📊 statistics

Conditional Predictive Inference for General Structured Data with Group Symmetries

تقدم هذه الورقة البحثية C-SymmPI، وهو إطار عمل مبتكر يحقق ضمانات تغطية شبه شرطية للاستدلال التنبؤي على البيانات الهيكلية العامة ذات التناظرات الجماعية، مما يعالج بفعالية عدم التجانس السكاني والانزياحات التوزيعية حيث تفشل الأساليب الحالية القائمة على التبادلية.

المؤلفون الأصليون: Yichen Shen, Mengxin Yu

نُشر 2026-05-19

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yichen Shen, Mengxin Yu

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 في التنبؤ بالطقس. مهمتك هي التنبؤ بحالة الطقس غداً وإعطاء الناس "فترة ثقة" (Confidence Interval)—وهي نطاق درجات الحرارة التي من المرجح أن تقع ضمنها درجة الحرارة الفعلية.

معظم الطرق التقليدية تعطيك ضماناً هامشياً (Marginal Guarantee). هذا يشبه قولك: "على مدار الـ 100 عام القادمة، ستكون توقعاتي صحيحة بنسبة 90% من الوقت". هذا متوسط رائع، لكنه لا يفيدك كثيراً إذا كنت تقف في حي معين يشهد حالياً موجة حر غير معتادة بينما بقية المدينة تشعر بالبرد. توقعك "المتوسط" قد يكون ضيقاً جداً بالنسبة لموجة الحر (نقص في التغطية) أو واسعاً جداً بالنسبة للمنطقة الباردة (زيادة في التغطية).

أما التغطية الشرطية (Conditional Coverage) فهي ما تريده حقاً: "بالنظر إلى أننا نعيش حالياً موجة حر في هذا الحي تحديداً، فإن توقعي سيكون صحيحاً بنسبة 90%".

ومع ذلك، فإن تحقيق هذه "الدقة المحلية المثالية" أمر صعب للغاية، خاصة عندما لا تكون بياناتك مجرد قائمة عشوائية من الأرقام (مثل رمي النرد) بل لها هيكل معقد، مثل شبكة اجتماعية، أو شجرة عائلة، أو مجموعة من المرضى في تجربة سريرية بالمستشفى.

تقدم هذه الورقة أداة جديدة تسمى C-SymmPI (الاستدلال التنبئي القائم على التماثل الشرطي) لحل هذه المشكلة. وإليك كيف تعمل باستخدام تشبيهات بسيطة:

1. المشكلة: فخ "المقاس الواحد للجميع"

تخيل أنك تحاول تخمين وزن التفاح في سلة.

الطريقة القديمة (الهامشية): تزن 100 تفاحة من السلة بأكملها، وتجد المتوسط، ثم تقول: "90% من التفاح يزن بين 100 جرام و150 جرام". هذا يعمل جيداً في المتوسط. ولكن إذا أخرجت حبة طماطم كرزية صغيرة (نوع محدد من نقاط البيانات)، فسيكون نطاقك غير مفيد.
التحدي الجديد: في العالم الحقيقي، تأتي البيانات غالباً في مجموعات. فكر في تجربة عشوائية عنقودية (مثل اختبار دواء جديد في مدارس مختلفة) أو شبكة اجتماعية (حيث يؤثر الأصدقاء على بعضهم البعض). في هذه الحالات، قد تكون "التفاحات" في المدرسة (أ) ضخمة، بينما تكون في المدرسة (ب) صغيرة جداً. لذا، فإن نطاقاً متوسطاً واحداً سيفشل في استيعاب هذه الاختلافات المحلية.

2. الحل: "الشبكة متغيرة الشكل" (C-SymmPI)

ابتكر المؤلفون C-SymmPI، الذي يعمل مثل شبكة ذكية متغيرة الشكل. فبدلاً من استخدام حجم واحد ثابت للجميع، تتمدد الشبكة أو تتقلص بناءً على الشكل المحدد للبيانات التي تصطادها.

التماثلات الجماعية (القواعد الخفية): تعتمد الورقة على فكرة أن العديد من هياكل البيانات تمتلك "تماثلات".
- تشبيه: تخيل ندفة الثلج. إذا قمت بتدويرها، فستبدو كما هي. أو شجرة العائلة: إذا قمت بتبديل اثنين من أبناء العم، فإن هيكل العائلة يظل كما هو.
- يستخدم C-SymmPI هذه القواعد الخفية (المسماة التماثلات الجماعية - Group Symmetries) لفهم هيكل البيانات دون الحاجة إلى معرفة الصيغة الرياضية الدقيقة وراءها. فهو يعرف أن "تبديل هذين الشخصين" أو "تدوير هذه الشبكة" لا ينبغي أن يغير القواعد الأساسية للعبة.

3. كيف يتعلم: "العتبة التكيفية"

لجعل الشبكة تتناسب تماماً، يستخدم C-SymmPI تقنية مستوحاة من انحدار المئينات (Quantile Regression) (وهي طريقة لإيجاد "نقطة القطع" للبيانات).

الطريقة القديمة: تختار نقطة قطع واحدة (مثلاً: "أي شيء أثقل من 150 جرام يعتبر قيمة متطرفة") وتطبقها على الجميع.
طريقة C-SymmPI: تتعلم عتبة تكيفية. فهي تسأل: "بالنظر إلى الميزات المحددة لهذه التفاحة (أو لهذا المريض، أو لهذه العقدة في الشبكة)، ما هي نقطة القطع المناسبة؟"
- إذا كانت البيانات صاخبة وفوضوية (تباين عالٍ)، فإن الشبكة تصبح أوسع لتكون في أمان.
- إذا كانت البيانات نظيفة ويمكن التنبؤ بها (تباين منخفض)، فإن الشبكة تصبح أضيق لتكون أكثر دقة.

4. خدعة "الدقة المتعددة"

تعترف الورقة بأن الحصول على دقة شرطية مثالية هو أمر مستحيل رياضياً في بعض الحالات. لذا، استخدموا حيلة ذكية تسمى الدقة المتعددة (Multi-Accuracy).

التشبيه: بدلاً من المطالبة بأن تكون الشبكة مثالية لكل "تفاحة محددة"، فإنهم يطالبون بأن تكون مثالية في المتوسط لمجموعات من التفاح التي تشترك في سمات مماثلة (مثل "كل التفاح الأحمر" أو "كل التفاح من الجانب الشمالي للشجرة").
هم يحددون قائمة من "السمات" (الدوال) ويضمنون أن التنبؤ دقيق لجميع هذه السمات في وقت واحد. وهذا يمنحهم ضماناً "شبه مثالي" جيد بما يكفي للاستخدام في العالم الحقيقي.

5. جعل العملية سريعة: خدع "الإسقاط" و"أخذ العينات"

يمكن أن يكون حساب هذا لمجموعات البيانات الضخمة (مثل الإنترنت بأكمله أو نظام مستشفيات ضخم) بطيئاً. لذا أضاف المؤلفون طريقتين لتسريع العمل:

C-SymmPI المسقط (Projected C-SymmPI): بدلاً من النظر في كل تفصيل من تفاصيل جسم معقد (مثل صورة عالية الدقة)، فإنه ينظر إلى "رسم تخطيطي" مبسط (إسقاط منخفض الأبعاد) لجعل الرياضيات أسرع.
C-SymmPI المعتمد على العينات (Sampled C-SymmPI): بدلاً من التحقق من كل طريقة ممكنة لتدوير أو خلط البيانات (والتي قد تكون لانهائية)، فإنه يتحقق من عينة عشوائية منها، وهو أمر أسرع بكثير ولا يزال دقيقاً للغاية.

6. ما الذي اختبروه؟

لم يكتفِ المؤلفون بالرياضيات فقط؛ بل اختبروا ذلك في سيناريوهين من الواقع:

التجارب العشوائية العنقودية (دراسة PPACT): نظروا في دراسة حول إدارة الألم حيث جربت عيادات مختلفة (عناقيد) علاجات مختلفة. نجح C-SymmPI في تحديد المرضى الذين استفادوا بشكل خاص، بينما أعطت الطرق القديمة متوسطاً غامضاً للمجموعة بأكملها.
بيانات الشبكة (مجموعة بيانات Cora): نظروا في شبكة من الأوراق البحثية التي تستشهد ببعضها البعض. استطاع C-SymmPI التنبؤ بفئة الورقة بناءً على جيرانها، مع تعديل فترة الثقة الخاصة بها اعتماداً على مدى كون تلك الورقة "مركزية" أو "منعزلة" في الشبكة.

الخلاصة

C-SymmPI هو طريقة جديدة لجعل التنبؤات خالية من التوزيع المسبق (لا تفترض أن البيانات تتبع منحنى جرس محدد) وواعية بالهيكل (تفهم الشبكات والمجموعات).

إنه ينقلنا من قول: "نحن متأكدون بنسبة 90% في المتوسط"، إلى قول: "بالنظر إلى السياق المحدد لنقطة البيانات هذه وعلاقتها بالآخرين، نحن متأكدون بنسبة 90%". إنه يجعل فترات التنبؤ تكيفية، تتقلص عندما تكون البيانات واضحة وتتوسع عندما تكون فوضوية، مما يضمن قياس عدم اليقين بشكل صحيح لكل حالة على حدة.

ملخص تقني: الاستدلال التنبئي الشرطي للبيانات المهيكلة العامة مع التناظر المجموعاتي

بيان المشكلة

تتناول الورقة البحثية قيدًا جوهريًا في الاستدلال التنبئي الخالي من التوزيع (distribution-free): الاعتماد على ضمانات التغطية الهامشية مقابل الحاجة العملية لـ التغطية الشرطية. بينما يضمن التنبؤ التوافقي القياسي (Vovk et al., 2005) أن تغطي مجموعات التنبؤ الهدف الحقيقي باحتمالية $1-\alpha$ في المتوسط عبر جميع تحققات البيانات (التغطية الهامشية)، فإنه غالبًا ما يفشل في تقديم تقدير صالح لعدم اليقين لمجموعات فرعية محددة أو تحققات محلية للبيانات، لا سيما في الإعدادات غير المتجانسة.

تعتمد الطرق الموجودة التي تحاول تحقيق تغطية شرطية قريبة (مثل Gibbs et al., 2025; Hore and Barber, 2024) عادةً على افتراض التبادلية (أو البيانات المستقلة والمتماثلة التوزيع i.i.d). ومع ذلك، فإن العديد من البيانات المهيكلة في العالم الحقيقي — مثل الشبكات، والبيانات المتكتلة، والنماذج الهرمية — تنتهك التبادلية العالمية. وبينما قدمت أعمال حديثة بواسطة Dobriban and Yu (2024) إطار عمل SymmPI للتعامل مع التناظرات المجموعاتية العامة بما يتجاوز التبادلية، إلا أنها توفر فقط ضمانات التغطية الهامشية. وهذا يترك فجوة: لا توجد طريقة تتعامل في آن واحد مع الهياكل ذات التناظر المجموعاتي المعقد (مثل الشبكات أو التكتلات) وتوفر ضمانات تغطية شرطية تتكيف مع عدم التجانس المحلي.

المنهجية: C-SymmPI

يقترح المؤلفون C-SymmPI (الاستدلال التنبئي المتناظر الشرطي)، وهو إطار عمل موحد يوسع نهج SymmPI لتحقيق تغطية شرطية قريبة تحت تناظرات مجموعات عامة.

الإطار الجوهري

الإعداد النظري للمجموعات: يُفترض أن البيانات $Z$ هي ثابتة توزيعيًا تحت تأثير مجموعة $\rho$ لمجموعة $G$ (أي $Z \stackrel{d}{=} \rho(G)Z$ حيث $G \sim U$ ، مقياس هير Haar measure). هذا يعمم التبادلية (حيث $G$ هي المجموعة المتناظرة $S_n$ ) لتشمل هياكل مثل الشبكات (مجموعات التماثل الذاتي) والبيانات الهرمية (مجموعات التبديل المتداخلة).
تعلم العتبة التكيفي: على عكس SymmPI، الذي يحسب عتبة كمّية عالمية واحدة عبر مدار المجموعة، يقوم C-SymmPI بتعلم دالة عتبة تكيفية $t_z(\cdot)$ . تقوم هذه الدالة برسم ملامح ميزات البيانات المرصودة إلى عتبة، مما يسمح لمجموعة التنبؤ بالتكيف مع عدم التجانس المحلي.
منظور الدقة المتعددة المخفف: تعيد الطريقة صياغة متطلب التغطية الشرطية باستخدام منظور الدقة المتعددة (Hébert-Johnson et al., 2018). بدلاً من اشتراط التغطية الشرطية الدقيقة لكل تحقق (وهو أمر مستحيل غالبًا بدون افتراضات توزيعية)، يقلل C-SymmPI من خطأ سوء التغطية عبر فئة دالة محددة من قبل المستخدم $\mathcal{F}$ . وتحديدًا، يضمن:
$\left| \mathbb{E}_Z \left[ f(Z_{\text{obs}}) \left( \mathbb{1}\{Z \in \hat{C}(Z_{\text{obs}})\} - (1-\alpha) \right) \right] \right| \leq \varepsilon$
لكل $f \in \mathcal{F}$ . ويتم تحقيق ذلك من خلال حل مشكلة انحدار الكمّ المتظم (regularized quantile regression) عبر مدار المجموعة.

المتغيرات الخوارزمية للكفاءة

لمعالجة التحديات الحسابية في الفضاءات عالية الأبعاد والمجموعات الكبيرة، تم تقديم متغيرين:

C-SymmPI المسقط (Projected C-SymmPI): يقوم بإسقاط البيانات المرصودة عالية الأبعاد $Z_{\text{obs}}$ على تضمين منخفض الأبعاد $\eta(Z_{\text{obs}})$ قبل تعلم العتبة. هذا يقلل من تعقيد مشكلة تعلم الدالة.
C-SymmPI المأخوذ بالعينة (Sampled C-SymmPI): يقرب توقع هير (Haar expectation) (متوسط المجموعة) باستخدام عينة مونت كارلو محدودة من عناصر المجموعة. هذا أمر بالغ الأهمية للمجموعات اللانهائية أو الكبيرة جدًا (مثل مجموعات الدوران).

الضمانات النظرية

تضع الورقة حدودًا لـ التغطية الشرطية القريبة تحت إعدادين:

الثبات التوزيعي: عندما تحقق البيانات فرضية الثبات المجموعاتي بشكل صارم.
انزياح التوزيع: عندما يتم انتهاك الثبات، يتضمن الحد مصطلحًا إضافيًا يتناسب مع مسافة التباين الكلي (Total Variation distance) بين التوزيع الحقيقي والتوزيع المبدل.

يتم اشتقاق معدلات التقارب لفئات دالية محددة:

الفئات الدالية الخطية: يتلاشى الخطأ بمعدل $O(d |H| / |G|)$ ، حيث $d$ هو البعد، $|G|$ هو حجم المجموعة، و $|H|$ هو حجم المجموعة الفرعية المثبتة.
فضاءات RKHS (فضاءات هيلبرت لإعادة الإنتاج): يتلاشى الخطأ بمعدل $O(1/\sqrt{|G|/|H|})$ .

المساهمات الرئيسية

إطار عمل موحد للاستدلال القريب من الشرطي: يعد C-SymmPI أول إطار عمل يوسع ضمانات التغطية الشرطية القريبة إلى ما وراء إعدادات i.i.d/التبادلية ليشمل هياكل البيانات ذات التناظرات المجموعاتية العامة (مثل الشبكات أو التكتلات الهرمية).
التعميم النظري: يستعيد النتائج الرائدة الحالية للبيانات i.i.d (مثل Gibbs et al., 2025) كحالات خاصة مع تقديم ضمانات جديدة للهياكل غير المتبادلة.
القابلية للتوسع الحسابي: يتيح تطوير متغيرات "المسقط" و"المأخوذ بالعينة" تطبيق الاستدلال الشرطي على الملاحظات عالية الأبعاد ومجموعات التناظر الكبيرة/اللانهائية.
قابلية التطبيق الواسعة: تم تجسيد إطار العمل لـ:
- البيانات المتبادلة: استعادة التنبؤ التوافقي الشرطي.
- النماذج الهرمية ثنائية الطبقات: بما في ذلك التجارب العشوائية المتكتلة (CRTs)، مما يوفر ضمانات شرطية على مستوى كل من الكتلة والفرد.
- البيانات ذات بنية الشبكة: التكيف مع طوبولوجيا الشبكة للاستدلال على مستوى العقدة.

النتائج التجريبية

يتحقق المؤلفون من صحة C-SymmPI من خلال المحاكاة العددية والتطبيقات الواقعية:

المحاكاة (البيانات الهرمية): في نموذج هرمي ثنائي الطبقة مع ضجيج غير متجانس، ينتج C-SymmPI فترات تنبؤ تتكيف مع التباين المحلي (أضيق في المناطق ذات التباين المنخفض، وأوسع في المناطق ذات التباين العالي). الطرق المنافسة (SymmPI القياسي، التنبؤ التوافقي الشرطي القياسي، وطرق الشجرة الواحدة) إما تفشل في تغطية المناطق عالية التباين (نقص التغطية) أو تنتج فترات واسعة متحفظة للغاية.
تجربة PPACT العشوائية المتكتلة: طُبقت على تجربة واقعية حول إدارة الألم. يتفوق C-SymmPI على طريقة Split-CCI (Wang et al., 2024) من خلال إنتاج فترات تنبؤ أقصر لآثار العلاج مع الحفاظ على تغطية صالحة وتحقيق نسبة أعلى من العلاجات المفيدة المحددة (الفترات السالبة).
شبكة استشهاد Cora: في مهمة تصنيف مدعومة بالشبكة، ينتج C-SymmPI مجموعات تنبؤ أقصر مقارنة بالتنبؤ التوافقي المنقسم القياسي مع الحفاظ على تغطية صالحة، مما يظهر القدرة على التكيف مع عدم اليقين في التنبؤ (فترات أقصر للتنبؤات عالية الثقة).

الأهمية والادعاءات

تدعي الورقة أن C-SymmPI يسد فجوة حرجة في تقدير عدم اليقين للبيانات المهيكلة. ومن خلال الانتقال من التغطية الهامشية إلى التغطية الشرطية القريبة تحت التناظرات المجموعاتية، يوفر C-SymmPI مجموعات تنبؤ أكثر إخبارًا واستقرارًا تحترم عدم التجانس المتأصل في هياكل البيانات المعقدة (الشبكات، التكتلات).

يؤكد المؤلفون أن نهجهم لا يتطلب افتراضات توزيعية قوية، مما يجعله خاليًا من التوزيع مع الاستفادة من التناظرات الهيكلية للبيانات. تشير النتائج إلى أنه بالنسبة للممارسين الذين يتعاملون مع البيانات الهرمية أو الشبكية، فإن C-SymmPI يقدم بديلًا قويًا للطرق الهامشية الحالية، مما يمنع حجب عدم التجانس المحلي الذي يحدث غالبًا عند المتوسط عبر مجموعة البيانات بأكملها. يتم تقديم الإطار كأداة عامة يمكن تكييفها مع إعدادات هيكلية أخرى (مثل الأشجار أو الصور) حيث توجد تناظرات مجموعاتية.