Aprendizaje anticausal en problemas inversos y su aplicación a tomografía optoacústica

Abstract

Los algoritmos de inteligencia artificial habitualmente fallan cuando la distribución de los datos se desvía de la utilizada durante el entrenamiento. Esta vulnerabilidad puede ser corregida post-entrenamiento, pero la misma puede requerir una etapa de ajuste computacionalmente pesada y/o una gran necesidad de nuevos datos. En este contexto, la teoría de causalidad suele ser un excelente paradigma para diferenciar los mecanismos propensos a variaciones de los invariantes. Esto permitiría hacer un ajuste solamente sobre el modelo variable, reduciendo la complejidad del problema. Sin embargo, este paradigma está muy poco estudiado en lo referido a problemas inversos, principalmente porque estos problemas son por definición anticausales. En este trabajo se analiza el desempeño y limitaciones de algoritmos básicos en problemas inversos que cumplan el requisito de aprender de forma anticausal. En particular, se estudian estos algoritmos en el contexto de reconstrucción de imágenes en tomografía optoacústica.

Artificial intelligence algorithms commonly exhibit poor performance when deployed on data whose distribution deviates from the one utilized during the training phase. While this vulnerability can be addressed post-training, doing so may necessitate a computationally intensive fine-tuning process and/or require a significant acquisition of new data. In this context, causality theory presents an excellent paradigm for distinguishing variation-prone mechanisms from invariant ones. This distinction would permit fitting the model exclusively to the variable components, thereby reducing the complexity of the overall problem. However, this paradigm remains under-explored in relation to inverse problems, primarily because such problems are, by their very definition, anticausal. This work undertakes an analysis of the performance and inherent limitations of fundamental algorithms in inverse problems that satisfy the criteria for anticausal learning. Specifically, these algorithms are investigated within the context of image reconstruction in optoacoustic tomography.