Resumo Técnico: AIDE – Instrução Automatizada via Especialidade Destilada para Coaching de Habilidades Motoras sem Referência

Problema

Gerar feedback de coaching em linguagem natural, específico e acionável para habilidades motoras é crítico para domínios que variam desde esportes até reabilitação, porém o acesso a treinadores especialistas é limitado pela escassez e pelo custo. Embora avanços recentes em avaliação de qualidade de ação (AQA) permitam a pontuação automática, e a estimativa de pose forneça representações esqueléticas confiáveis, poucos métodos geram feedback textual aberto. Métodos existentes baseados em referência (ex: ExpertAF, CoachMe) exigem vídeos de demonstração de especialistas tanto no treinamento quanto na inferência para comparar as poses do aluno e do especialista. Essa dependência cria um gargalo prático, pois obter uma demonstração de especialista correspondente para cada tentativa do aluno em uma implantação no mundo real é frequentemente inviável. Por outro lado, métodos sem referência carecem do conhecimento comparativo necessário para gerar feedback de alta qualidade e específico.

Metodologia: Estrutura AIDE

O autor propõe o AIDE (Automated Instruction via Distilled Expertise), uma estrutura fundamentada no paradigma de Aprendizado com Informação Privilegiada (LUPI - Learning Using Privileged Information). O LUPI formaliza um cenário onde informações adicionais (referências de especialistas) estão disponíveis durante o treinamento, mas ausentes na inferência. O AIDE opera em duas etapas usando um Grande Modelo de Linguagem (LLM) congelado como espinha dorsal, com tokens derivados de pose injetados via conectores leves (Perceiver Resampler).

Etapa 1: Treinamento do Modelo Professor (Teacher Model)

O modelo professor é treinado em sequências de pose pareadas de aluno ($V$) e especialista ($\bar{V}$).

• Codificador de Pose: Um codificador compartilhado (MLP + Perceiver Resampler) processa ambas as sequências para produzir sequências de tokens de comprimento fixo.
• Separação de Tokens: O modelo gera duas sequências de tokens distintas:
  1. Tokens do Aluno ($z$): Codificados a partir da pose do aluno.
  2. Tokens de Diferença ($z_\Delta$): Computados via subtração elemento a elemento: $z_\Delta = \text{Enc}(V) - \text{sg}(\text{Enc}(\bar{V}))$, onde $\text{sg}$ denota o operador de parada de gradiente (stop-gradient). Isso garante que o ramo do especialista atue como uma referência fixa.
• Geração: O LLM recebe a sequência concatenada $[z; z_\Delta]$ e gera feedback estruturado (resumo, partes de melhoria, partes boas). Apenas os parâmetros do codificador de pose são atualizados; o LLM permanece congelado.

Etapa 2: Inferência do Modelo Aluno (Student Model)

O modelo aluno é projetado para operar sem referências de especialistas no momento da inferência.

• Arquitetura: O aluno reutiliza os pesos do codificador congelado do professor ($\theta^*_{enc}$) para gerar os tokens do aluno ($z$).
• Módulo Latente Auxiliar (ALM): O cálculo explícito da diferença é substituído por um ALM treinável ($\theta_{aux}$) que recebe apenas a pose do aluno ($V$) como entrada. O ALM compartilha a mesma arquitetura que o codificador de pose (MLP + Resampler) e é inicializado com os pesos do professor.
• Transferência de Conhecimento Implícita: O aluno gera o feedback a partir de $[z; z_{aux}]$. Crucialmente, nenhuma perda de destilação explícita (ex: minimizar $\|z_{aux} - z_\Delta\|^2$) é aplicada. O ALM é livre para aprender uma representação adequada para a tarefa final, em vez de mimetizar os tokens de diferença estruturalmente restritos do professor.
• Objetivo de Treinamento: O aluno é treinado exclusivamente na perda de geração ($\mathcal{L}_{gen}$) contra o feedback de referência (ground-truth).

Principais Contribuições

1. LUPI para Coaching de Habilidades: Esta é a primeira aplicação do paradigma LUPI para coaching de habilidades motoras. O AIDE explora referências de especialistas apenas durante o treinamento, eliminando a necessidade de demonstrações de especialistas correspondentes na inferência.
2. Transferência de Conhecimento Implícita: O artigo demonstra que o compartilhamento de codificadores e a inicialização de pesos são suficientes para transferir o conhecimento do professor para o aluno. Esta abordagem supera os basais sem referência e iguala os métodos que exigem referência sem a necessidade de perdas de destilação explícitas.
3. Arquitetura de Tokens Separados: Ao manter os tokens do aluno e de diferença como sequências distintas, a estrutura permite uma transferência de conhecimento modular. O aluno herda a representação do aluno intacta, substituindo apenas o caminho da diferença por um módulo auxiliar aprendido.

Resultados Experimentais

Experimentos foram conduzidos no conjunto de dados ExpertAF, utilizando subconjuntos de basquete (primário) e futebol (secundário).

• Desempenho vs. Basais:

  • AIDE superou o baseline Somente-Aluno (que não possui dados de especialista no treinamento ou na inferência) em todas as métricas no basquete, incluindo ROUGE-L (+1,6) e F1 ponderado para predição de partes (+5,9).
  • AIDE teve desempenho comparável ao professor Aluno+Especialista (que exige referências de especialista na inferência) e ao baseline CoachMe reimplementado. Por exemplo, no basquete, o AIDE alcançou um ROUGE-L de 22,3 comparado a 21,7 para Aluno+Especialista e 21,8 para CoachMe.
  • No futebol, o AIDE mostrou melhorias significativas na qualidade do texto sobre o Somente-Aluno (ROUGE-L 26,3 vs. 17,6), embora as métricas de predição de partes tenham sido menores, atribuídas ao pequeno tamanho do conjunto de treinamento.

• Avaliação Baseada em LLM: Avaliações pareadas usando dois juízes independentes (Claude Sonnet 4.6 e Qwen3.5-9B) confirmaram que o AIDE é preferido em relação ao Somente-Aluno em termos de correção e especificidade. O AIDE alcançou taxas de vitória próximas da paridade com Aluno+Especialista e CoachMe, apoiando a afirmação de que referências em tempo de inferência podem ser substituídas por transferência de conhecimento implícita.

• Controle de Capacidade: Estudos de ablação confirmaram que os ganhos de desempenho do AIDE não se devem ao aumento da capacidade do modelo. Dobrar a contagem de tokens para o baseline Somente-Aluno não rendeu melhorias comparáveis, e o sucesso do modelo aluno dependeu dos mecanismos específicos de compartilhamento de codificador e inicialização, e não da contagem bruta de parâmetros.

Significância e Alegações

O artigo alega que o AIDE fornece um caminho prático para o coaching de habilidades motoras escalável ao remover a barreira de implantação de exigir demonstrações de especialistas para cada tentativa do aluno. A descoberta central é que a transferência implícita — alcançada através de pesos de codificador compartilhados e inicialização sem perdas de destilação explícitas — permite que um modelo sem referência performe comparavelmente a métodos que exigem referência.

O autor enfatiza que a estrutura democratiza o acesso ao coaching em ambientes com poucos recursos. Ao reduzir a entrada para sequências de pose (16–32 tokens) em vez de frames de vídeo brutos (~7.000 tokens) e eliminar a necessidade de dados de inferência de especialistas, o AIDE oferece uma solução computacionalmente eficiente e implantável. O formato de saída estruturado (JSON com resumo, melhoria e partes boas) é projetado para ser diretamente acionável para os alunos sem a necessidade de interpretação de um especialista de domínio.

O artigo mantém a modéstia em relação às suas limitações, observando que o desempenho da predição de partes degrada em regimes de baixos dados (futebol) e que trabalhos futuros são necessários para validar a generalização para outros domínios e o impacto do ruído de estimativa de pose em implantações do mundo real.