Resumo Técnico: De Saltos para Assinaturas: Um Método Generativo para Processos de Pontos Temporais

Declaração do Problema

Processos de Pontos Temporais (TPPs) modelam eventos discretos que ocorrem em tempo contínuo, sustentando aplicações em finanças, sismologia e saúde. Embora os NTPPs Neurais tenham avançado o campo usando redes neurais expressivas, eles enfrentam duas limitações primárias:

1. Objetivos de Treinamento: Métodos prevalentes otimizam perdas locais, por evento (ex: maximização de log-verossimilhança). Estes se decompõem em somas de perdas condicionais, falhando em fornecer um sinal global para propriedades estruturais como autocorrelação, dependências de longo alcance e distribuições de temporização conjunta.
2. Métricas de Avaliação: A avaliação padrão baseia-se em Log-Verossimilhança Negativa (NLL) ou métricas pontuais (ex: Erro Médio Absoluto). Estas são insensíveis à estrutura sequencial global, podem mascarar o colapso de modo (mode collapse) e frequentemente favorecem previsões subdispersas. Além disso, medidas de discrepância de distribuição existentes (como MMD ou distâncias de Wasserstein) carecem de justificativa teórica no espaço de caminhos de contagem (funções degrau càdlàg).

Existe uma lacuna teórica significativa: as assinaturas de caminhos rugosos (rough path signatures), que oferecem mapas de características universais e garantias de determinação para caminhos contínuos de variação limitada, não podem ser aplicadas diretamente a TPPs porque os caminhos de amostra de TPPs são descontínuos (càdlàg), violando as suposições de continuidade exigidas para a modelagem generativa baseada em assinatura.

Metodologia: SIGTPP

O artigo propõe o SIGTPP, um framework generativo baseado em assinatura que preenche a lacuna entre sequências de eventos discretos e a teoria de caminhos contínuos. A metodologia consiste em quatro componentes principais:

1. O Embedding de Interchegada ($\Phi$)

Para aplicar métodos de assinatura a saltos discretos, os autores introduzem um levantamento (lift) estável e injetivo do espaço de caminhos de contagem ($\mathcal{N}$) para o espaço de caminhos contínuos de variação limitada ($\mathcal{C}$).

• Mecanismo: Para um caminho de contagem $\eta$ com tempos de evento $t_k$, o embedding constrói uma função contínua linear por partes $x = \Phi(\eta)$. O valor da função em cada tempo de evento $t_k$ é definido como o tempo de interchegada $\tau_k = t_k - t_{k-1}$.
• Aumentação Temporal: A assinatura é computada no caminho aumentado pelo tempo $t \mapsto (t, \Phi(\eta)_t)$ em $\mathbb{R}^2$. Isso codifica tanto os tempos absolos de evento quanto as durações de interchegada, removendo componentes de árvore para garantir que a assinatura seja injetiva.
• Garantia Teórica: O artigo prova que $\Phi$ é Lipschitz contínuo e injetivo. Sob suposições mínimas de separação (tempo mínimo de interchegada $\delta > 0$), o mapa inverso é Hölder contínuo, garantindo que as discrepâncias no espaço embedido reflitam discrepâncias genuínas no espaço original de caminhos de contagem.

2. Perda de Assinatura Global

Em vez de otimizar densidades condicionais por evento, o SIGTPP otimiza uma perda global em trajetórias completas.

• Função de Perda: O modelo minimiza a distância Signature-Wasserstein-1 (Sig-W1) entre as assinaturas truncadas esperadas dos caminhos gerados e os caminhos de dados observados.
• Otimização: A perda é definida como a distância $\ell_2$ entre as assinaturas truncadas esperadas:
  $$\text{Sig-W}^{(M)}_1(\mu_\theta, \nu) := \left\| \mathbb{E}_{N_\theta \sim \mu_\theta} [S_M(\Phi(N_\theta))] - \mathbb{E}_{N \sim \nu} [S_M(\Phi(N))] \right\|_2^2$$
  Isso substitui o discriminador adversário de GANs por uma métrica direta no álgebra de tensores, evitando instabilidade de treinamento.

3. Métricas de Avaliação

Os autores derivam três discrepâncias de distribuição teoricamente fundamentadas para avaliar TPPs generativos, todas baseadas na métrica de caminho $d_N(\eta, \xi) = \int_0^{T_{max}} |\eta_t - \xi_t| dt$:

• Distância de Energia (E): Uma métrica induzida pela propriedade de tipo negativo do espaço $L_1$.
• Distância de Wasserstein-1 (W1): Eleva a métrica de caminho para uma métrica de distribuição.
• Signature-Wasserstein-1 (Sig-W1): Utiliza as assinaturas esperadas como uma medida de discrepância, válida devido à injetividade de $\Phi$.

4. Arquitetura do Modelo

O SIGTPP é implementado como um gerador autorregressivo de 1 passo usando um LSTM de camada única. Ele prevê tempos de log-interchegada condicionados ao estado do histórico, tempo cumulativo atual e ruído exógeno.

Principais Contribuições

1. Embedding de Interchegada: Um mapeamento inovador, estável e injetivo que permite a aplicação de métodos de assinatura a sequências de eventos discretos (caminhos càdlàg).
2. Modelo SIGTPP: O primeiro modelo generativo baseado em assinatura para TPPs, treinado via uma perda global de nível de caminho em vez de perdas condicionais locais.
3. Framework Teórico: Provas estabelecendo a continuidade Lipschitz e a bijetividade do embedding, além da derivação de discrepâncias de distribuição matematicamente válidas (E, W1, Sig-W1) no espaço de caminhos de contagem.
4. Análise de Avaliação: Uma demonstração de que métricas pontuais (MAE/MSE) falham em avaliar a qualidade generativa, frequentemente favorecendo regressores determinísticos que ignoram a variação de distribuição.

Resultados Experimentais

O modelo foi avaliado em 4 conjuntos de dados sintéticos (Poisson, Poisson Inhomogêneo, Hawkes Univariante, Hawkes Multivariante) e 5 conjuntos de dados do mundo real (Terremotos, Stack Overflow, Taobao, Táxi, Yelp).

• Desempenho: O SIGTPP alcançou o melhor ranking médio em 8 métricas complementares. Superou ou igualou os baselines mais fortes (VAE, DDPM, WGAN) em 64% dos pares conjunto-métrica.
• Melhoria Relativa: De acordo com uma métrica de pontuação relativa, o SIGTPP melhorou em relação a cada baseline em pelo menos 19% em média.
• Fidelidade de Distribuição: O SIGTPP superou significativamente os baselines em métricas de distribuição de nível de caminho (E, W1, Sig-W1), mostrando um alinhamento superior com a lei temporal conjunta.
• Compromissos (Trade-offs): O SIGTPP foi excelente em estrutura global, mas subperformou ligeiramente no Continuous Ranked Probability Score (CRPS) em comparação com modelos de difusão (DDPM) e VAEs. Os autores atribuem isso ao fato de que objetivos de nível de caminho priorizam o alinhamento de distribuição global sobre a calibração condicional local.
• Métricas Pontuais: O baseline determinístico (DETER) alcançou as melhores pontuações de MAE/MSE, confirmando que erros pontuais não medem qualidade generativa ou fidelidade de distribuição.

Significância e Alegações

O artigo afirma fornecer um "framework de caminho comum" que unifica a geração e a avaliação de TPPs. Sua principal significância reside em:

• Extensão de Assinaturas para Eventos Discretos: Adaptar com sucesso a teoria de caminhos rugosos para processos càdlàg via o embedding de interchegada.
• Global vs. Local: Demonstrar que a otimização de uma perda de assinatura global produz melhor fidelidade estrutural (autocorrelação, dependências de longo alcance) do que a tradicional maximização de verossimilhança por evento.
• Rigor de Avaliação: Estabelecer que métricas pontuais padrão são insuficientes para TPPs generativos e fornecer um conjunto de discrepâncias de distribuição teoricamente justificadas (E, W1, Sig-W1) como o padrão para avaliação.

Os autores reconhecem limitações, incluindo o custo computacional de assinaturas de alto grau, a natureza artificial do levantamento de interpolação linear e o caráter preliminar dos limites teóricos. No entanto, eles afirmam que o framework oferece uma alternativa robusta para modelar dependências temporais complexas onde a estrutura global é crítica.