Revisan clasificador de paridad y descubren que la representación determina el rendimiento

El autor volvió a implementar su clasificador de paridad, que originalmente alcanzaba un 69,67 % de exactitud tras pasar representaciones binarias de 32 bits por una transformada wavelet, resumir coeficientes y agruparlos con k‑means. Detectó dos problemas: filtrado de etiquetas durante la calibración de clusters y una descripción imprecisa de que el método era totalmente no supervisado.

Con una evaluación más estricta – 6 000 muestras de entrenamiento, 2 000 de validación y 2 001 de prueba – el nuevo pipeline alcanzó 84,26 % de precisión en el conjunto de prueba, con un intervalo de confianza de Wilson del 95 % entre 82,60 % y 85,79 %. El cambio más significativo no fue el número, sino lo que reveló la influencia de la representación.

Al enmascarar el bit menos significativo (el que determina la paridad) la precisión cayó a 48,15 %, prácticamente al azar, indicando que el modelo no aprende la regla aritmética subyacente sino que explota información presente en la señal binaria. Cambiar el padding de ceros a la derecha redujo la precisión a 65,20 %, aunque la información no desapareció; solo cambió su posición dentro de la señal.

El análisis de sub‑bandas wavelet mostró que la banda de aproximación A3 (nivel‑3) contenía la mayor parte de la señal predictiva (83,20 % de precisión), mientras que las bandas de detalle aportaban poco (≈50 %). Comparaciones con representaciones más simples (Haar, promedio simple) confirmaron que la interacción entre los filtros db2, el muestreo y la gestión de bordes era crucial.

Mover el bit de paridad a distintas posiciones dentro del vector de 32 bits provocó variaciones de precisión desde el nivel de azar hasta 98,60 % en la posición más favorable, reforzando la conclusión de que la arquitectura del transformador determina la facilidad de extracción del bit relevante.

Finalmente, distintas estrategias de extensión en los bordes de la señal generaron precisiones entre 54,45 % y 83,20 %, demostrando que decisiones de implementación aparentemente menores pueden influir de forma decisiva en el desempeño.

Repositorio en GitHub contiene el código completo y los datos usados. El artículo detallado está disponible en arXiv.

Este caso ilustra que, al diseñar pipelines de aprendizaje, la elección de representación y los detalles de pre‑procesado pueden ser tan determinantes como el algoritmo mismo, y que una evaluación rigurosa es esencial para evitar conclusiones engañosas.