📊 statistics

Shape-Adaptive Conditional Calibration for Conformal Prediction via Minimax Optimization

تقدم هذه الورقة "تحسين المينيمكس للاستدلال التنبؤي" (MOPI)، وهو إطار عمل مبتكر يحقق تغطية شرطية متكيفة مع الشكل بشكل فائق في التنبؤ التوافقي من خلال تحسين التعيينات المرنة ذات القيم المجموعاتية عبر صياغة المينيمكس، متجاوزاً بذلك قيود دوال الدرجة الثابتة مع توفير ضمانات نظرية وكفاءة تجريبية محسنة.

المؤلفون الأصليون: Yajie Bao, Chuchen Zhang, Zhaojun Wang, Haojie Ren, Changliang Zou

نُشر 2026-03-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yajie Bao, Chuchen Zhang, Zhaojun Wang, Haojie Ren, Changliang Zou

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك خبير أرصاد جوية. مهمتك لا تقتصر فقط على قول "سوف تمطر غداً" (تنبؤ واحد)؛ بل مهمتك هي إعطاء نطاق توقعات، مثل "هناك احتمال بنسبة 90% أن تهطل أمطار تتراوح بين 2 و4 بوصات".

في عالم الذكاء الاصطناعي وتعلم الآلة، يُسمى هذا "النطاق" مجموعة التنبؤ (Prediction Set). والهدف من التنبؤ المطابق (Conformal Prediction) هو التأكد من أن مجموعة التنبؤ هذه تصيب الإجابة الصحيحة بنسبة 90% على المدى الطويل.

المشكلة: فخ "المقاس الواحد للجميع"

معظم الأساليب الحالية تشبه الخياط الذي يصنع مقاساً واحداً فقط للبدلات: المتوسط (Medium).

إذا كنت عملاقاً، ستكون البدلة المتوسطة ضيقة جداً (مجموعة التنبؤ صغيرة جداً، مما يؤدي إلى تفويت الحقيقة).
إذا كنت شخصاً ضئيماً، ستكون البدلة المتوسطة واسعة وغير مفيدة (مجموعة التنبؤ ضخمة وغير مجدية).

من الناحية التقنية، تعاني هذه الأساليب من مشكلة التغطية الشرطية (conditional coverage). قد تكون دقيقة في المتوسط (90% بشكل عام)، لكنها تفشل مع مجموعات محددة. على سبيل المثال، قد تكون دقيقة جداً مع الرجال ولكنها سيئة جداً مع النساء، أو دقيقة في الأيام المشمسة ولكنها تفشل فشلاً ذريعاً في الأيام الممطرة. إنها "جامدة" ولا يمكنها تغيير شكلها لتناسب الموقف المحلي.

الحل: MOPI (الخياط "متعدد الأشكال")

يقدم هذا البحث إطار عمل جديد يسمى MOPI (الاستدلال التنبؤي ذو التحسين الحد الأدنى الأقصى - Minimax Optimization Predictive Inference). فكر في MOPI كـ خياط ذكي متعدد الأشكال.

بدلاً من مجرد تعديل حجم البدلة (جعلها أكبر أو أصغر)، يمكن لـ MOPI تغيير الشكل الكامل لمجموعة التنبؤ.

إذا كانت البيانات ممتدة أفقياً، يجعل MOPI صندوق تنبؤ طويلاً ونحيفاً.
إذا كانت البيانات متجمعة في دائرة، يجعل MOPI دائرة تنبؤ مستديرة.
إذا كانت البيانات مائلة، يقوم بتدوير الصندوق ليناسبها.

يفعل ذلك من خلال حل لعبة Minimax (لعبة "أفضل الأسوأ"):

اللاعب (الذكاء الاصطناعي): يحاول بناء أصغر وأكثر مجموعة تنبؤ كفاءة ممكنة.
الخصم (الناقد): يحاول إيجاد أسوأ سيناريو تفشل فيه مجموعة تنبؤ الذكاء الاصطناعي.
النتيجة: يتعلم الذكاء الاصطناعي بناء مجموعة قوية جداً بحيث لا يمكن للناقد التغلب عليها، حتى في أصعب المواقف.

السلاح السري: المتغير "الشبح"

إليك الجزء الأكثر سحراً في هذا البحث.

تخيل أنك تدرب طبيباً على تشخيص المرضى. خلال التدريب، يمتلك الطبيب إمكانية الوصول إلى التاريخ الجيني للمريض (وهو تفصيل حساس). ولكن في العالم الحقيقي (عند الاختبار)، لا يرى الطبيب سوى أعراض المريض؛ التاريخ الجيني يكون مخفياً أو "محجوباً".

الأسالط القديمة: يتجاهل الأطباء التاريخ الجيني تماماً لأنه غير موجود أثناء الاختبار، فينتهي بهم الأمر بتقديم تخمينات عامة.
MOPI: يستخدم الطبيب التاريخ الجيني أثناء التدريب لتعلم كيفية رصد الأنماط. ورغم أن هذه الجينات ستكون مخفية لاحقاً، إلا أن الطبيب قد تعلم بالفعل "شكلاً" للتنبؤ يأخذ في الاعتبار ضمنياً تلك العوامل المخفية.

يمكن لـ MOPI استخدام المعلومات المتاحة خلال مرحلة المعايرة (التدريب) لتشكيل التنبؤ، حتى لو كانت هذه المعلومات غير متاحة خلال مرحلة التنبؤ. إنه يشبه تعلم القيادة في المطر لكي تتمكن من القيادة بأمان في الضباب، حتى لو لم تستطع رؤية قطرات المطر لاحقاً.

لماذا يهم هذا الأمر (الأثر في العالم الحقيقي)

اختبر المؤلفون هذا على بيانات معقدة، مثل:

التشخيص الطبي: التنبؤ بنطاق من النتائج المرضية المحتملة.
التنبؤ بالجريمة: ضمان العدالة عبر مختلف المجموعات العرقية، حتى لو كانت بيانات العرق مخفية وقت التنبؤ (وهو مطلب حيوي للعدالة).
القيادة الذاتية: التنبؤ بمكان توجه السيارة، وتعديل "فقاعة الأمان" بناءً على ما إذا كان الطريق جليدياً أو جافاً.

الخلاصة:
كانت الأساليب السابقة مثل الصناديق البلاستيكية الجامدة التي تحاول ملاءمة كل موقف. أما MOPI فهو مثل المعدن السائل الذي يتدفق ليأخذ الشكل الدقيق الذي يحتا- إليه الموقف الذي ينظر إليه. إنه يضمن أن الذكاء الاصطناعي ليس فقط "صحيحاً في المتوسط"، بل عادلاً ودقيقاً للجميع ولأي موقف محدد، مع الحفاظ على مجموعات تنبؤ صغيرة ومفيدة قدر الإمكان.

ملخص التشبيه

الطريقة القديمة: آلة بيع ذاتي لا تقدم إلا صندوقاً بمقاس "متوسط". أحياناً يناسب، وأحياناً يكون صغيراً جداً، وأحياناً يكون كبيراً جداً.
MOPI: طابعة ثلاثية الأبعاد تمسح الشيء الذي تحتاج لحمايته، ثم تطبع صندوقاً مخصص الشكل والمقاس يناسبه تماماً، باستخدام أدلة تم جمعها خلال مرحلة التصميم والتي لا تظهر عند استخدام الصندوق فعلياً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "المعايرة الشرطية متكيفة الشكل للتنبؤ التشكلي عبر التحسين المينيمكس (Minimax)".

1. بيان المشكلة

تتناول الورقة البحثية قصوراً جوهرياً في التنبؤ التشكلي (Conformal Prediction - CP): فبينما يضمن التنبؤ التشكلي القياسي تغطية هامشية (أي أن مجموعة التنبؤ تغطي التسمية الحقيقية باحتمالية $1-\alpha$ في المتوسط)، فإنه غالباً ما يفشل في توفير تغطية شرطية (أي أن التغطية تتحقق لمجموعات فرعية محددة أو مناطق محلية في فضاء المتغيرات المستقلة).

التحدي: تحقيق تغطية شرطية اختبارية دقيقة ( $P(Y \in C(X) | X) \ge 1-\alpha$ ) هو أمر مستحيل نظرياً في الإعدادات الخالية من التوزيع (distribution-free) دون اللجوء إلى مجموعات تنبؤ ضخمة بشكل لا نهائي.
القصور الحالي: تعتمد الطرق السابقة (مثل المعايرة الشرطية بواسطة Gibbs et al., 2025) على معايرة دالة عتبة $f(Z)$ $f (Z)$ لدالة درجة (score function) ثابتة $s(X, Y)$ $s (X, Y)$ . ويعاني هذا النهج من مشكلتين رئيسيتين:
1. الجمود الهندسي: يمكن لهذه الطرق تعديل حجم مجموعة التنبؤ فقط (عن طريق تغيير مقياس العتبة)، لكنها لا تستطيع تغيير الشكل (مثل الاتجاه أو نسبة العرض إلى الارتفاع) ليتناسب مع التباين غير المتجانس (heteroscedasticity) أو الارتباطات في المخرجات متعددة المتغيرات.
2. الارتباط المحجوب: تواجه هذه الطرق صعوبة عندما يكون متغير الشرط $Z$ (مثل السمات الحساسة كالعرق أو الجنس) متاحاً أثناء المعايرة ولكنه غير مرصود وقت الاختبار. تتطلب الطرق الحالية عادةً أن يكون $Z \subseteq X$ .

2. المنهجية: الاستدلال التنبئي عبر تحسين المينيمكس (MOPI)

يقترح المؤلفون إطار عمل MOPI، وهو إطار يعيد صياغة الاستدلال التنبئي الشرطي كمسألة تحسين مينيمكس (minimax optimization).

الصيغة الجوهرية

بدلاً من تثبيت دالة الدرجة وتحسين العتبة، يقوم MOPI بالتحسين عبر فئة مهيكلة من الخرائط ذات القيم المجموعية $\mathcal{C}$ مع حل دالة الوزن $f$ في آن واحد ضمن فئة $\mathcal{F}$ .

الهدف هو تقليل أقصى انحراف عن التغطية المستهدفة:
$\min_{C \in \mathcal{C}} \max_{f \in \mathcal{F}} \mathbb{E}\left[ f(Z) \left( \mathbb{1}\{Y \notin C(X)\} - \alpha \right) - f^2(Z) \right]$

الفئة ذات القيم المجموعية $\mathcal{C}$ : تُعرف بـ $C(x; h) = \{y \in \mathcal{Y} : T(h(x), y) \le 0\}$ $C (x; h) = {y \in Y : T (h (x), y) \leq 0}$ .
- تقوم $h(x)$ بترميز البنية الهندسية (على سبيل المثال، المتوسط $\mu(x)$ والمصفوفة التغايرية $\Sigma(x)$ للأشكال الإهليلجية، أو معاملات القياس للصناديق).
- يسمح هذا لمجموعة التنبؤ بتكييف شكلها (الدوران، نسبة العرض إلى الارتفاع) مع كثافة البيانات المحلية، بدلاً من مجرد تغيير مقياس شكل ثابت.
فئة الوزن $\mathcal{F}$ : وهي فئة من الدوال على متغير الشرط $Z$ $Z$ .
- إذا كان $Z$ محدوداً (شرط مجموعات)، فإن $\mathcal{F}$ هي فئة معلمية (parametric).
- إذا كان $Z$ مستمراً (شرط اختبار)، فإن $\mathcal{F}$ هي فضاء هيلبرت إعادة إنتاج النواة (RKHS).
منطق المينيمكس: تعمل عملية التعظيم الداخلية على $f$ لتحديد "الحالة الأسوأ" للمجموعة الفرعية التي يحدث فيها انتهاك للتغطية. بينما تقوم عملية التقليل الخارجية بتعديل معاملات الشكل $h$ لتصحيح هذا الانتهاك.

الابتكارات التقنية الرئيسية

فك الارتباط بين $Z$ و $X$ : يفصل إطار العمل بين فرض التغطية (الذي يعتمد على $Z$ ) وبين الخريطة التنبئية (التي تعتمد على $X$ ). يتيح ذلك للنموذج تعلم دالة الشكل/العتبة باستخدام $Z$ أثناء المعايرة، حتى لو كان $Z$ محجوباً وقت الاختبار.
الارتباط بخطأ التغطية متوسط المربعات (MSCE): يثبت المؤلفون أنه تحت ظروف معينة، فإن تقليل هدف المينيمكس يكافئ تقليل MSCE:
$\text{MSCE}(C) = \mathbb{E}\left[ (\mathbb{P}(Y \notin C(X) | Z) - \alpha)^2 \right]$
وهذا يوفر تبريراً إحصائياً صارماً للطريقة.
التحسين السلس: بما أن دالة المؤشر $\mathbb{1}\{Y \notin C(X)\}$ غير قابلة للاشتقاق، يستبدل MOPI هذه الدالة ببديل سلس (مثل دالة Sigmoid أو دالة الخطأ الغاوسية) لتمكين التحسين القائم على التدرج (مثل التدرج الاشتقاقي العشوائي - SGD).

3. المساهمات الرئيسية

تكيف الشكل: يعمم MOPI طرق المعايرة الشرطية السابقة من خلال السماح للهندسة الخاصة بمجموعة التنبؤ بالتطور المشترك مع كثافة البيانات المحلية. يمكنه تعلم المصفوفات التغايرية المثلى للأشكال الإهليلجية أو عوامل القياس للصناديق، مما يلتقط الارتباطات المحلية التي تفقدها طرق الدرجة الثابتة.
التعامل مع السمات الحساسة المحجوبة: يعد MOPI أول طريقة تنبؤية قادرة على فرض تغطية شرطية صالحة على السمات الحساسة (مثل العرق أو الجنس) التي تتوفر أثناء المعايرة ولكنها غير مرصودة وقت الاختبار. وهذا أمر بالغ الأهمية للذكاء الاصطناعي العادل حيث يجب إخفاء السمات الحساسة عند الاستدلال.
الضمانات النظرية:
- متراجحات الأوراكل (Oracle Inequalities): تضع الورقة حدوداً غير تقاربية لـ MSCE للمتنبئ التجريبي الخاص بـ MOPI.
- معدلات التقارب: استنتجت الورقة معدلات تقارب مثالية (مع مراع-عوامل لوغاريتمية) لكل من الإعدادات محدودة الأبعاد (شرط المجموعات) واللانهاية (RKHS).
- خطأ التقريب: يظهر التحليل النظري أن الخطأ يعتمد على الارتباط بين المتغير المستقل $X$ ومتغير الشرط $Z$ . إذا كان $Z$ دالة حتمية لـ $X$ ، فيمكن تحقيق تغطية شرطية مثالية.
الكفاءة الحسابية: من خلال اشتقاق حلول مغلقة للتعظيم الداخلي (للحالات ذات $Z$ المحدود) واستخدام طرق النواة (للحالات ذات $Z$ المستمر)، يتم اختزال المسألة إلى مسألة تقليل خطر تجريبي قابلة للمعالجة.

4. النتائج التجريبية

قيم المؤلفون MOPI على مجموعات بيانات اصطناعية وحقيقية مقابل النماذج المرجعية: التنبؤ التشكلي المنقسم (SCP)، المعايرة الشرطية (CC)، والتنبؤ التشكلي المحلي العشوائي (RLCP).

الانحدار متعدد المتغيرات (الأشكال الإهليلجية/الصناديق):
- في البيانات الاصطناعية ذات الضجيج غير المتجانس والمتغيرات متعددة القيم، أنتج MOPI مجموعات تنبؤ أصغر بكماً (كفاءة أعلى) مع الحفاظ على تغطية أقرب إلى المستوى الاسمي (90%) مقارنة بالنماذج المرجعية.
- غالباً ما أنتجت النماذج المرجعية مجموعات متحفظة للغاية (كبيرة) لأنها لم تستطع تعديل الشكل ليتناسب مع بنية التغاير المحلية.
التغطية المتساوية (السمات المحجوبة):
- في الإعدادات التي تم فيها حجب السمات الحساسة ( $Z$ ) وقت الاختبار، فشلت النماذج المرجعية (CC, RLCP) في الحفاظ على تغطية متساوية عبر المجموعات.
- نجح MOPI في استخدام $Z$ أثناء المعايرة لتعلم دالة شكل توازن التغطية عبر المجموعات، رغم عدم توفر $Z$ وقت الاستدلال.
مجموعات البيانات الواقعية:
- مجموعة بيانات الأسر (Households): حقق MOPI تغطية محلية أكثر اتساقاً عبر مستويات الدخل مقارنة بالنماذج المرجعية.
- مجموعة بيانات المجتمعات والجريمة (Communities and Crime): حافظ MOPI على تغطية متوازنة عبر المجموعات العرقية في سيناريو "الحجب"، بينما أظهرت النماذج المرجعية فجوات تغطية كبيرة لبعض الأقليات العرقية.
- FashionMNIST: حقق MOPI أفضل مقاييس التغطية الشرطية (على مستوى العنقود وعلى مستوى الفئة) مع الحفاظ على الصلاحية الهامشية.

5. الأهمية

يمثل هذا العمل تقدماً كبيراً في تقدير عدم اليقين والذكاء الاصطناعي العادل:

ما وراء الحجم: ينقل التنبؤ التشكلي من مجرد تغيير مقياس الحجم إلى تكييف الشكل الهندسي، وهو أمر حيوي للمخرقات عالية الأبعاد والمرتبطة.
العدالة في التطبيق: يحل عقبة عملية في عدالة الخوارزميات: وهي فرض قيود العدالة (التغطية المتساوية) على السمات الحساسة التي لا يمكن استخدامها وقت الاستدلال.
الصرامة النظرية: يربط بين مسائل تقييد اللحظة (moment-restriction) في المينيمكس وبين التنبؤ التشكلي، مقدماً أول متراجحات أوراكل غير تقاربية للتغطية الشرطية متكيفة الشكل.

باخت ملخص، يقدم MOPI إطار عمل مبدئياً، مرناً، وسليماً من الناحية النظرية لبناء مجموعات تنبؤ ليست صالحة إحصائياً في المتوسط فحسب، بل أيضاً موثوقة لمجموعات فرعية محددة وقابلة للتكيف مع هياكل البيانات المحلية المعقدة.