📊 statistics

Locally Adaptive Conformal Inference for Operator Models

Dieses Paper führt die Local Sliced Conformal Inference (LSCI) ein, ein distributionsfreies Framework, das endliche Stichproben-valide, lokal adaptive funktionswertige Vorhersagemengen für Operator-Modelle bereitstellt und im Vergleich zu bestehenden Conformal-Baselines eine überlegene Tightness sowie Robustheit bei räumlich-zeitlichen Prognosen und Aufgaben der Physik-Emulation demonstriert.

Ursprüngliche Autoren: Trevor Harris, Yan Liu

Veröffentlicht 2026-06-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Trevor Harris, Yan Liu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Wettervorhersager. Anstatt nur vorherzusagen: „Es werden 70 °F sein“, müssen Sie die Temperatur für jeden einzelnen Punkt auf einer Karte für die nächsten 24 Stunden vorhersagen. Das ist ein ganzes Feld von Vorhersagen, nicht nur eine einzige Zahl.

Das Problem ist, dass Ihr Vorhersagemodell nicht perfekt ist. Manchmal liegt es ein wenig daneben, manchmal sehr viel. Und die „Fehler“, die es macht, sind nicht zufällig; sie ändern sich je nach Ort und nach dem, was das Wetter gerade macht. An manchen Orten ist das Modell sehr präzise; an anderen ist es völlig unberechenbar.

Dieses Paper stellt ein neues Werkzeug namens LSCI (Local Sliced Conformal Inference) vor, das diesen Modellen hilft, ihre Fehler ehrlich und genau zuzugeben. So funktioniert es, einfach erklärt:

1. Das Problem: Der „Einheits-Regenschirm“

Stellen Sie sich vor, Sie versuchen das Wetter vorherzusagen, und Sie entscheiden sich für einen einzigen, riesigen Regenschirm, um all Ihre möglichen Fehler abzudecken.

Standardmethoden (der alte Weg) schauen sich alle Fehler an, die das Modell je gemacht hat, überall, und zeichnen einen einzigen riesigen Kreis um sie herum. Sie sagen: „Wir sind uns zu 90 % sicher, dass die echte Temperatur innerhalb dieses großen Kreises liegt.“
Der Makel: Dieser Kreis ist oft zu groß an Orten, an denen das Modell eigentlich sehr gut ist (Verschwendung von Platz), und könnte an Orten, an denen das Modell verwirrt ist, immer noch zu klein sein. Er behandelt einen ruhigen, sonnigen Tag genauso wie einen chaotischen Sturm, obwohl die Zuversicht des Modells für jeden Fall unterschiedlich sein sollte.

2. Die Lösung: Ein „intelligenter, formverändernder“ Regenschschirm

Die Autoren schlagen LSCI vor, was wie ein intelligenter, formverändernder Regenschirm ist, der seine Größe und Form ändert, je nachdem, wo genau Sie gerade stehen und wie das lokale Wetter ist.

Anstatt sich auf alle vergangenen Fehler zu beziehen, um einen großen Kreis zu zeichnen, schaut LSCI nur auf die Fehler, die das Modell in ähnlichen Situationen gemacht hat, wie der, die Sie gerade vorhersagen möchten.

Der „lokale“ Teil: Wenn Sie einen Sturm in einem Tal vorhersagen, betrachtet LSCI nur, wie das Modell bei anderen Stürmen in Tälern abgeschnitten hat. Es ignoriert, wie das Modell an sonnigen Tagen in der Wüste abgeschnitten hat.
Der „geschnittene“ (Sliced) Teil: Das ist der clevere Trick. Anstatt den „Größenwert“ eines Fehlers nur durch die Entfernung zur Wahrheit zu messen (wie mit einem Lineal), betrachtet LSCI den Fehler aus vielen verschiedenen Blickwinkeln (Schnitten), so als würde man eine Wolke von vorne, von der Seite und von oben betrachten.
- Analogie: Stellen Sie sich eine Wolke aus Murmeln vor, die vergangene Fehler repräsentieren. Ein Standardlineal würde vielleicht nur den Abstand vom Zentrum messen. Aber LSCI erkennt, dass die Wolke in einer Richtung die Form einer langen, dünnen Wurst und in einer anderen die eines dicken Balls hat. Durch das „Schneiden“ dieser Wolke kann LSCI ein enges, maßgeschneidertes Netz um sie herumlegen, anstatt eine lose, runde Decke.

3. Wie es funktioniert (Der „Knockoff“-Trick)

Um sicherzustellen, dass diese lokale Methode mathematisch fair ist und nicht schummelt, verwenden die Autoren einen cleveren Trick mit „statistischen Knockoffs“.

Stellen Sie sich vor, Sie haben ein Testobjekt (das neue Wettermuster, das Sie vorhersagen wollen).
Um zu entscheiden, welche vergangenen Fehler „ähnlich genug“ sind, um verwendet zu werden, erstellt die Methode eine leicht verschwommene, „Geisterversion“ Ihres Testobjekts.
Dann fragt sie: „Welche vergangenen Fehler sehen diesem Geist am ähnlichsten?“
Durch die Verwendung dieses Geistes stellt die Methode sicher, dass sie nicht versehentlich Fehler auswählt, die zu verschieden sind, wodurch die Mathematik ehrlich und die Vorhersagen zuverlässig bleiben.

4. Was sie herausgefunden haben

Die Autoren haben dies an mehreren realen Problemen getestet:

Luftqualität: Vorhersage von Schadstoffkonzentrationen in einer Stadt.
Energienachfrage: Vorhersage von Stromverbrauchskurven für einen ganzen Tag.
Wetter: Vorhersage globaler Temperaturen.

Die Ergebnisse:

Engere Netze: LSCI erstellte Vorhersage-„Netze“, die viel enger (präziser) waren als die alten Methoden. Es verschwendete keinen Platz in Bereichen, in denen das Modell zuversichtlich war.
Bessere Form: Die Netze passten sich der Form der Fehler an. Wenn das Modell dazu neigte, in einem bestimmten Muster falsch zu liegen (wie etwa einer Welle), legte LSCI das Netz genau um diese Welle.
Robustheit: Selbst wenn das Modell leicht verzerrt war (immer etwas zu hoch schätzte) oder sich die Daten unerwartet änderten, hielt sich LSCI besser als die anderen Methoden.

Das Fazentelemnt

Betrachten Sie LSCI als eine Möglichkeit, einem Wettervorhersager eine maßgeschneiderte Rüstung anstatt eines riesigen, schweren Regenmantels zu geben.

Der alte Weg gab ihnen einen Regenmantel, der überall zu groß war, was sie tollpatschig und unsicher machte.
LSCI gibt ihnen eine Rüstung, die genau dort, wo die Gefahr ist, eng und schützend sitzt, und dort, wo es sicher ist, leicht ist.

Dies ermöglicht es Wissenschaftlern und Ingenieuren, ihren Vorhersagen mehr zu vertrauen, da sie genau wissen, wo die Unsicherheit liegt und wie groß sie ist, ohne von übervorsichtigen Schätzungen überwältigt zu werden.

Technisches Resümee: Lokal adaptierte konforme Inferenz für Operatormodelle

Problemstellung

Operatormodelle sind Regressionsalgorithmen, die zwischen Banach-Räumen von Funktionen abbilden ( $\Gamma: \mathcal{F} \to \mathcal{G}$ ), und werden weit verbreitet in der spatiotemporalen Vorhersage, der physikalischen Emulation und der PDE-Approximation eingesetzt. Eine kritische Herausforderung in diesen Anwendungen ist die Unsicherheitsquantifizierung (Uncertainty Quantification, UQ). Im Gegensatz zur skalaren Regression erfordern Operatormodelle funktionale Vorhersagesets anstelle von skalaren Intervallen.

Die Standard-Konforme Prädiktion (CP) stützt sich auf die Annahme der globalen Austauschbarkeit von Daten. Diese Annahme wird jedoch in realen funktionalen Daten (z. B. Klima, Energienachfrage, Wetter) häufig verletzt, etwa durch Nichtstationarität, saisonale Drift und variierende Eingangsstrukturen. Während bestehende adaptive CP-Methoden Nichtstationarität durch Gewichtung von Kalibrierungsscores oder Modifikation von Quantilen adressieren, setzen sie typischerweise eine globale Score-Geometrie (z. B. Residuennormen) voraus. Dieser Ansatz scheitert bei funktionalen Residuen, da die Unsicherheit anisotrop und strukturiert ist; normbasierte Scores erzeugen sphärische Vorhersageregionen, die nicht mit der tatsächlichen Form der Residuenvariabilität übereinstimmen.

Methodik: Lokale geschnittene konforme Inferenz (Local Sliced Conformal Inference, LSCI)

Die Autoren schlagen die Lokale geschnittene konforme Inferenz (LSCI) vor, ein distributionsfreies Framework, das lokal adaptive, funktionale Vorhersagesets generiert. Im Gegensatz zu früheren Methoden, die das Quantil lokalisieren, lokalisiert LSCI die Konformitäts-Score-Verteilung selbst.

Kernkomponenten

Lokales Austauschbarkeits-Framework:
Die Methode setzt voraus, dass der Residuenprozess lokal austauschbar ist (Campbell et al., 2019). Dies impliziert, dass, während globale Verteilungen driften können, die mit ähnlichen Eingängen (in einem Prä-Metrik-Raum) assoziierten Residuen annähernd austauschbare Verteilungen teilen.
$\Phi$ -Tiefe-Scores:
Anstatt skalare Normen zu verwenden, nutzt LSCI die funktionale Datentiefe, um die Zentralität eines Residuen zu messen. Speziell verwendet es $\Phi$ -Tiefen (Mosler & Polyakova, 2012), welche projektionsbasierte Tiefen sind.
- Ein Residuum $r$ wird auf eine Familie linearer Funktionale $\Phi$ projiziert (z. B. zufällige Gaußsche Schnitte).
- Die Tiefe ist definiert als das Infimum der univariaten Tiefen (z. B. Tukey-Halbraumtiefe) über diese Projektionen:
  $D_\Phi(r | P) = \inf_{\phi \in \Phi} D(\phi(r) | \phi(P))$
- Dies ermöglicht es dem Score, sich an die anisotrope Form der lokalen Residuenwolke anzupassen, anstatt eine isotrope (sphärische) Geometrie zu erzwingen.
Lokale Score-Konstruktion:
Für einen Test-Input $f_{n+1}$ konstruiert LSCI eine testspezifische empirische Residuenverteilung mittels Ähnlichkeitsgewichten.
- Knockoff-Lokalisierung: Um endliche-Stichproben-Garantien aufrechterhalten zu können, werden die Gewichte basierend auf dem Abstand zwischen Kalibrungs-Inputs und einem statistischen Knockoff des Test-Inputs ( $\tilde{f}_{n+1} = f_{n+1} + \epsilon$ ) berechnet, anstatt basierend auf dem Test-Input selbst.
- Feature-Maps: Die Lokalisierung kann im Roh-Eingangsraum oder in einem gelernten/transformierten Feature-Raum (z. B. FPCA, Fourier-Modi) erfolgen, um semantische Ähnlichkeit zu erfassen.
- Schnitt-Varianz-Normalisierung: Um Heteroskedastizität zu handhaben, werden die projizierten Schnitte vor der Tiefenberechnung mit testspezifischen Gewichten reskaliert.
Bildung des Vorhersagesets:
- Die Methode berechnet lokale Konformitätsscores für die Kalibrations-Residuen.
- Ein Schwellenwert wird durch das $k$ -te Ordnungsstatistik dieser lokalen Scores bestimmt (wobei $k = \lfloor \alpha(n+1) \rfloor$ ).
- Das Vorhersageset ist definiert als die Menge der Funktionen, deren Residuen innerhalb der entsprechenden zentralen Region der lokalen Tiefenverteilung liegen:
  $C_\alpha(f_{n+1}) = \{ \hat{\Gamma}(f_{n+1}) + r : D_\Phi(r | \hat{P}_{n+1}) \geq q_\alpha(f_{n+1}) \}$
Sampling:
Da das Vorhersageset eine implizite Teilmenge des Funktionsraums ist, verwenden die Autoren einen Sampling-Algorithmus (Algorithmus 1) unter Verwendung einer lokal adaptierten Funktionalen Hauptkomponentenanalyse (FPCA)-Basis. Proben werden mittels inverser Transform-Sampling auf gewichteten projizierten Koordinaten gezogen und verworfen, falls sie außerhalb des Tiefenschwellenwerts liegen.

Theoretische Garantien

Die Arbeit etabliert endliche-Stichproben-Validität unter lokaler Austauschbarkeit.

Coverage-Bound (Abdeckungs-Schranke): Die Autoren leiten eine datenabhängige obere Schranke für die Abdeckungslücke ab. Die Lücke wird durch die Total-Variations-Distanz zwischen der gemeinsamen Verteilung der Residuen und deren Permutationen kontrolliert, welche durch die Prä-Metrik-Distanz der Inputs begrenzt ist (Proposition 3.1).
Validität: Unter voller Austauschbarkeit erreicht die Methode exakte marginale Abdeckung. Unter lokaler Austauschbarkeit bleibt die Abdeckung nahe am nominalen Niveau $1-\alpha$ , sofern der Residuenprozess in Bezug auf die Eingangs-Prä-Metrik glatt variiert.

Experimentelle Ergebnisse

Die Autoren evaluierten LSCI in synthetischen Gauß-Prozess-Aufgaben sowie in drei realen Anwendungen: Luftqualitätsüberwachung (PM2.5), Energienachfrage-Prognose und Wettervorhersage (ERA5 Temperatur).

Synthetische Aufgaben: LSCI erreichte eine nahezu nominale Abdeckung über verschiedene Lokalisierungskerne, Feature-Maps und Bandbreiten hinweg. Es zeigte Robustheit gegenüber der Wahl der Hyperparameter.
Vergleich mit Baselines: Im Vergleich zu Standard-Konform-Baselines (Conf), konformalisierten integrierten Bändern (Supr) und tiefen Operatormodellen (PONet, QONet, UQNO) produzierte LSCI konsistent engere Vorhersagesets (niedrigere Interval Scores und Bandbreiten), während es eine valide Abdeckung beibehielt.
- In heteroskedastischen Settings passte sich LSCI an lokale Varianzstrukturen an, während globale Methoden entweder über-abdeckten (konservativ) oder unter-deckten.
Reale Anwendungen:
- Wetter-ERA5: LSCI erfasste saisonale und regionale Fehlermuster, die globale Schwellenwerte gemittelt hätten, was zu signifikant niedrigeren Interval Scores im Vergleich zu nicht-adaptiven Methoden führte.
- Robustheit: LSCI zeigte Resilienz gegenüber verzerrten Vorhersagen und spezifischen Out-of-Distribution-Rauschregimen, in denen Baseline-Methoden versagten oder eine übermäßige Erweiterung der Interval erforderten.
- Räumliche Adaptivität: Visualisierungen bestätigten, dass sich die LSCI-Bänder verformen, um der lokalen Residuen-Anisotropie und Saisonalität zu entsprechen, wodurch eine funktionale Unsicherheit bereitgestellt wird, die den physikalischen Realitäten entspricht.

Bedeutung und Ansprüche

Das Paper behauptet, dass LSCI einen bedeutenden Fortschritt für das Operator-Learning darstellt, indem es:

Die Lücke schließt: Es wendet konforme Inferenz erfolgreich auf funktionale Daten an, bei denen Standard-Norm-basierte Scores aufgrund von Anisotropie versagen.
Auf der Score-Ebene lokalisiert: Durch die Lokalisierung der Score-Verteilung anstatt nur des Quantils modelliert LSCI die Geometrie der Unsicherheit genauer als bestehende adaptive CP-Methoden.
Distributionsfreie Garantien bietet: Es behält die rigorosen, distributionsfreien Endliche-Stichproben-Garantien der konformen Inferenz bei, selbst in nicht-stationären Umgebungen, sofern lokale Austauschbarkeit gilt.
Praktischen Nutzen bietet: Die Methode stellt Praktikern funktionale Vorhersagesets zur Verfügung, die die Bewertung der globalen Zuverlässigkeit und die Identifizierung von Regionen mit konzentrierter Unsicherheit ermöglichen, was für hochsensible wissenschaftliche und technische Anwendungen entscheidend ist.

Limitationen

Die Autoren räumen mehrere Limitationen ein:

Rechenaufwand: Die Lokalisierung zur Testzeit und das Sampling (insbesondere für hochauflösende Felder) führen zu Rechenkosten, wobei Batching und GPU-Evaluierung dies abmildern können.
Implizite Sets: Das Vorhersageset ist implizit über die Tiefe definiert; die praktische Anwendung beruht auf Monte-Carlo-Sampling. Obwohl dies in Experimenten stabil war, könnten komplexe oder hochauflösende Felder verbesserte Sampling-Mechanismen erfordern, um Artefakte zu vermeiden (z. B. zu stark konzentrierte Proben).
Glattheitsannahme: Die Methode setzt glatte Änderungen in der bedingten Verteilung voraus. Abrupte Änderungen oder Umbruchpunkte (Changepoints) könnten durch lokale Kerne überglättet werden, was zu einer schlechten Adaptivität in diesen spezifischen Regionen führt.