El coste no es la foto, sino darle significado
Una empresa agrícola recoge muchas imágenes de inspección, pero los expertos solo pueden etiquetar algunas. Etiquetar asigna una categoría u otra información verificada para entrenar y evaluar un modelo. ¿Elegir las imágenes donde la IA duda más aprovecha el tiempo? Quizá. Dos fotos consecutivas de una hoja pueden ser difíciles y describir casi el mismo problema, dejando otras condiciones sin explorar.
La pregunta es limitada: con presupuesto para dos etiquetas nuevas, ¿cómo evitar gastarlas en una zona ya representada? Seis imágenes imaginarias serán puntos en un plano. Comparamos incertidumbre y cobertura geométrica, derivamos una garantía y exponemos límites. Coordenadas y probabilidades son sintéticas: no son medidas agronómicas, diagnósticos vegetales ni resultados de EL-AI.
Un mapa de imágenes, no del terreno
Un embedding es una representación numérica: una red transforma imágenes en vectores. Si sirve al objetivo, imágenes similares en características relevantes tendrán vectores cercanos. Ese «si» importa: la cercanía puede reflejar luz y fondo, no lo que queremos reconocer. Usamos dos componentes abstractas en unidades arbitrarias para visualizar el razonamiento. No son coordenadas geográficas ni proyección de imágenes reales.
L es una imagen etiquetada en el origen. A y B están cerca; C y D forman otra zona; E y F una tercera. Asignamos confianza sintética de clasificación binaria. Máxima incertidumbre significa confianza ganadora cercana a 0,5. Todas superan o igualan 0,5: elegimos las dos menores, A y B. La regla ignora la similitud entre ambas elecciones.
| Punto | x₁ | x₂ | Confianza |
|---|---|---|---|
| L | 0 | 0 | — |
| A | 0.2 | 0 | 0.5 |
| B | 0.3 | 0.1 | 0.51 |
| C | 4 | 0 | 0.8 |
| D | 4.2 | 0.2 | 0.78 |
| E | 0 | 4 | 0.9 |
| F | 0.2 | 4.1 | 0.88 |
Qué significa cubrir un conjunto
Conectemos cada punto a la representación etiquetada más cercana. El segmento más largo señala la zona peor representada. Su longitud es el radio de cobertura: minimizarlo busca que ningún candidato quede demasiado lejos. No revela etiquetas vecinas ni garantiza una clase común. Es una medida geométrica sustituta, útil solo si la geometría es pertinente.
U contiene seis candidatos y S los dos por etiquetar. d es euclídea. El mínimo busca el centro más cercano; el máximo el peor punto. Los seleccionados están a distancia cero de sí mismos y L no consume presupuesto. Evitamos olvidar etiquetas previas u optimizar la media mientras declaramos una garantía del peor caso.
Con S = {A,B}, F queda a √[(0,2−0,3)² + (4,1−0,1)²] = √16,01 ≈ 4,00125 del centro más cercano B. Es el radio final. Dos etiquetas cercanas al origen cubren una zona e ignoran casi las otras. Es un ejemplo construido, no prueba de que incertidumbre siempre falle: si ahí está un límite entre clases importantes, las etiquetas podrían ser valiosas.
Elegir cada vez el punto menos representado
Farthest-first, «primero el más lejano», es voraz: elige lo mejor del paso sin enumerar combinaciones futuras. Desde L calcula distancias al centro más cercano, toma la mayor y añade el punto. Actualiza y repite hasta agotar presupuesto. Actualizar importa: tras elegir D, C no debe conservar su prioridad antigua.
Al inicio D dista √17,68 ≈ 4,20476 de L, más que cualquier candidato. Después C queda a 0,28284 de D, mientras F sigue a 4,10488 de L y se elige segundo. Con {L,D,F}, la mayor distancia residual es B a L, aproximadamente 0,31623; C a D y E a F son menores. El radio baja de 4,00125 por incertidumbre a 0,31623 por geometría.
¿Es buena la selección? Una garantía acotada
Podemos comparar las 6 × 5 / 2 = 15 parejas. El programa encuentra {C,E} entre los óptimos, con radio 0,31623. Aquí el método voraz alcanza el óptimo, pero no siempre. La garantía general es más débil: con distancia métrica y centros iniciales fijos, el radio voraz no supera dos veces el óptimo. Dos se refiere a distancias, no a errores de clasificación ni etiquetas ahorradas.
Sea b el presupuesto y r el radio voraz final. Tomamos los b puntos elegidos y el más lejano tras la última elección. Los b + 1 puntos distan entre sí al menos r: cada nuevo punto era el más lejano y añadir centros nunca aumenta el máximo. También distan al menos r de los centros iniciales. Supongamos r mayor que 2r_opt. Ninguno queda cubierto por centros iniciales dentro de r_opt. Los b centros nuevos óptimos deben cubrir b + 1 puntos: dos comparten centro. La desigualdad triangular limita su distancia a 2r_opt, contradiciendo su separación mínima r. Así se demuestra la fórmula.
La prueba evita abusos. Una similitud arbitraria no necesariamente cumple desigualdad triangular; la distancia euclídea al cuadrado, por ejemplo, no la cumple en la misma forma. La prueba nada sabe de etiquetas, ruido ni enfermedades vegetales. Prometer exactitud exige hipótesis adicionales sobre modelos y relaciones entre representación y clase, no verificadas aquí.
Cuando la diversidad persigue un punto aislado
Añadimos O = (7,7), confianza sintética 0,99. Puede representar otro fondo, un error de captura o una condición rara importante; la geometría no decide. El algoritmo elige O y D, dejando radio 4,10488. Entre las 21 parejas, {B,O} logra cobertura óptima de radio 4,00125. Es un caso concreto de selección voraz no óptima que respeta la cota demostrada.
| Con O | Centros nuevos | Radio máximo | Distancia media |
|---|---|---|---|
| Greedy | O,D | 4.10488 | 1.27199 |
| min max | B,O | 4.00125 | 2.23669 |
| min mean | D,E | 7.35391 | 1.19666 |
La media incluye siete candidatos y ceros de puntos elegidos. Minimizarla selecciona {D,E}: representa bien a la mayoría, pero deja O lejos. Minimizar el máximo sacrifica la media para proteger el peor caso. No hay ganador independiente del objetivo. Si O es un fallo de captura, perseguirlo desperdicia presupuesto; si registra una condición rara importante, ignorarlo puede ser el error. Hay que revisar dato y finalidad, no eliminar automáticamente anomalías.
La distancia depende de cómo representamos las imágenes
Otra prueba multiplica la primera coordenada por 0,1. Sin O, se elige F y después D: mismo conjunto final, distinto orden. El radio nuevo es 0,20100. No mejora 0,31623: cambiamos la regla de medida y las cifras no son comparables. Pesos, normalización y redes pueden amplificar color, textura o contexto. Estandarizar componentes no garantiza distancia agronómicamente significativa.
El presupuesto requiere definición. Dos imágenes cuestan aquí dos unidades. Una clase y un contorno píxel a píxel pueden exigir esfuerzos distintos; casos ambiguos requieren expertos. Optimizar dos elementos no equivale a veinte minutos. Costes diferentes cambian el problema y no trasladan automáticamente la garantía a una heurística distancia dividida por coste.
Código, coste computacional y validación de campo
La descarga incluye coordenadas, confianzas, selección y enumeración. El fragmento final llama run e imprime escenario, método, selección y radio; JSON guarda medias. No necesita semilla: datos y reglas deterministas, desempate alfabético. No se entrena una red ni se adquieren imágenes reales. La aserción comprueba estos casos finitos; la demostración explica el resultado general bajo sus hipótesis.
Con N candidatos, dimensión d y b etiquetas, guardar mínimas distancias actualiza N por elección: O(Nbd), más comparaciones iniciales. Requiere O(N) memoria adicional, sin matriz N × N. Nuestro código legible recalcula todos los centros: O(Nb(|L| + b)d). Enumerar parejas y evaluar N puntos cuesta O(N³d). Son recuentos, no mediciones de latencia o memoria en hardware.
Para demostrar utilidad agrícola habría que etiquetar, entrenar el mismo modelo con presupuestos comparables e incluir selección aleatoria. Separar parcelas, estaciones o secuencias cuando importan las correlaciones: fotogramas casi duplicados entre entrenamiento y prueba favorecen cualquier estrategia. Harían falta repeticiones y esfuerzo experto registrado. Es un experimento propuesto, no ejecutado; no declaramos mejoras, ahorros ni resultados EL-AI.
Investigación y conclusión: cobertura es una pregunta, no toda la respuesta
Sener y Savarese, ICLR 2018, relacionan subconjuntos representativos y aprendizaje activo, analizan supuestos y prueban optimización robusta con redes de imágenes. Aquí estudiamos geometría elemental, sin reproducir redes, evaluaciones ni optimización robusta.
La investigación supera k-center. Cohen-Addad y colegas, ICML 2026, estudian selección y ponderación mediante bajo rango y sensibilidad de pérdida. Objetivos e hipótesis difieren de nuestra cobertura; no hacen universalmente óptimo elegir el punto más lejano.
La respuesta inicial es precisa: con poco presupuesto, incertidumbre sola puede comprar casi dos veces la misma información geométrica. Actualizar cobertura evita esa redundancia y ofrece garantía métrica demostrable. No decide si la representación importa, si un punto raro merece atención o si las etiquetas mejorarán el modelo. Conviene separar y medir esas decisiones, manteniendo central el problema agrícola.
Bibliografía y reproducibilidad
Cohen-Addad et al. — ICML 2026, PMLR 306:21154–21175.
Cohen-Addad et al. — full methods and experiments, arXiv 2606.16045 v1.
from experiment import run
r = run()
for case in r['results']:
print(case['scenario'])
for m in case['methods']:
print(m['method'], m['selected'], round(m['radius'], 6))
Código, datos e instrucciones · JSON. Cálculos didácticos ejecutados con Python 3.14.0; figuras con Matplotlib 3.11.2. Análisis asistido por IA, sin afirmar revisión por pares ni humana. Portada original ImageGen ilustrativa: no documenta personas, sedes ni instalaciones de EL-AI. Fuentes consultadas el 4 de octubre de 2026.