🤖 machine learning

Toward Machine Learning with the Unit as a Primitive: Learning from Unit-Linked Events

Este artigo propõe a formalização do aprendizado de máquina ao introduzir explicitamente a "unidade" como uma entidade semântica primitiva, definindo o aprendizado supervisionado como a inferência de uma lei de resposta compartilhada condicionada a um token de unidade gerado por um tokenizador para distinguir entre modelos de mundo homogêneos e heterogêneos.

Autores originais: Heyang Gong

Publicado 2026-08-27

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Heyang Gong

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

No mundo do aprendizado de máquina, os computadores são frequentemente ensinados observando linhas de dados, de forma muito semelhante a um estudante revisando uma pilha de cartões de estudo. Cada cartão contém uma pergunta e uma resposta, e o trabalho do computador é encontrar o padrão que as liga. Por décadas, este método funcionou de forma notável para muitas tarefas, desde o reconhecimento de rostos até a previsão do tempo. No entanto, esta abordagem trata cada cartão como um evento isolado, ignorando uma verdade fundamental sobre o mundo real: muitos desses cartos pertencem, na verdade, à mesma pessoa, animal ou dispositivo. Quando um computador aprende com o histórico médico de um paciente, com os hábitos de compra de um usuário ou com as leituras de um sensor, ele está frequentemente vendo múltiplos instantâneos da mesma entidade persistente. Os métodos padrão costumam tratar esses instantâneos como entradas separadas e não relacionadas, ou dependem de suposições ocultas de que o computador está simplesmente adivinhando. Isso cria um ponto cego. Se o computador não conseguir distinguir entre um padrão que pertence a um indivíduo específico e um padrão que é comum a todos, ele pode falhar ao ser solicitado a prever o que acontecerá com essa mesma pessoa em uma nova situação, ou pode confundir uma peculiaridade única de uma pessoa com uma regra universal.

Um novo artigo propõe uma maneira de corrigir isso, mudando a própria fundação de como essas tarefas de aprendizado são definidas. Em vez de começar com uma lista de registros, os pesquisadores sugerem começar com o conceito de "unidade" — o indivíduo persistente a quem os dados pertencem. Imagine uma biblioteca onde, em vez de apenas catalogar livros, o bibliotecário primeiro identifica o leitor específico que os emprestou. Neste novo framework, o computador é primeiro informado sobre quem é o indivíduo, ou pelo menos recebe uma regra clara para decidir quando duas partes de dados pertencem à mesma pessoa. Essa simples mudança permite que o computador entenda que, embora os eventos (as perguntas e respostas) mudem, a pessoa subjacente permanece a mesma. Os pesquisadores mostram que, ao tornar esta "unidade" uma parte explícita do problema, as máquinas podem aprender um conjunto compartilhado de regras que se aplicam a todos, mantendo ainda o respeito pelas diferenças únicas de cada indivíduo.

O cerne desta descoberta é um processo de duas etapas que o computador utiliza para compreender o mundo. Primeiro, ele atua como um tradutor, pegando a evidência bruta sobre uma pessoa — como seu comportamento passado ou características físicas — e convertendo-a em um resumo compacto, que o autor chama de "token". Pense neste token como um cartão de identidade único que o computador cria sobre a hora para representar esse indivíduo específico. Segundo, o computador usa um conjunto único e compartilhado de regras para ler esse cartão de identidade e prever o que acontecerá a seguir. Esta é uma distinção crucial. Nos métodos antigos, o computador poderia tentar memorizar um conjunto de regras separado para cada pessoa que encontra, o que é impossível se ele encontrar alguém que nunca viu antes. Nesta nova abordagem, o computador aprende um livro de regras universal. Ele simplesmente olha para o cartão de identidade (o token) para ver como aquela pessoa específica se encaixa no padrão geral. Isso permite que o sistema generalize: ele pode fazer previsões precisas para uma nova pessoa que nunca conheceu, simplesmente criando um token para ela com base nas evidências que possui, e aplicando então as mesmas regras compartilhadas que aprendeu com todos os outros.

Os pesquisadores também exploraram o que acontece quando o computador não sabe exatamente quem é a pessoa. Às vezes, os dados estão incompletos ou a ligação entre dois registros é incerta. Nesses casos, o computador não pode simplesmente procurar um nome em um banco de dados. Em vez disso, ele usa a evidência disponível para formar o melhor palpite sobre a identidade da pessoa, criando um token que reflete essa incerteza. O artigo prova que, mesmo com esse palpite, o sistema ainda pode aprender de forma eficaz, desde que separe o ato de identificar a pessoa do ato de prever o resultado. O estudo demonstra que, se você olhar apenas para registros únicos e isolados sem saber a quem pertencem, não poderá distinguir entre um mundo onde todos são exatamente iguais e um mundo onde todos são diferentes, mas por acaso parecem iguais na média. No entanto, se você puder vincular múltiplos registros à mesma pessoa com certeza, o computador pode detectar as diferenças ocultas entre indivíduos. Esta descoberta é vital porque estabelece um limite claro para o que é possível: uma máquina não pode aprender sobre diferenças individuais se for apresentada apenas a um único instantâneo de cada pessoa sem qualquer forma de vinculá-los de volta à sua origem.

Este trabalho também esclarece como devemos medir o sucesso. Em muitos sistemas atuais, julgamos um modelo pela rapidez com que ele prevê o resultado médio em todos os pontos de dados. O autor mostra que isso pode ser enganoso. Se algumas pessoas aparecem nos dados muitas vezes e outras apenas uma, uma média simples pode ser dominada pelos usuários frequentes, ignorando as necessidades únicas dos raros. O artigo sugere que precisamos avaliar os modelos com base no indivíduo, não apenas no registro. Isso significa verificar se o modelo consegue prever o que acontecerá com uma pessoa específica em uma nova situação, em vez de apenas acertar as estatísticas gerais. Os pesquisadores fornecem um checklist de como projetar esses testes adequadamente, garantindo que não enganemos acidentalmente o computador para que ele memorize nomes em vez de aprender padrões.

Em última análise, este artigo oferece uma maneira mais honesta de construir sistemas inteligentes. Ele reconhece que o mundo é feito de indivíduos persistentes, não apenas de um fluxo de eventos desconectados. Ao forçar o computador a declarar sobre quem está aprendendo antes de começar a adivinhar as respostas, o sistema torna-se mais robusto e mais capaz de lidar com a complexidade da vida real. Ele não afirma ter resolvido todos os problemas da inteligência artificial, mas fornece um framework lógico e sólido para entender como as máquinas podem aprender sobre as pessoas sem perder de vista quem essas pessoas são. O resultado é um método que não é apenas matematicamente sólido, mas também conceitualmente mais claro, preenchendo a lacuna entre a realidade desordenada dos dados humanos e a lógica estruturada do aprendizado de máquina.

Resumo Técnico: Em Direção ao Aprendizado de Máquina com a Unidade como um Primitivo

Declaração do Problema

As formulações padrão de aprendizado de máquina supervisionado tipicamente começam com um conjunto de dados de registros $D = \{(x_i, y_i)\}_{i=1}^N$ e um mapeamento $f: \mathcal{X} \to \mathcal{Y}$ . Nesta notação, o índice $i$ identifica um registro, não o indivíduo persistente (a "unidade") ao qual esse registro se refere. Embora essa omissão seja inofensiva para questões ao nível de linha, ela torna-se consequente quando eventos compartilham um mesmo indivíduo, quando consultas mudam enquanto um indivíduo é mantido fixo, ou quando a atribuição a um ente específico é incerta.

Crucialmente, a formulação padrão deixa não declarado se diferentes indivíduos compartilham uma única lei de resposta ou se a lei observada ao nível de linha é meramente uma marginalização agrupada de relações distintas condicionadas à unidade. Tradições existentes — como modelos de medidas repetidas, frameworks de resultados potenciais e sistemas de recomendação — abordam essas questões localmente com suposições específicas, mas carecem de um primitivo semântico unificado que eleve o referente persistente ao núcleo do problema de aprendizado.

Metodologia: A Unidade como um Primitivo

O artigo propõe elevar a unidade ( $U$ ) a um primitivo explícito ao nível da semântica da tarefa. Uma tarefa de aprendizado é definida pela declaração de:

Uma população de referentes persistentes ( $\mathcal{U}$ ).
Um critério de semelhança (quando eventos concernem ao mesmo referente).
O intervalo sobre o qual esta relação é retida.

O valor realizado $U=u$ denota um referente selecionado. O objeto semântico do aprendizado supervisionado é, então, uma família de leis de resposta condicionadas à unidade:
$u \mapsto \left[ x \mapsto P^*_u(dy | x) \right]$
onde $P^*_u(dy | x) := P^*(Y \in dy | X=x, U=u)$ . Alterar $x$ consulta uma localização na mesma superfície de resposta para uma unidade fixa; alterar $u$ seleciona um membro diferente da família.

Para tornar essa família aprendível a partir de dados finitos, o artigo introduz uma fatoração computacional (Suposição 1) e uma classe estruturada:

Token de Unidade Contextual ( $Z^c_u$ ): Um tokenizador $T_\phi$ produz uma representação do lado do aprendiz a partir de evidência factual $O$ e contexto $c$ . Este token media todos os caminhos do indivíduo até a predição.
Forma de Lei de Resposta Compartilhada ( $R_\theta$ ): Todas as unidades compartilham um único mecanismo de resposta $R_\theta$ que lê o token. A classe estruturada exige que $R_\theta$ dependa do token $z$ apenas através de um mapa de baixa complexidade declarado (ex: um preditor linear).

O objeto aprendido é o par $(T_\phi, R_\theta)$ . O tokenizador organiza as regularidades específicas da unidade em um espaço de tokens simples, permitindo que a forma compartilhada generalize.

Modos de Acesso

O artigo distingue dois modos de acessar a unidade:

Acesso Direto à Unidade: Um resolvedor confiável usa uma chave $k$ para fixar o referente $u(k)$ e fornecer um token de busca (ex: um embedding aprendido $z_\theta(k)$ ). Isso remove a incerteza de "qual-unidade", mas deixa o erro de aproximação de token e forma.
Abdução de Unidade: Quando nenhum resolvedor identifica a unidade, um token é formado a partir da evidência factual $O$ via $Z^c = T_\phi(O, c)$ . Este token serve como uma representação contextual, que pode ser interpretada como uma posterior de identidade aproximada em especializações específicas (ex: aprendizes de mistura de identidade).

Contribuições Principais

Formalização da Unidade: O artigo formaliza a unidade como um primitivo de população declarado pela tarefa, separando o referente persistente do registro do evento. Ele esclarece que uma amostra registra um evento, enquanto a tarefa declara o referente ao qual os eventos pertencem.
Interface de Forma Compartilhada: Estabelece uma interface de forma compartilhada (Suposição 1) onde a classe estruturada é uma relação simples no token. A instância de execução é um preditor linear (Definição 2), onde o objeto aprendido é o par $(T_\phi, R_\theta)$ .
Decomposição do Valor Preditivo: O artigo separa o valor preditivo do oráculo, a acessibilidade da evidência, a aproximação do aprendiz e a identificabilidade dos componentes. Ele estabelece que o ajuste marginal ao nível de linha não identifica a estrutura interna da unidade.
Resultados de Impossibilidade e Separação: Prova que observações de linha única não vinculadas não podem distinguir um mundo de unidades heterogêneas de um mundo homogificado agrupado. Por outro lado, pares confiáveis da mesma unidade (observações vinculadas) podem separar esses mundos ao expor a covariância intra-unidade.

Resultados Formais e Limites Teóricos

Decomposição Valor–Acesso

Sob perda de log (log loss), o artigo decompõe o valor preditivo do oráculo da informação da unidade ( $V_{oracle}$ ) em valor acessível ( $V_{accessible}$ ) e valor residual ( $V_{residual}$ ):
$R^*_W - R^*_{U,W} = (R^*_W - R^*_{O,W}) + (R^*_{O,W} - R^*_{U,W})$
onde $R^*_W$ é o risco sem informação da unidade, $R^*_{O,W}$ é o risco com a evidência $O$ , e $R^*_{U,W}$ é o risco do oráculo com conhecimento perfeito da unidade. O termo residual representa a informação sobre a unidade que é preditivamente valiosa, mas inacessível dada a evidência declarada.

Limites de Erro End-to-End

O erro preditivo implantado é limitado pela soma do erro de crença da unidade e o erro de resposta de unidade fixa. Especificamente, a divergência de Kullback-Leibler entre a marginal verdadeira e a marginal aprendida é limitada por:
$E_{pred} \leq E_O [ D_{KL}(P(\cdot|O) \| Q_\phi(\cdot|O)) ] + E_{O,W} \left[ \int D_{KL}(K_{u,W} \| \hat{K}_{u,W}) P(du|O) \right]$
Isso separa o erro decorrente da identificação imperfeita da unidade (erro de crença) do erro no modelamento da lei de resposta para uma unidade fixa.

Impossibilidade de Linha Única

Proposição 4 demonstra que, em uma classe de kernel de resposta irrestrita, toda lei de amostra-apenas $R(dy|x)$ possui uma representação constante da unidade $K^R_u(dy|x) = R(dy|x)$ . Consequentemente, o ajuste marginal sozinho não pode identificar se o mundo é homogêneo ou heterogêneo.

Indistinguibilidade: Se as observações vêm de unidades novas e não vinculadas, um mundo heterogêneo (onde unidades têm diferentes probabilidades de resposta) é estatisticamente indistinguível de um mundo homogêneo (onde todas as unidades compartilham a mesma probabilidade) com base em marginais de linha única.
Separação: Pares confiáveis da mesma unidade (vinculação repetida) permitem a identificação da variância dos parâmetros específicos da unidade ( $Var(p_U)$ ) via covariância intra-unidade, separando os dois mundos.

Implicações para Avaliação

O artigo deriva corolários para protocolos de avaliação:

Ponderação: Riscos empíricos ponderados por linha e ponderados por unidade concordam apenas se todas as unidades observadas tiverem multiplicidade de registro igual.
Divisão (Splitting): Uma divisão por registro mistura a predição de novos eventos para unidades conhecidas com a predição para unidades não vistas. Para visar a generalização para unidades não vistas, é necessária uma divisão explicitamente disjunta por unidade.

Significância e Escopo

O artigo afirma que o aprendizado de máquina aprende a estrutura compartilhada através de unidades declaradas pela tarefa a partir de eventos vinculados à unidade e observados de forma ruidosa e seletiva. Sua principal contribuição é um framework semântico e computacional que lida explicitamente com o referente persistente.

Alegações Modestas: O autor enfatiza que a Suposição 1 é uma interface computacional, não um teorema de aprendibilidade. O artigo não prova que uma regra de aprendizado específica leva as penalidades de aproximação a zero; em vez disso, define as condições sob as quais uma forma compartilhada é simples o suficiente para generalizar.
Distinção de Trabalhos Existentes: O framework não substitui o aprendizado estatístico clássico ou a inferência causal, mas adiciona uma questão explícita: como um tokenizador organiza as unidades para que uma única forma de lei de resposta compartilhada generalize. Ele distingue a variação da unidade da variação do ambiente (adaptação de domínio) e esclarece que a "abdução de unidade" (formar um token a partir de evidência) é distinta da abdução causal clássica (inferir ruído exógeno).
Implicações Práticas: Os resultados formais indicam que observações de linha única não vinculadas não podem validar a estrutura da unidade. O vínculo confiável da mesma unidade é necessário para separar mundos heterogêneos de homogêneos. Além disso, a avaliação deve distinguir entre estimandos ao nível de linha e ao nível de unidade, e entre a generalização para unidades conhecidas e unidades não vistas.

O artigo conclui que, quando preservar a unidade não altera nenhum alvo declarado, estimando ou protocolo de avaliação, a formulação marginal da unidade é suficiente. No entanto, quando a persistência, a atribuição ou a avaliação ao nível da unidade importam, a unidade deve ser declarada como um primitivo para estruturar corretamente o problema de aprendizado.