📊 statistics

Manifold Constrained Conformal Prediction for Spatial Events

Dieses Paper führt eine neuartige, auf Mannigfaltigkeitsbeschränkungen basierende Konforme Prädiktionsmethode ein, die den Wasserstein-Abstand und flow-basierte Stichprobenverfahren nutzt, um kalibrierte, niederenergetische Prädiktionsmengen für räumliche Ereignisse wie tropische Zyklone und Erdbeben zu generieren, wobei sie bestehende Baselines sowohl in der Abdeckungsgenauigkeit als auch in der geometrischen Treue übertrifft.

Ursprüngliche Autoren: Collin Nill, Trevor Harris, Jason Adams

Veröffentlicht 2026-07-14

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Collin Nill, Trevor Harris, Jason Adams

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 versuchen vorherzusagen, wo ein Sturm entstehen wird oder wo das nächste Erdbeben einschlagen wird. Sie wollen nicht nur einen einzelnen Punkt auf einer Karte; Sie wollen die ganze „Wolke“ der Möglichkeiten kennen. Wird es einen großen Sturm geben oder zehn winzige? Werden sie sich in der Nähe des Äquators häufen oder weit verstreut sein?

Lange Zeit haben Wissenschaftler versucht, ein Sicherheitsnetz um diese Vorhersagen zu zeichnen. Sie wollen sagen: „Wir sind uns zu 90 % sicher, dass das reale Ereignis innerhalb dieses Netzes liegen wird.“ Aber hier liegt das Problem: Die Netze, die sie bisher verwendet haben, sind oft zu weit gefasst. Sie schließen Orte ein, an denen Stürme mathematisch gesehen zwar auftreten könnten, die die Natur aber niemals dorthin schicken würde. Es ist, als würde man ein Sicherheitsnetz um eine Stadt zeichnen, das auch den Mond einschließt, weil technisch gesehen eine Rakete dorthin fliegen könnte.

Dieses Paper stellt eine neue Methode vor, um dieses Netz enger zu ziehen. Die Autoren Collin Nill, Trevor A. Harris und Jason Adams schlagen eine Methode namens Manifold Constrained Conformal Prediction vor.

Das „Wolken“-Problem

Betrachten Sie eine tropische Zyklonsaison oder eine Erdbebensequenz nicht als einzelnen Punkt, sondern als eine Wolke aus Punkten, die auf einem riesigen Globus schwebt. Einige Wolken haben 50 Punkte; andere 200. Sie können verstreut oder gehäuft sein.

Alte Methoden versuchten, den Abstand zwischen einer vorhergesagten Wolke und einer realen Wolke zu messen, indem sie eine von der anderen abzogen. Aber man kann eine Wolke aus 200 Punkten nicht einfach von einer Wolke aus 50 Punkten abziehen. Es ist, als würde man versuchen, eine Handvoll Murmeln von einem Eimer voller Sand abzuziehen. Die Mathematik wird kompliziert, und das resultierende „Sicherheitsnetz“ endet als riesiger, verschwommener Ball, der fast alles abdeckt, einschließlich Orte, die physikalisch keinen Sinn ergeben.

Der neue Trick: Die „Form“ messen

Die Autoren schlagen vor, den Abstand zwischen diesen Wolken auf eine intelligentere Weise zu messen. Anstatt Punkte zu zählen, behandeln sie die Wolken als Gewichtverteilungen. Stellen Sie sich vor, man gießt Sand auf einen Globus, um darzustellen, wo die Stürme auftreten könnten.

Sie verwenden ein mathematisches Werkzeug namens Spherical Sliced Wasserstein distance. Denken Sie dabei an einen riesigen, unsichtbaren Schneider, der den Globus in dünne Scheiben schneidet (wie bei einem Laib Brot). Sie vergleichen, wie der „Sand“ auf jeder dieser Scheiben verteilt ist. Wenn zwei Wolken ähnlich sind, passen ihre Scheiben zusammen. Wenn sie unterschiedlich sind, sehen auch ihre Scheiben sehr verschieden aus. Dies ermöglicht es ihnen, den Abstand zwischen Wolken jeglicher Größe oder Form zu messen, ohne durcheinanderzukommen.

Die „Manifold“-Beschränkung: Auf den Schienen bleiben

Selbst mit diesem besseren Messwerkzeug ist das „Sicherheitsnetz“ (die Vorhersagemenge), das sie bauen, immer noch zu groß. Es enthält seltsame, unmögliche Formen – wie eine Sturmwolke, die mitten im Ozean schwebt, wo gar kein Ozean existiert, oder ein Erdbeben mitten in einem massiven Gebirge.

In der realen Welt folgt die Natur Regeln. Erdbeben ereignen sich entlang von Verwerfungslinien (Rissen in der Erdkruste). Tropische Zyklone entstehen in spezifischen Ozeanbecken mit warmem Wasser. Diese Regeln bilden eine verborgene Spur oder einen Manifold (eine Mannigfaltigkeit).

Die Methode der Autoren fügt ihrer Vorhersage eine spezielle „Schiene“ hinzu. Sie sagen: „Wir werden unser Sicherheitsnetz bauen, aber wir erlauben das Netz nur dort zu existieren, wo die Trainingsdaten uns gezeigt haben, dass die Natur tatsächlich hinkommt.“

Sie machen dies, indem sie jede mögliche Vorhersage gegen die Trainingsdaten (die Geschichte vergangener Stürme und Beben) prüfen. Wenn eine vorhergesagte Wolke zu weit von einer Wolke entfernt ist, die in der Vergangenheit gesehen wurde, werfen sie diese heraus. Dies zwingt die Vorhersage, auf den „Schienen“ der physischen Realität zu bleiben.

Was sie fanden (und was sie nicht fanden)

Die Autoren testeten diese Idee auf drei Arten:

Falsche Daten: Sie erstellten Computersimulationen von zufälligen Punkten, Spiralen und selbst-erregenden Mustern (wie Erdbeben, die weitere Erdbeben auslösen).
Reale Stürme: Sie untersuchten die Entstehung tropischer Zyklone (wo Stürme geboren werden) unter Verwendung von Daten von 1980 bis 2025.
Reale Beben: Sie untersuchten Erdbeben in Kalifornien (Magnitude 4.0 und höher) von 1976 bis 2025.

Die Ergebnisse:

Abdeckung (Coverage): In ihren Simulationen fing die Methode die realen Ereignisse erfolgreich etwa 90 % der Zeit ab (wenn sie eine 90-prozentige Garantie forderten). Dies stimmt perfekt mit der Theorie überein.
Besser als die anderen: Beim Vergleich ihrer Methode mit anderen populären Techniken (wie „Highest Density Regions“ oder fancy KI-Modellen wie Diffusion und VAEs) erzeugte ihre Methode Vorhersagemengen, die viel näher an den tatsächlichen Daten lagen.
- Für die kalifornischen Erdbeben hatte ihre Methode eine „Manifold-Distanz“ (wie weit die Vorhersagen von den Verwerfungslinien entfernt waren) von 0,19 (skaliert um 100), während eine Standard-Flow-basierte Methode einen Wert von 1,79 aufwies. Das bedeutet, dass ihre Methode die Vorhersagen eng an den Verwerfungslinien hielt, während andere Methoden sie an unmögliche Orte driften ließen.
- Für tropische Zyklone hielt ihre Methode die Vorhersagen konzentriert in den bekannten Ozeanbecken, während andere Methoden die Vorhersagen über Landmassen und kaltes Wasser verteilten.

Was sie ausschließen:
Das Paper argumentiert explizit gegen die Verwendung von Standard-„Highest Density Region“ (HDR)-Methoden oder unbeschränkten generativen Modellen für diese spezifische Aufgabe. Sie fanden, dass diese Modelle (wie Diffusion) zwar auf dem Papier statistisch korrekt aussehen mögen, aber oft „physisch unplausible“ Ergebnisse liefern – wie etwa die Vorhersage eines Hurrikans, der sich mitten in der Sahara bildet. Die Autoren zeigen, dass diese Modelle ohne ihre „Manifold-Beschränkung“ die physikalischen Regeln der Welt nicht respektieren.

Wie sicher sind sie sich?

Die Autoren sind sehr zuversichtlich in die Mathematik hinter der Abdeckungsgarantie (es ist eine bewiesene untere Schranke), betonen aber vorsichtig, dass ihre Leistungsresultate aus Experimenten und Simulationen stammen.

Sie behaupten nicht, dass dies die „endgültige Lösung“ für alle Naturkatastrophen ist.
Sie merken an, dass ihre Methode in den Simulationen am besten funktioniert, wenn sie genügend historische Daten haben, um die „Schienen“ (den Manifold) zu definen.
Sie fanden heraus, dass, wenn sie die „Toleranz“ für die Schienen zu eng ansetzen, die Methode das reale Ereignis verpassen könnte. Sie zeigten jedoch, dass sie durch die Wahl einer Toleranz, die alle Trainingsdaten abdeckt, eine nahezu perfekte Abdeckung erreichen.

Das Fazit

Dieses Paper sagt nicht nur: „Wir haben einen besseren Taschenrechner.“ Es sagt: „Wir haben einen Weg, unsere Vorhersagen dazu zu zwingen, die Gesetze der Physik zu respektieren.“

Durch die Kombination einer neuen Art, den Abstand zwischen Ereigniswolken zu messen, mit einer Regel, die besagt: „Bleib in der Nähe dessen, wo die Natur schon einmal war“, haben sie ein Vorhersagewerkzeug geschaffen, das sowohl statistisch zuverlässig ist (es erfasst die Wahrheit zu 90 %) als auch physisch sinnvoll (es sagt keine Erdbeben im Himmel voraus). Es ist ein Weg, sicherzustellen, dass unsere Sicherheitsnetze, wenn wir in die Zukunft natürlicher Gefahren blicken, eng genug sind, um nützlich zu sein, aber nicht so weit gefasst, dass sie das Unmögliche einschließen.

Technisches Resümee: Mannigfaltigkeitsbeschränkte Konforme Prädiktion für räumliche Ereignisse

Problemstellung

Natürliche Gefahren wie tropische Zyklone, Erdbeben und Waldbrände manifestieren sich als diskrete, räumlich organisierte Konfigurationen von Ereignissen (Punktwolken) und nicht als kontinuierliche Felder. Die Anzahl, die Positionen und die räumliche Anordnung dieser Ereignisse sind entscheidend für die Risikobewertung, insbesondere bei kombinierten und extremen Gefahren. Die Vorhersage dieser Phänomene stellt jedoch einzigartige Herausforderungen dar:

Variable Kardinalität: Die Anzahl der Ereignisse in einer Konfiguration variiert, was Standard-Residuen-basierte Konformitätswerte (z. B. $y - \hat{y}$ ) schwer definierbar macht.
Mangelnde Kalibrierung: Moderne Vorhersagesysteme (Klimamodelle, Deep-Learning-Ensembles) erzeugen Verteilungen über Konfigurationen, sind aber nicht garantiert kalibriert; ein 90. Perzentil-Ensemble impliziert nicht zwangsläufig eine 90-prozentige Abdeckung der tatsächlichen Ereigniswolke.
Physikalische Unplausibilität: Standardmäßige konforme Prädiktionsregionen, wenn sie über dem Raum aller möglichen Verteilungen definiert sind, enthalten oft physikalisch unmögliche Konfigurationen (z. B. Erdbeben mitten im Ozean oder Zyklone in nicht-tropischen Breitengraden), da ihnen die Beschränkungen basierend auf der zugrunde liegenden Datenmannigfaltigkeit fehlen.

Bestehende Methoden, wie etwa Highest-Density-Region-Schätzer (HDR) oder Bayes'sche Posteriori-Verteilungen, versagen entweder bei der Bereitstellung von Post-hoc-Abdeckungsgarantien für beliebige Modelle oder erfordern spezifische parametrische Annahmen, die nicht halten müssen.

Methodik

Die Autoren schlagen einen Rahmen für die Mannigfaltigkeitsbeschränkte Konforme Prädiktion vor, der im Raum der Wahrscheinlichkeitsmaße operiert, um kalibrierte Prädiktionssets für räumliche Punktwolken zu generieren.

1. Repräsentation und Scoring

Empirische Maße: Punktwolken $Y$ werden als empirische Maße $\mu_Y = \frac{1}{|Y|}\sum \delta_y$ dargestellt, was sie in den Wasserstein-Raum $P_2(S^2)$ einbettet. Dies ermöglicht den Vergleich von Wolken mit unterschiedlicher Kardinalität.
Konformitätswert: Die Diskrepanz zwischen einem beobachteten Zielwert und einer Modellvorhersage wird mittels des Sphärischen Sliced-Wasserstein-Abstands (SSW), $SSW_2(\mu_Y, f(X))$ , gemessen. Diese Metrik respektiert die geodätische Geometrie der Sphäre und ist über Monte-Carlo-Projektion auf Großkreise rechentechnisch handhabbar ( $O(n \log n)$ ).
Ambiente Region: Eine Standard-Split-Konforme-Prädiktionsregion wird als SSW-Kugel des Radius $\tau_\alpha$ um die Vorhersage konstruiert: $C^{amb}_\alpha = \{Y : S(Y, f(X)) \leq \tau_\alpha\}$ . Dies garantiert die Abdeckung $P(Y_{n+1} \in C^{amb}_\alpha) \geq 1-\alpha$ unter der Annahme der Austauschbarkeit.

2. Mannigfaltigkeitsbeschränkung

Um physikalisch unplausible Konfigurationen zu eliminieren, beschränkt die Methode das Prädiktionsset auf eine Teilmenge des Raums, die nahe der Mannigfaltigkeit der Trainingsdaten liegt.

Empirische Mannigfaltigkeit: Da die wahre Mannigfaltigkeit unbekannt ist, wird sie durch die Trainingsziele $D_0$ approximiert. Eine „Mannigkeitsdiskrepanz“ $d_M(Y)$ wird als der minimale SSW-Abstand von einer Kandidatenwolke $Y$ zu einer beliebigen Trainingswolke in $D_0$ definiert.
Röhrenbeschränkung (Tube Constraint): Eine Toleranz $\epsilon$ wird eingeführt, um eine empirische Röhre zu definieren. Das endgültige Prädiktionsset ist der Schnitt der amorphen konformen Kugel und dieser Röhre:
$C_\alpha(X) = \{Y : S(Y, f(X)) \leq \tau_\alpha, \ d_M(Y) \leq \epsilon\}$
Abdeckungsgarantie: Die Autoren leiten eine untere Schranke für die Abdeckung der Schnittmenge ab. Während die Schnittmenge die Set-Größe reduziert, zeigt sich, dass die Abdeckungsdifferenz klein ist und exponentiell mit der Größe des Trainingsdatensatzes abnimmt, sofern $\epsilon$ so gewählt wird, dass es die Trainingsdaten angemessen abdeckt.

3. Beschränkter Flow-basiertes Sampling

Da das resultierende Set $C_\alpha$ analytisch nicht handhabbar ist, führen die Autoren einen beschränkten Gradientenfluss ein, um aus dessen Rand zu sampeln.

Geschwindigkeitsfeld: Eine zeitindexierte Kandidatenwolke $Y(t)$ wird mittels einer ODE entwickelt. Das Geschwindigkeitsfeld $v(y)$ wird so abgeleitet, dass es gleichzeitig den Konformitätswert $S(y)$ gegen das Quantil $\tau_\alpha$ und die Mannigkeitsdiskrepanz $d_M(y)$ gegen die Grenze $\epsilon$ (falls außerhalb) treibt.
Optimierung: Die Geschwindigkeit ist die Lösung mit minimaler Norm eines linearen Systems, das durch die Gradienten des Scores und der Mannigkeitsdiskrepanz definiert ist. Dies stellt sicher, dass die Trajektorie zum Rand der mannigkeitsbeschränkten Region konvergiert, ohne unnötigen Drift zu erzeugen.
Ensemble-Generierung: Durch die Marginalisierung über eine Sequenz dieser Sampler erzeugt die Methode eine kalibrierte prädiktive Verteilung, die als Ensemble geophysikalisch kohärenter Ereigniswolken dargestellt wird.

Kernbeiträge

Neuartiger konformer Rahmen: Die erste Methode zur konformen Prädiktion, die speziell für räumliche Punktwolken auf einer Sphäre entwickelt wurde und Optimal Transport (SSW) zur Bewertung nutzt.
Mannigkeitsbeschränkung: Die Einführung einer empirischen Mannigkeitsbeschränkung, die Prädiktionssets auf physikalisch plausible Regionen einschränkt und so das Problem der „Off-Manifold“-Samples adressiert, die bei unbeschränkten Verteilungsvorhersagen häufig auftreten.
Theoretische Garantien: Herleitung einer unteren Schranke für die Abdeckung der mannigkeitsbeschränkten Sets, welche den Trade-off zwischen der Beschränkungstoleranz $\epsilon$ und der Abdeckungswahrscheinlichkeit quantifiziert.
Sampling-Algorithmus: Ein modifizierter flow-basierter Sampling-Prozedur, der Ensembles erzeugt, die sowohl die konforme Abdeckungsgarantie als auch die Mannigkeitsbeschränkung erfüllen.

Ergebnisse

Die Methode wurde auf synthetischen Daten (Homogene Poisson-, Spiral-, Inhomogene Poisson- und Hawkes-Prozesse) sowie auf realen geophysikalischen Daten (Tropische Zyklonentstehung und Kalifornische Erdbeben) evaluiert.

Abdeckung: Die Methode erreicht eine nahezu nominale Abdeckung (z. B. ~90 % für $\alpha=0,1$ ) in allen synthetischen und realen Settings. Die empirische Abdeckung erweist sich als robust gegenüber der Anzahl der SSW-Schnitte und der Kalibrierungsgröße, sofern $\epsilon$ konservativ gewählt wird, um die Trainingsdaten abzudecken.
Vorhersagegüte (Energy Distance): Das beschränkte Geschwindigkeitsfeld (CVF) erzielt konsistent eine geringere Energy Distance (ED) im Vergleich zu unbeschränkten flow-basierten Methoden (VF) und Standard-Baselines (HDR, Diffusion, Normalizing Flows, VAE).
Mannigkeits-Adhärenz: CVF reduziert die Mannigkeitsdistanz (MD) im Vergleich zu unbeschränkten Methoden signifikant.
- Bei der Vorhersage von tropischen Zyklonen konzentriert CVF die Vorhersagen in den beobachteten Becken, während unbeschränkte Methoden (wie Diffusion) oft Masse in ungültige Regionen (z. B. Mittelatlantik) verteilen, um die ED zu minimieren, was zu einer hohen MD führt.
- Bei der Erdbebenvorhersage, bei der Ereignisse streng an Verwerfungslinien gebunden sind, hält CVF eine niedrige MD (0,19) im Vergleich zu unbeschränkten Flows (1,79) aufrecht und stellt sicher, dass die Vorhersagen geophysikalisch valide bleiben.
Vergleich zu Baselines: Während generative Modelle (Diffusion) teilweise konkurrenzfähige ED-Werte erreichen, versagen sie oft darin, die physikalische Mannigkeit zu respektieren. HDR-Methoden liefern zwar valide Regionen, besitzen aber nicht die Flexibilität und die Kalibrierungsgarantien des vorgeschlagenen konformen Ansatzes.

Bedeutung

Das Paper behauptet, dass die Quantifizierung der Unsicherheit für räumliche Ereignisse über skalare Zusammenfassungen oder unbeschränkte Verteilungsvorhersagen hinausgehen muss. Die vorgeschlagene Methode bietet ein Post-hoc-Kalibrierungsverfahren, das mit jedem Vorhersagemodell funktioniert, die Abdeckung unter der Annahme der Austauschbarkeit garantiert und sicherstellt, dass die resultierenden Prädiktionssets geophysikalisch kohärent sind. Durch die Beschränkung der Vorhersagen auf die Datenmannigkeit erzeugt die Methode Unsicherheitsmengen, die nicht nur statistisch valide, sondern auch handlungsrelevant für die Risikobewertung sind, indem sie die Einbeziehung physikalisch unmöglicher Szenarien vermeidet, die unbeschränkten generativen Modellen eigen sind. Der Ansatz schließt die Lücke zwischen rigorosen statistischen Abdeckungsgarantien und den physikalischen Beschränkungen, die in der Modellierung natürlicher Gefahren inhärent sind.