El enfoque de conjuntos aproximados basado en dominancia (DRSA) es una metodología de análisis de decisiones y minería de datos que extiende la teoría clásica de conjuntos aproximados para manejar datos con atributos y clases de decisión ordenados por preferencia. Fue introducido a finales de la década de 1990 por Roman Słowiński y sus colaboradores como respuesta a las limitaciones del modelo original de conjuntos aproximados, que suponía que todos los atributos son nominales y que las clases de decisión no están ordenadas. DRSA reemplaza la relación de indiscernibilidad de los conjuntos aproximados clásicos con una relación de dominancia, lo que permite capturar las relaciones monótonas entre los valores de los atributos y los resultados de decisión que son comunes en el análisis de decisiones multicriterio, como la evaluación del riesgo crediticio, el rendimiento de proveedores o el pronóstico médico.
En DRSA, los objetos se describen mediante un conjunto de atributos de condición (criterios) y un atributo de decisión que particiona el universo en clases de decisión. A diferencia de los conjuntos aproximados clásicos, donde las clases de equivalencia se forman con objetos que tienen valores de atributos idénticos, DRSA forma conos de dominancia: para cada objeto, las uniones ascendentes y descendentes de las clases de decisión se aproximan utilizando la relación de dominancia. La aproximación inferior de una unión ascendente contiene objetos que están ciertamente clasificados como pertenecientes al menos a una clase dada, mientras que la aproximación superior contiene objetos que posiblemente están clasificados como tales. La región límite, definida como la diferencia entre las aproximaciones superior e inferior, captura objetos para los cuales la clasificación es incierta debido a inconsistencias en los datos.
El resultado principal de DRSA es un conjunto de reglas de decisión, típicamente de la forma "si el atributo A es al menos el valor x y el atributo B es como máximo el valor y, entonces el objeto pertenece al menos a la clase z". Estas reglas se generan a partir de las aproximaciones inferiores y se caracterizan por ser tanto mínimas como exhaustivas, lo que significa que cubren todas las asignaciones ciertas sin redundancia. Las reglas son particularmente útiles para explicar decisiones a las partes interesadas, ya que son interpretables y pueden validarse contra el conocimiento del dominio. DRSA también proporciona medidas de calidad de reglas, como soporte, confianza y cobertura, que ayudan a seleccionar las reglas más relevantes para una aplicación dada.
Desarrollo Histórico y Fundamentos Teóricos
La teoría clásica de conjuntos aproximados fue propuesta por Zdzisław Pawlak en 1982 como una herramienta matemática para razonar sobre información imprecisa o incompleta. En el modelo de Pawlak, la relación de indiscernibilidad particiona el universo en clases de equivalencia, y las aproximaciones se definen utilizando estas clases. Sin embargo, este modelo no tiene en cuenta el orden de los valores de los atributos, lo cual es crítico en muchos problemas del mundo real donde los criterios se miden en escalas ordinales. En 1999, Słowiński y sus colegas introdujeron DRSA en una serie de artículos, formalizando el uso de relaciones de dominancia para reemplazar la indiscernibilidad. El enfoque se extendió posteriormente para manejar valores faltantes, consistencia variable y preferencias difusas, dando lugar a variantes como DRSA de consistencia variable (VC-DRSA) y DRSA difuso.
El fundamento teórico de DRSA se basa en el concepto de monotonicidad, que supone que si un objeto tiene mejores valores en todos los criterios que otro objeto, entonces no debería clasificarse en una clase de decisión peor. Esta suposición de monotonicidad es un ajuste natural para muchos problemas de decisión, como evaluar la solvencia crediticia de un prestatario donde se prefieren mayores ingresos y menor deuda. DRSA formaliza esto definiendo una relación de dominancia que es reflexiva, transitiva y antisimétrica, y utilizando esta relación para construir las aproximaciones de las clases de decisión. El enfoque también se conecta con la teoría del análisis de decisiones multicriterio, particularmente con los métodos de superación de las familias ELECTRE y PROMETHEE, pero se diferencia al proporcionar un mecanismo de inducción de reglas puramente basado en datos sin requerir que el tomador de decisiones especifique parámetros de preferencia.
Implementación Algorítmica y Variantes
La implementación de DRSA implica varios pasos computacionales. Primero, el conjunto de datos se preprocesa para identificar los atributos de condición y el atributo de decisión, y las clases de decisión se ordenan. A continuación, para cada objeto, se calculan los conos de dominancia, lo que requiere comparar el objeto con todos los demás en el conjunto de datos. Luego se derivan las aproximaciones inferior y superior verificando si los conos de dominancia están contenidos dentro de las uniones de las clases de decisión. La complejidad de este proceso es O(n^2) en el número de objetos, lo que puede ser prohibitivo para conjuntos de datos grandes, pero se han propuesto optimizaciones como la clasificación y la indexación para reducir la carga computacional.
Una variante clave es el DRSA de consistencia variable, que relaja la condición estricta de dominancia al permitir que un cierto porcentaje de objetos en la aproximación inferior viole la suposición de monotonicidad. Esto es útil en datos ruidosos donde la monotonicidad perfecta es rara. Otra variante, el DRSA difuso, extiende la relación de dominancia a conjuntos difusos, permitiendo grados de membresía en las aproximaciones. Además, DRSA se ha integrado con técnicas de Machine learning, como la clasificación basada en Artificial intelligence y métodos de Data Augmentation, para mejorar la generación de reglas y manejar datos de alta dimensión. Las implementaciones de software están disponibles en el paquete R 'RoughSets' y en el entorno Java WEKA, lo que hace que DRSA sea accesible para los profesionales.
Aplicaciones en el Apoyo a la Decisión
DRSA se ha aplicado en una amplia gama de dominios donde los datos ordenados y el modelado de preferencias son esenciales. En finanzas, se utiliza para la puntuación de crédito y la predicción de quiebras, donde las clases de decisión están ordenadas de bajo a alto riesgo. En medicina, DRSA apoya el diagnóstico y el pronóstico al analizar datos de pacientes con indicadores clínicos ordinales, como las etapas de gravedad de la enfermedad. En ingeniería, ayuda en el control de calidad y la evaluación de riesgos, por ejemplo, al evaluar la fiabilidad de los procesos de fabricación. El enfoque también se ha utilizado en la gestión ambiental para clasificar estrategias de remediación basadas en múltiples criterios, y en la gestión de recursos humanos para seleccionar candidatos basados en métricas de rendimiento ordenadas.
Una aplicación notable está en el campo de Generative AI y la evaluación de Large language model, donde DRSA se puede utilizar para analizar datos de preferencias humanas. Por ejemplo, al entrenar modelos con aprendizaje por refuerzo a partir de retroalimentación humana (RLHF), los investigadores recopilan comparaciones por pares de salidas de modelos, que son inherentemente ordenadas. DRSA puede extraer reglas que expliquen por qué se prefieren ciertas salidas, proporcionando información sobre el modelo de recompensa subyacente. Esto se alinea con la tendencia más amplia de utilizar modelos interpretables para auditar y comprender sistemas complejos de Neural network, como lo defienden investigadores como Aleksander Madry y Carlos Guestrin.
Comparación con Otros Enfoques
DRSA a menudo se compara con conjuntos aproximados clásicos, métodos de Decision Trees y enfoques estadísticos como la regresión logística. A diferencia de los conjuntos aproximados clásicos, DRSA maneja explícitamente el orden y la monotonicidad, lo que lo hace más adecuado para problemas basados en preferencias. En comparación con los árboles de decisión, que particionan el espacio de características utilizando divisiones alineadas con los ejes, DRSA genera reglas basadas en conos de dominancia, que pueden capturar interacciones más complejas entre criterios. Sin embargo, los árboles de decisión son generalmente más escalables a conjuntos de datos muy grandes, mientras que la complejidad O(n^2) de DRSA puede ser un cuello de botella. En contraste con la regresión logística, que supone una relación lineal entre predictores y resultados, DRSA es no paramétrico y no requiere suposiciones distribucionales, lo que lo hace más robusto a valores atípicos y patrones no lineales.
Otra metodología relacionada es el proceso de jerarquía analítica (AHP), que se basa en comparaciones por pares de expertos, mientras que DRSA es puramente basado en datos. DRSA también comparte similitudes con los métodos de superación en el análisis de decisiones multicriterio, pero no requiere la especificación de umbrales o pesos, que a menudo son difíciles de obtener. Esto hace que DRSA sea particularmente atractivo para aplicaciones donde los datos son abundantes pero el conocimiento experto es limitado, como en sistemas automatizados de apoyo a la decisión integrados con plataformas de computación en la nube como Amazon Web Services o Microsoft Azure.
Limitaciones y Direcciones Futuras
A pesar de sus fortalezas, DRSA tiene limitaciones. La suposición de monotonicidad puede no cumplirse en todos los datos del mundo real, y la variante de consistencia variable requiere que el usuario establezca un umbral de consistencia, que puede ser subjetivo. La complejidad computacional de DRSA limita su escalabilidad a conjuntos de datos muy grandes, aunque se están explorando implementaciones paralelas en clústeres de GPU (in AI) o hardware AWS Trainium. Además, las reglas de DRSA pueden volverse numerosas y redundantes, lo que requiere un postprocesamiento para simplificar el conjunto de reglas. Las direcciones de investigación futuras incluyen integrar DRSA con modelos de Deep learning para manejar datos no estructurados, como imágenes o texto, y desarrollar algoritmos de aprendizaje en línea que actualicen las reglas de manera incremental a medida que llegan nuevos datos. El enfoque también se está extendiendo para manejar la clasificación de múltiples etiquetas e incorporar la cuantificación de la incertidumbre, lo cual es crítico para decisiones de alto riesgo en salud y finanzas.
En resumen, el enfoque de conjuntos aproximados basado en dominancia proporciona un marco robusto e interpretable para analizar datos ordenados, cerrando la brecha entre los conjuntos aproximados clásicos y el análisis de decisiones multicriterio. Su capacidad para generar reglas legibles por humanos a partir de datos lo convierte en una herramienta valiosa en el panorama más amplio de Artificial intelligence y Machine learning, particularmente para aplicaciones que requieren transparencia y responsabilidad.