ملخص تقني: متى يساعد التقليم (Trimming) في التنبؤ المتوافق (Conformal Prediction)؟

بيان المشكلة

يعتمد التنبؤ المتوافق على قابلية التبادل (exchangeability) بين درجات المعايرة ودرجات الاختبار لتوفير ضمانات تغطية في العينات المحدودة. ومع ذلك، تفشل قابلية التبادل هذه تحت حالة تلوث المعايرة (calibration contamination)، حيث يتم سحب عينة المعايرة من توزيع مختلط $P^\star = (1-\epsilon)P + \epsilon Q$ (حيث $P$ هو القانون المستهدف النقي و $Q$ قانون ملوث مجهول)، بينما تظل نقطة الاختبار مسحوبة من $P$.

أحد ردود أفعال الممارسين الشائعة هو تقليم (trimming) نقاط المعايرة ذات درجات الشذوذ العالية قبل حساب الكم المتوافق (conformal quantile). ورغم أن هذا يبدو بديهيًا، إلا أن الورقة تجادل بأن هذا الإجراء لا يقوم ببساطة بـ "تطهير" البيانات. بدلاً من ذلك، فإنه يحول قانون المعايرة إلى قانون مُحتفظ به $R$. وتصبح صلاحية مجموعة التنبؤ الناتجة للقانون المستهدف النقي $P$ مشكلة انتقال (transfer problem) من $R$ إلى $P$. السؤال المركزي هو: تحت أي شروط يساعد التقليم فعليًا في تحسين تغطية الهدف النقي، ومتى يفشل أو حتى يؤدي إلى تدهور الأداء؟

المنهجية

إطار القانون المُحتفظ به (The Retained-Law Framework)

يعيد المؤلفون صياغة التقليم ذي العتبة الثابتة ليس كعملية تطهير للبيانات، بل كعملية تكييف (conditioning). بالنظر إلى درجة شذوذ $S$ وعتبة $t^\star$، يتم الاحتفاظ بنقاط المعايرة إذا كان $S(Z) \le t^\star$. المجموعة المحتفظ بها الناتجة تكون مستقلة وموزعة بشكل متماثل (i.i.d.) وفقًا لـ القانون المُحتفظ به:
$$R = P^\star(\cdot \mid S \le t^\star)$$
هذا القانون ليس بالضرورة القانون المختلط الأصلي $P^\star$ ولا القانون النقي $P$.

التشخيصات النظرية

تشتق الورقة هوية دقيقة للعينات المحدودة للتغطية الهامشية النقية، والتي تعتمد على توزيع العدد المُحتفظ به والعلاقة بين القانون المُحتفظ به $R$ والقانون $P$.

لجعل الأمر قابلاً للحل، يقدم المؤلفون فجوة انتقال قياسية $d_{R \to P, +} = \sup_t (F^A_R(t) - F^A_P(t))_+$، حيث تمثل $F^A$ دالة التوزيع التراكمي (CDF) لدرجة عدم التطابق (nonconformity score) $A$. يتم حصر ضمان التغطية بـ:
$$\text{Coverage} \ge [1 - \alpha - d_{R \to P, +}]_+$$

باستخدام التفكيك المختلط لـ $R$، يشتق المؤلفون حداً علوياً مكونيًا لهذه الفجوة:
$$d_{R \to P, +} \le (1 - \tilde{\epsilon}^\star) \Delta^A_{\text{trim}, +} + \tilde{\epsilon}^\star D_{Q, +}$$
حيث أن:

1. $\Delta^A_{\text{trim}, +}$ (تكلفة الجانب النقي): التشوه في توزيع درجة عدم التطابق النقية الناتج عن التكييف على الاحتفاظ. تثبت الورقة أن هذا هو بالضبط تباين أحادي الجانب بين مؤشر الاحتفاظ ودرجة عدم التطابق تحت القانون النقي $P$.
2. $\tilde{\epsilon}^\star$ (معامل الخليط المُحتفظ به): مستوى التلوث الفعال في المجموعة المُحتفظ بها، ويُعطى بـ $\tilde{\epsilon}^\star = \frac{\epsilon p_d}{(1-\epsilon)p_c + \epsilon p_d}$، حيث $p_c$ و $p_d$ هما احتمالات الاحتفاظ للنقاط النقية والملوثة على التوالي.
3. $D_{Q, +}$ (اختلاف الملوث المُحتفظ به): الاختلاف بين المكون الملوث المُحتفظ به والمستهدف النقي.

الرؤى النظرية الرئيسية

• هوية التباين: يتم دفع تكلفة تقليم البيانات النقية بواسطة الاعتماد (dependence) بين درجة الشذوذ $S$ ودرجة عدم التطابق $A$ تحت $P$. إذا كانت $S$ و $A$ مستقلتين تحت $P$ (مثل درجات المتغيرات المستقلة فقط في الانحدار متغاير التباين)، فإن تكلفة الجانب النقي تكون صفرًا.
• ثنائية الفصل على مستوى المعاملات: يقلل التقليم من التلوث فقط إذا كانت درجة الشذوذ تفصل بين النقاط النقية والملوثة ($p_d \ll p_c$). إذا كانت $p_d \approx p_c$، فإن $\tilde{\epsilon}^\star \approx \epsilon$، وبالتالي لا يمكن للتقليم تقليل معامل الخليط. في حالة "عدم الفصل" هذه، قد يؤدي التقليم إلى تدهور التغطية عبر إدخال تشوه في الجانب النقي دون تقليل التلوث.
• حدة العينات المحدودة: يُظهر أن الحد السفلي القياسي هو أمثل في الإطار الأدنى (minimax optimal) ضمن فئة المسائل المحددة فقط بقيد التباين القياسي. لا يمكن لأي حد سفلي موحد باستخدام الفجوة القياسية وحدها أن يتجاوز هذه القيمة.

قوالب الشهادات (Certificate Templates)

بما أن الكميات السكانية غير معروفة في الممارسة العملية، توفر الورقة قوالب شهادات للضمانات العددية:

1. التدقيق المكوني: حصر المكونات ($p_c, p_d, \Delta^A_{\text{trim}, +}, D_{Q, +}$) باستخدام معلومات مستقلة (مثل عينات تدقيق نقية أو معرفة بالمجال).
2. التدقيق المباشر: استخدام عينة تدقيق نقية مستقلة لتوثيق المجموعة المختارة نهائيًا عبر قلب ثنائي حديدي دقيق أو حدود كولموغوروف-سميرنوف.
3. الاختيار من نفس العينة: يتم توفير حد مستند إلى دالة التوزيع التجريبية (empirical-CDF) لشبكة محدودة، وذلك للحالات التي يتم فيها اختيار العتبة من نفس عينة المعايرة، مما يترتب عليه عقوبة قدرها $\sqrt{\log K / N}$.

النتائج التجريبية

قيم المؤلفون النظرية في مهمة انحدار متغايرة التباين مع تلوث هندسي للمتغيرات المستقلة.

• نطاق الدرجة المرئية (Score-Visible Regime): عندما تفصل درجة الشذوذ (درجة نرمز ستين - Stein score-norm) بفعالية بين توزيعات المتغيرات المستقلة للبيانات النقية والملوثة، يحسن التقليم التغطية بشكل كبير. ويحدث هذا التحسن من خلال تقليل معامل الخليط المُحتفظ به $\tilde{\epsilon}^\star$ (الذي ينخفض إلى ما يقرب من الصفر) مع تكلفة جانب نقي يمكن السيطرة عليها.
• نطاق عدم الفصل (No-Separation Regime): عندما تمتلك النقاط النقية والملوثة احتمالات احتفاظ متشابهة، يفشل التقليم في تقليل $\tilde{\epsilon}^\star$. تظل التغطية منخفضة، مما يؤكد أن التقليم لا يمكن أن يساعد بدون فصل.
• تلوث العلامات فقط (Label-Only Contamination): عندما يكون $Y$ فقط هو الملوث (و $X$ نظيف)، لا يمتلك التقليم القائم على المتغيرات المستقلة أي قوة تأثير. وقد حددت الطريقة بشكل صحيح أن التقليم لا يمكنه تحسين التغطية في هذا الإعداد.
• حجم العينة الكبير: يقلل زيادة حجم المعايرة $m$ من الفائض في العينات المحدودة، ولكنه لا يلغي العجز في التغطية على مستوى المجتمع الناتج عن فجوة الانتقال في القانون المُحتفظ به. يتم التحكم في التغطية المحدودة بواسطة التشخيصات السكانية، وليس حجم العينة.

الأهمية والادعاءات

تدعي الورقة تقديم تشخيص على مستوى المجتمع يوضح متى و لماذا يساعد التقليم، متجاوزة الاعتقاد التجريبي بأن "إزالة القيم المتطرفة تساعد دائمًا".

1. إعادة صياغة التقليم: تؤسس الورقة أن التقليم هو تحويل لقانون المعايرة، وليس استعادة للقانون الأصلي. الصلاحية تكون دقيقة فقط للقانون المُحتفظ به، مما يتطلب انتقالًا إلى الهدف النقي.
2. مبادئ التصميم: توضح أن درجة الشذوذ الجيدة للتقليم يجب أن تكون محايدة للدرجة (score-neutral) بالنسبة للمجتمع النقي (تقليل التباين مع درجة عدم التطابق) بينما تكون فصلية (separative) بين المجتمعات النقية والملوثة.
3. القيود: تُظهر أن التقليم لا يمكنه تقليل التلوث من خلال معامل الخليط إذا فشلت الدرجة في فصل احتمالات الاحتفاظ. في مثل هذه الحالات، قد يؤدي التقليم إلى تدهور الأداء بشكل صارخ.
4. السلامة التشغيلية: تميز الورقة بين التشخيصات السكانية (التفسيرات الميكانيكية باستخدام قوانين المحاكاة المعروفة) و الشهادات العددية (الضمانات التي تتطلب بيانات تدقيق مستقلة)، مما يضمن عدم خلط الممارسين بين الحدود النظرية والشهادات المستندة إلى البيانات دون تدقيق مناسب.

تخلص الورقة إلى أن التقليم ليس حلاً عالميًا للتلوث؛ بل إن فعاليته محكومة بدقة بالتفاعل بين قدرة درجة الشذوذ على فصل التلوث وبين حيادها تجاه توزيع المجتمع النقي.