📊 statistics

Subjective Risk Decomposition: A New View for Uncertainty Quantification

Este artigo propõe um novo arcabouço para quantificação de incerteza onde as medidas de incerteza epistêmica e aleatória são derivadas como consequências da decomposição de um risco subjetivo baseado em uma perda estritamente própria, unificando assim métricas existentes e estabelecendo uma base para uma abordagem de quantificação de incerteza fundamentada na teoria do aprendizado.

Autores originais: Raghad Alamri, Michele Caprio, Gavin Brown

Publicado 2026-07-17

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Raghad Alamri, Michele Caprio, Gavin Brown

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

O Mistério da Bola de Cristal

Imagine que você está tentando prever o futuro. Talvez esteja adivinhando o placar de uma partida de futebol, o tempo para amanhã ou o que um amigo dirá em seguida. No mundo da ciência da computação, especificamente em um campo chamado Aprendizado de Máquina (Machine Learning), construímos "bolas de cristal" digitais (modelos) para fazer essas suposições. Mas aqui está a parte complicada: um modelo pode estar confiante e ainda assim estar errado. É por isso que os cientistas se preocupam profundamente com a Quantificação de Incerteza. Não se trata apenas de acertar a resposta; trata-se de saber o quão certo o modelo está.

Para entender este artigo, precisamos conhecer dois tipos principais de "não saber". Primeiro, há a incerteza Aleatória (Aleatoric uncertainty). Pense nisso como o ruído no sistema — as coisas que você simplesmente não pode controlar, como uma rajada de vento repentina mudando a trajetória de uma bola de futebol. É a bagunça "irreredutível" do mundo real. Segundo, há a incerteza Epistêmica (Epistemic uncertainty). Este é o tipo de "eu não sei o que não sei". É a incerteza que vem do próprio modelo, talvez porque ele não viu dados suficientes ou está confuso sobre as regras. Por muito tempo, os cientistas argumentaram fervorosamente sobre como medir esses dois tipos de incerteza, tentando escrever regras estritas (axiomas) para defini-los.

A Grande Ideia do Artigo: Pare de Discutir, Comece a Decompor

Este artigo, intitulado "Subjective Risk Decomposition", sugere que toda essa discussão pode estar perdendo o ponto central. Os autores, Raghad Alamri, Michele Caprio e Gavin Brown, propõem uma nova maneira de olhar para o problema. Em vez de tentar definir a incerteza como um objeto misterioso e independente, eles sugerem que a incerteza é, na verdade, apenas uma consequência de como escolhemos avaliar nossos modelos.

Imagine que você é um professor corrigindo a redação de um aluno. Você tem uma rubrica específica (um conjunto de regras) para dar pontos. Se você mudar a rubrica, a nota muda, mesmo que a redação permaneça a mesma. Os autores argumentam que a "incerteza" é como essa nota. Não é um número mágico flutuando no ar; é o resultado de um cálculo específico baseado em uma "rubrica" específica (que eles chamam de perda estritamente própria / strictly proper loss).

O artigo introduz o conceito de Risco Subjetivo (Subjective Risk). Em termos simples, esta é uma forma de perguntar: "Se o modelo acredita que o mundo é de uma certa maneira, quão ruim seria se o mundo real acabasse sendo diferente?". Os autores mostram que, se você pegar este "Risco Subjetivo" e decompô-lo, as partes que você obtém são exatamente os diferentes tipos de incerteza que os cientistas tentam definir há anos.

Como o Truque de Mágica Funciona

Os autores utilizam uma ferramenta matemática chamada divergência de Bregman (pense nisso como um tipo especial de régua que mede a distância entre duas formas diferentes de ver o mundo). Quando aplicam essa régua ao "Risco Subjetivo", ela naturalmente se divide em três partes distintas:

Viés (O Erro Sistemático): Esta é a parte onde a crença média do modelo é simplesmente errada em comparação com a realidade. É como uma bússola que sempre aponta ligeiramente para o norte em vez do norte verdadeiro. O artigo argumenta que isso não é "incerteza" da maneira que costumamos pensar; é apenas um erro no embasamento do modelo.
Variância (A Parte Epistêmica): Esta é a parte do "estou confuso". Ela mede o quanto as previsões do modelo oscilam quando ele vê dados ligeiramente diferentes. Se o modelo é um aluno nervoso e saltitante que dá uma resposta diferente toda vez que você pergunta, esse número é alto. Os autores mostram que medidas famosas como a Informação Mútua (Mutual Information) (um termo matemático complexo para o quanto o estado interno do modelo nos diz sobre sua previsão) são apenas versões especiais desta variância.
Entropia (A Parte Aleatória): Esta é a parte do "ruído". É a aleatoriedade inerente da situação que nenhum volume de dados pode corrigir. É a "rajada de vento" em nossa analogia do futebol.

Por Que Isso Muda Tudo

O artigo sugere que todas as diferentes fórmulas que os cientistas inventaram ao longo dos anos não são, na verdade, inimigas competindo entre si. Elas são apenas sabores diferentes da mesma receita subjacente.

O Método "Gal": Uma forma famosa de medir a incerteza (por um pesquisador chamado Gal) utiliza um tipo específico de matemática chamada "log-loss". Os autores mostram que, se você usar essa perda específica, sua decomposição resulta naturalmente na famosa fórmula de "Informação Mútua".
O Método "Sale": Outro grupo de pesquisadores utiliza uma matemática diferente (perda ao quadrado / squared loss). Os autores mostram que, se você usar essa perda, obterá uma fórmula diferente (baseada em variância), que também é válida, apenas para um tipo diferente de problema.

O artigo argumenta explicitamente contra a ideia de que precisamos escrever novas regras (axiomas) para decidir qual medida de incerteza é a "correta". Em vez disso, eles dizem que a medida "correta" é simplesmente aquela que surge naturalmente da função de perda específica que você escolheu para o seu problema. Se você escolher uma perda que se preocupa em ser "buscadora de moda" (focando no resultado mais provável), você obtém um tipo de incerteza. Se escolher uma que se preocupa em ser "buscadora de média" (fazendo a média de tudo), você obtém outro.

A Conexão com a Teoria do Aprendizado

Os autores também dão um passo adiante e conectam essa ideia à Teoria do Aprendizado Estatístico (Statistical Learning Theory), que é a matemática por trás de como as máquinas aprendem com os dados. Eles introduzem novos termos como "Gap de Aproximação Subjetiva" e "Erro de Estimação Subjetiva".

Eles descobrem que a "Incerteza Epistêmica" (a parte redutível) é, na verdade, uma mistura de duas coisas:

O quanto o modelo discorda de si mesmo (a parte da variância/Informação Mútu).
O quanto o modelo é limitado pelo tipo específico de modelo que ele é (o gap de aproximação).

Este é um insight crucial. Sugere que, quando dizemos que um modelo tem "alta incerteza epistêmica", podemos estar confundindo dois problemas diferentes: o modelo está apenas confuso (variância) ou o modelo é a ferramenta errada para o trabalho (aproximação). O artigo sugere que a famosa medida de "Informação Mútua" captura apenas a primeira parte (a confusão) e pode estar subestimando a incerteza total "redutível" porque ignora a segunda parte.

O Ponto Final

Em resumo, este artigo não inventa uma nova maneira de calcular a incerteza. Em vez disso, ele fornece um mapa unificado. Ele nos diz que todos os muitos mapas que temos usado estão corretos, mas estão apenas olhando para a mesma montanha de ângulos diferentes.

Os autores sugerem que devemos parar de tratar a incerteza como um elemento primitivo misterioso que precisa ser definido do zero. Em vez disso, devemos olhar para o Risco Subjetivo — o custo de estar errado de acordo com nossas próprias crenças — e decompô-lo. As peças que encontramos são as medidas de incerteza que estivemos procurando o tempo todo. É uma mudança do "O que é a incerteza?" para "Como escolhemos medi-la?".

O artigo ressalta cuidadosamente que este é um arcabouço teórico. Ele explica por que diferentes medidas existem e como elas se relacionam, mas não afirma ter resolvido todos os problemas práticos na área. É uma nova lente que torna o cenário existente muito mais claro, sugerindo que as divergências no campo são frequentemente apenas diferenças nas "réguas" (funções de perda) que as pessoas estão usando, e não contradições na própria natureza da incerteza.

Resumo Técnico: Decomposição de Risco Subjetivo: Uma Nova Visão para a Quantificação de Incerteza

Problema
O campo da Quantificação de Incerteza (UQ) sofre atualmente com uma proliferação de definições concorrentes para a incerteza aleatória (irreduzível) e epistêmica (redutível). Embora frameworks como o de Gal (2016) forneçam decomposições informacionalmente influentes, a literatura contém inúmeras medidas alternativas motivadas por diferentes pressupostos de modelagem e domínios de aplicação. Isso levou a debates sobre os fundamentos axiomáticos dos termos de UQ e se a dicotomia aleatória/epistêmica é, de fato, significativa. As abordagens existentes frequentemente tratam as medidas de incerteza como objetos primitivos que requerem justificativa independente, ou dependem de estratégias de "todas as combinações" que geram medidas candidatas sem explicar por que medidas específicas se comportam de maneira diferente ou qual é a apropriada para um determinado cenário.

Metodologia
Os autores propõem um framework unificado onde as medidas de incerteza não são primitivas, mas consequências de decisões de modelagem de nível superior, especificamente a escolha de uma função de perda estritamente própria e a avaliação do risco.

O Risco Subjetivo como Fundação: O artigo adota a noção decisória de risco subjetivo (Savage, 1971), definido como o risco esperado de um modelo $q$ avaliado contra uma distribuição verdadeira $p$ , mas onde a esperança é tomada sobre as próprias crenças do modelo ( $q$ ) em vez do processo real gerador de dados ( $p$ ). Formalmente, para uma perda estritamente própria $\ell$ , o risco subjetivo é $R_q(p) = \mathbb{E}_{\hat{Y} \sim q}[\ell(p, \hat{Y})]$ .
- Diferente do risco objetivo ( $\mathbb{E}_{Y \sim p}[\ell(q, Y)]$ ), que responde "quão correto é o modelo?", o risco subjetivo responde "quão realista é o modelo?" ao penalizar o modelo por atribuir massa a resultados que a distribuição verdadeira considera implausíveis.
- Esta formulação utiliza o argumento reverso da perda (avaliando $p$ sob $q$ ), o que corresponde à entropia cruzada reversa ou à divergência KL reversa no caso da perda logarítmica (log-loss).
Decomposição via Divergências de Bregman: Aproveitando as propriedades das perdas estritamente próprias, os autores mostram que o risco subjetivo esperado admite uma decomposição de viés-variância reversa.
- O risco subjetivo esperado é decomposto em três termos:
  $\mathbb{E}_\theta [R_{q_\theta}(p)] = \underbrace{B_\phi(\bar{q}, p)}_{\text{Viés}} + \underbrace{\mathbb{E}_\theta [B_\phi(q_\theta, \bar{q})]}_{\text{Variância}} + \underbrace{\mathbb{E}_\theta [H_\ell(q_\theta)]}_{\text{Entropia Generalizada}}$
- Aqui, $\bar{q}$ é o centroide de Bregman à direita (a mistura das distribuições preditivas), $B_\phi$ é a divergência de Bregman induzida pela perda, e $H_\ell$ é a entropia generalizada.
- O termo de Variância é identificado como a medida da incerteza epistêmica, e o termo de Entropia Generalizada é identificado como incerteza aleatória.
Extensão à Teoria do Aprendizado: Os autores estendem este framework para a teoria do aprendizado estatístico ao definir análogos subjetivos de conceitos padrão:
- Risco Subjetivo Excedente: A diferença entre o risco subjetivo esperado de um modelo e o melhor modelo da classe.
- Gap de Aproximação Subjetiva: O erro devido ao fato de a classe de hipóteses não conter o modelo subjetivo ideal (análogo ao erro de aproximação).
- Erro de Estimação Subjetiva: O erro devido a dados finitos e incerteza de parâmetros (análogo ao erro de estimação).

Principais Contribuições e Resultados

Unificação de Medidas Existentes: O artigo demonstra que inúmeras medidas de incerteza existentes são casos especiais desta decomposição, derivados pela escolha de funções de perda e classes de hipóteses específicas:
- Medidas Informacionais (Gal, 2016): Ao utilizar a perda logarítmica em distribuições categóricas, a decomposição recupera a incerteza epistêmica de Gal como a informação mútua $I(\hat{Y}; \Theta)$ (a variância de Bregman) e a incerteza aleatória como a entropia condicional $H(\hat{Y}|\Theta)$ .
- Regressão Gaussiana: Para modelos gaussianos com média e variância desconhecidas, o framework recupera os termos de entropia diferencial e informação mútua usados em UQ de regressão.
- Incerteza por Rótulo (Label-wise): Utilizando a perda de erro quadrático (Brier score) em distribuições de Bernoulli, recupera-se as medidas de incerteza "por rótulo" propostas por Sale et al. (2024).
Explicação da Divergência: O framework explica por que diferentes medidas (ex: baseadas em entropia vs. baseadas em variância) se comportam de maneira distinta. Essas diferenças não são contradições, mas consequências da geometria da função de perda. Perdas com alta curvatura perto da fronteira do simplex de probabilidade (como a log-loss) são mais sensíveis a "alucinações" (atribuir massa a eventos implausíveis) do que perdas com geometrias mais planas (como a de erro quadrático).
Insights da Teoria do Aprendizado:
- Os autores mostram que a informação mútua (a medida epistêmica de Gal) é uma subestimação sistemática do verdadeiro erro de estimação subjetivo. A informação mútua captura apenas o componente de variância (desacordo da posterior), mas ignora o erro adicional induzido pela restrição das previsões a uma classe de hipóteses específica.
- Eles estabelecem condições sob as quais o "melhor modelo da classe" para o risco objetivo coincide com o do risco subjetivo, ligando a otimalidade do modelo perante a realidade à otimalidade perante crenças internas.
Análise de Variantes Epistêmicas: O artigo analisa várias propostas de incerteza epistêmica (ex: KL Pareado Esperado, Informação Mútua Reversa) e mostra como elas se relacionam com componentes simétricos e assimétricos da decomposição da informação mútua.

Significância e Alegações
O artigo afirma fornecer uma "nova visão" para a quantificação de incerteza ao deslocar a perspectiva de definir axiomas para primitivos de incerteza para derivá-los como consequências de escolhas de modelagem.

Fundamentação Teórica: Os autores argumentam que as medidas de incerteza não precisam ser debatidas como primitivos independentes. Em vez disso, elas são naturalmente induzidas uma vez que uma perda estritamente própria e um cenário de modelagem são fixados. Isso fornece uma base teórica comum para medidas díspares na literatura.
Ponte entre UQ e Teoria do Aprendizado: Ao introduzir análogos subjetivos de risco excedente, erro de aproximação e erro de estimação, o artigo lança as bases para um framework completo de UQ baseado na teoria do aprendizado. Ele esclarece a relação entre a incerteza epistêmica e conceitos padrão da teoria do aprendizado, como o erro de estimação.
Implicação Prática: A abordagem sugere uma nova metodologia para praticantes: dado um cenário de modelagem específico e uma função de perda estritamente própria escolhida, os termos epistêmicos e aleatórios correspondentes são automaticamente induzidos pela decomposição do risco, eliminando a necessidade de selecionar entre definições concorrentes e ad hoc.

Os autores posicionam este trabalho como um primeiro passo em direção a um framework abrangente, enfatizando que ele unifica propostas existentes em vez de propor uma única "melhor" medida, e destaca o papel da geometria da perda na determinação do comportamento da quantificação de incerteza.