntos de dados tabulares e de imagem.
Quantificação de Incerteza: No regime Bayesiano, o método forneceu boa cobertura e amplitudes de intervalo razoáveis. Embora o Bayes-ACC tenha mostrado lacunas de cobertura bruta ligeiramente melhores ao custo de intervalos maiores e estimativa de ponto mais fraca, os métodos baseados em KDE propostos ofereceram o melhor ranking agregado geral.
Robustez à Severidade do Deslocamento: O método dominou nos regimes de deslocamento baixo, médio e alto, com exceção de conjuntos de dados de texto específicos em deslocamento baixo/médio onde outros métodos Bayesianos performaram ligeiramente melhor.
Desempenho na Fronteira: Em experimentos com prevalências alvo concentradas próximo à fronteira do simplexo ( $\alpha_{test}=0.1$ ), o KDE de Aitchison regularizado por encolhimento superou significativamente o KDE Gaussiano Euclidiano e os baselines de bootstrap, validando a necessidade de respeitar a geometria do simplexo nesses regimes.
Ablação: A remoção do encolhimento ( $\lambda=0$ ) levou a falhas agudas em benchmarks específicos, confirmando que o encolhimento não é apenas uma salvaguarda numérica, mas um mecanismo adaptativo essencial para a estabilidade.

5. Significância e Alegações

O artigo alega que respeitar a geometria do simplexo das probabilidades a posteriori é não apenas motivado teoricamente, mas também benéfico na prática para a quantificação multiclasse. Os autores argumentam que:

KDEs Euclidianos padrão introduzem desajustes geométricos que levam a previsões de prevalência enviesadas ou instáveis, especialmente perto das fronteiras.
A representação de razão logarítmica regularizada por encolhimento preenche a lacuna entre os requisitos teóricos da análise de dados composicionais e a praticidade computacional exigida pelos fluxos de trabalho de aprendizado de máquina.
A formulação Bayesiana derivada permite a quantificação de incerteza fundamentada para métodos baseados em densidade contínua, uma capacidade anteriormente ausente no cenário multiclasse.

Os autores mantêm-se modestos quanto às limitações, observando que a abordagem atual depende da seleção de parâmetros de encolhimento e de largura de banda via validação, e que um tratamento Bayesiano completo desses hiperparâmetros permanece como uma direção aberta. Eles também reconhecem que o método é atualmente específico para deslocamento de rótulo, deixando variantes de deslocamento de covariáveis para trabalhos futuros.