A confidence-convergence decision layer for reliability-aware sequential recognition under limited observations

Resumo Técnico: Uma Camada de Decisão de Confiança-Convergência para Reconhecimento Sequencial com Consciência de Confiabilidade

1. Definição do Problema

O artigo aborda o desafio do reconhecimento sequencial de comportamentos de alvos móveis subaquáticos sob observações limitadas e condições de detecção incertas. Em ambientes subaquáticos, dados acústicos e de movimento frequentemente chegam sequencialmente, estando sujeitos a incertezas de propagação, efeitos de multicaminho, ruído de sensores, dados ausentes e atrasos de medição.

Os métodos existentes focam tipicamente na otimização da precisão da classificação final após a conclusão de uma janela de observação fixa. No entanto, eles frequentemente falham em avaliar se uma predição intermediária é confiável o suficiente para ser reportada. Existe uma lacuna crítica em distinguir entre uma predição de alta confiança que é meramente uma flutuação transitória e uma que representa uma conclusão estabilizada e confiável. O artigo argumenta que confiar apenas na magnitude da confiança (por exemplo, um score softmax) é insuficiente, pois classificadores modernos podem ser mal calibrados e a alta confiança pode ocorrer antes que as evidências subjacentes tenham se estabilizado.

2. Metodologia

O estudo propõe um método de reconhecimento sequencial baseado em confiança-convergência que atua como uma camada de decisão acima de modelos de evidência estatísticos ou aprendidos. A inovação central é a mudança do critério de decisão de "alta confiança" para "convergência de confiança".

Componentes Principais:

• Atualização Sequencial de Confiança: À medida que cada observação chega, o sistema atualiza uma distribuição de confiança do tipo de comportamento $b_t$. A atualização incorpora um coeficiente de confiabilidade da observação $\rho_t$ para amortecer mudanças abruptas causadas por dados de baixa qualidade (ruído, valores ausentes ou atrasos).
• Critérios de Convergência: Uma decisão para aceitar um rótulo de comportamento é feita apenas quando três condições são atendidas conjuntamente:
  1. Dominância: A confiança do tipo de comportamento líder ($D_t$) excede um limiar ($\theta_D$).
  2. Estabilidade Temporal: A trajetória de confiança da classe líder permanece estável ao longo de uma janela deslizante de comprimento $L$ (variação $S_t \leq \epsilon_S$).
  3. Separação Interclasses: A diferença entre a classe líder e a segunda classe mais provável ($G_t$) excede um limiar de separação ($\theta_G$).
• Estados de Decisão: Em cada passo de tempo, o sistema produz um de três estados:
  • Reconhecer (Recognize): Todos os critérios atendidos; fornece o rótulo.
  • Continuar (Continue): Critérios não atendidos; aguarda por mais observações.
  • Não-convergência (Non-convergence): A janela de observação termina sem atender aos critérios; reporta um estado de incerteza em vez de forçar uma classificação potencialmente errada.

Configuração Experimental:
O método foi avaliado em um conjunto de dados baseado em simulação apresentando três tipos de comportamentos abstratos (movimento estável, variação do tipo busca, correção intermitente). A simulação incluiu ruído controlado, razões de dados ausentes (até 30%) e atrasos de medição. A configuração padrão utilizou uma janela de observação parcial ($T_w=40$) dentro de um horizonte total ($T=100$).

3. Principais Resultados

Sob configurações padrão de observação limitada, o método proposto demonstrou melhorias significativas em relação às linhas de base (classificadores estáticos, baselines sequenciais de limiar único e GRUs de saída antecipada/early-exit):

• Precisão e Confiabilidade: O método alcançou 91,2% de precisão de decisão aceita, o que é 15,4 pontos percentuais superior ao classificador estático e 9,2 pontos percentuais superior ao baseline de limiar único.
• Redução de Erro: A taxa de decisão aceita errada foi reduzida para 7,9%, comparado a 24,2% para o classificador estático e 16,9% para o baseline de limiar único.
• Eficiência: O tempo médio de decisão foi encurtado em 26,5% em comparação ao reconhecimento forçado de janela total, mantendo alta confiabilidade.
• Troca Cobertura-Risco (Coverage-Risk Trade-off): Na análise de cobertura-risco, o método proposto manteve um risco de decisão aceita menor do que os baselines capazes de abstenção (como early-exit GRUs) em níveis de cobertura comparáveis (ex: ~90% de cobertura).
• Estudos de Ablação: O estudo confirmou que a combinação de todos os três critérios (dominância, estabilidade, separação) produz o melhor equilíbrio. Usar apenas a dominância resultou nas decisões mais precoces, mas com a maior taxa de erro (16,9%). Adicionar estabilidade e separação reduziu significativamente a taxa de erro com apenas um aumento moderado no tempo de decisão.
• Robustez: O método permaneceu mais confiável que os baselines sob condições degradadas (alto ruído, dados ausentes e atrasos), principalmente ao aumentar a taxa de não-convergência (reportando incerteza) em vez de fornecer rótulos incorretos.

4. Significância e Alegações

O artigo alega que a convergência de confiança — avaliar a trajetória e a estabilidade da confiança ao longo do tempo — é uma base mais confiável para o reconhecimento sequencial de comportamento subaquático do que a magnitude da confiança isoladamente.

• Saída com Consciência de Confiabilidade: O sistema trata a "não-convergência" como um estado de saída válido e preservador de confiabilidade, em vez de uma falha. Isso evita que o sistema force uma classificação quando a evidência é insuficiente, o que é crítico em sensoriamento subaquático sensível à segurança.
• Camada de Decisão Geral: A camada proposta foi desenhada para ser modular, capaz de situar-se acima de vários modelos de evidência subjacentes (estatísticos ou aprendidos).
• Viabilidade Metodológica: Os autores afirmam explicitamente que o trabalho demonstra a viabilidade metodológica através de simulação. Eles reconhecem limitações, observando que a avaliação é baseada em simulação e ainda não representa a prontidão operacional para sequências subaquáticas do mundo real, que envolvem propagação acústica e variações ambientais mais complexas.

O estudo conclui que, embora a convergência de confiança ofereça uma camada prática de confiabilidade para o reconhecimento sequencial sob incerteza, a validação em dados subaquáticos reais é necessária antes da implantação operacional.