Confidence intervals for functionals in constrained inverse problems via data-adaptive sampling-based calibration

Resumen Técnico: Intervalos de Confianza para Funcionales en Problemas Inversos Restringidos mediante Calibración Basada en Muestreo Adaptativo a los Datos

Planteamiento del Problema
El artículo aborda el desafío de la cuantificación de la incertidumbre (UQ) frecuentista para problemas inversos mal planteados donde el modelo directo es deficiente en rango, la dimensión del parámetro supera la dimensión de la observación y los parámetros desconocidos están sujetos a restricciones físicas (por ejemplo, no negatividad). El objetivo específico es construir un intervalo de confianza $C_\alpha(y)$ para una cantidad de interés (QoI) unidimensional, $\phi(x^*)$, que satisfaga una garantía de cobertura uniforme en muestras finitas:
$$P_{x^*}(\phi(x^*) \in C_\alpha(y)) \geq 1 - \alpha$$
para todo $x^*$ factible en $X$.

Los métodos existentes, particularmente los "Límites Estrictos de Uno a la Vez" (OSB), dependen de cálculos de extremos basados en optimización. Aunque el OSB es computacionalmente factible, sus garantías de cobertura carecen de prueba teórica y suelen fallar en la práctica debido a la dificultad de calibrar el umbral de la estadística de prueba ($\psi^2_\alpha$) en presencia de restricciones. El enfoque estándar de utilizar un conjunto de confianza simultáneo para todo el espacio de parámetros es excesivamente conservador, lo que conduce a intervalos excesivamente anchos. Por el contrario, adaptar el intervalo a una QoI específica (el enfoque OSB) introduce un problema de la "Conjetura de Burrus", donde la garantía de cobertura es generalmente inválida porque el espacio de la hipótesis nula es compuesto y potencialmente no acotado.

Metodología
Los autores proponen un marco que combina la inversión de pruebas, el encogimiento de restricciones adaptativo a los datos y la calibración basada en muestreo. La metodología central procede en tres etapas:

1. Encogimiento de Restricciones Adaptativo a los Datos (Conjunto de Berger–Boos):
   Para manejar la no acotación y la complejidad de la hipótesis nula compuesta, los autores introducen un subconjunto de la restricción adaptativo a los datos, $B_\eta(y)$, inspirado en la construcción de Berger–Boos para parámetros molestos (nuisance parameters).

   • Ellos definen un conjunto de confianza para las observaciones, $\Gamma_\eta(y) = \{y' : \|y - y'\|^2 \leq \chi^2_{n,\eta}\}$.
   • El conjunto de Berger–Boos es la preimagen de esta región interceptada con las restricciones: $B_\eta(y) = \{x \in X : \|y - f(x)\|^2 \leq \chi^2_{n,\eta}\}$.
   • Este conjunto contiene el parámetro verdadero $x^*$ con una probabilidad de al menos $1-\eta$. El presupuesto de error restante ($\alpha - \eta$) se asigna para calibrar la razón de verosimilitud (LLR) a un nivel $\gamma \leq \alpha - \eta$.

2. Estimación de Cuantiles mediante Muestreo:
   En lugar de intentar calcular el máximo cuantil de la estadística LLR sobre todo el espacio (potencialmente no acotado), el método estima la función de cuantiles sobre el conjunto acotado $B_\eta(y)$.

   • Muestreo: Los autores emplean muestreadores específicos para extraer puntos de diseño uniformemente de $B_\eta(y)$. Para casos de bajo rango y rango completo, utilizan el muestreador Voelker–Gosmann–Stewart (VGS). Para casos de alto rango o deficiencia de rango, utilizan un muestreador de Polítopo personalizado basado en la caminata de Vaidya.
   • Calibración: Se proponen dos algoritmos para estimar la superficie de cuantiles:
     • Algoritmo 3.1 (Estimación Directa): Muestrea la estadística LLR $N$ veces en cada punto de diseño para estimar el cuantil empírico.
     • Algoritmo 3.2 (Regresión de Cuantiles): Muestrea la estadística LLR una vez por cada punto de diseño y utiliza regresión de cuantiles (específicamente Gradient Boosting con pérdida pinball) para aprender la superficie de cuantiles condicional $q_\gamma(x)$. Este enfoque intercambia la optimización repetida por una suposición de suavidad.

3. Construcción de Intervalos:
   Utilizando los cuantiles estimados, los autores definen cuatro construcciones de intervalos distintas basadas en dos taxonomías:

   • Global vs. Segmentado (Sliced): Los métodos globales maximizan el cuantil sobre todo $B_\eta(y)$, mientras que los métodos segmentados maximizan sobre conjuntos de nivel de la QoI ($\Phi_\mu \cap B_\eta$).
   • Invertido vs. Optimizado: Los métodos invertidos aceptan valores funcionales $\mu$ donde la LLR observada está por debajo del cuantil estimado. Los métodos optimizados definen los extremos optimizando $\phi(x)$ sobre una región definida por el umbral de cuantil estimado.

Contribuciones Clave

• Marco Teórico: El artículo extiende el marco de inversión de pruebas de [2] a problemas inversos restringidos e ill-posed mediante la integración del conjunto de Berger–Boos. Esto permite el control del error de Tipo I sobre una región acotada y adaptativa a los datos, en lugar de sobre todo el espacio de parámetros no acotado.
• Integración Novedosa: Aunque los conjuntos de Berger–Boos y la regresión de cuantiles existen en la literatura, este trabajo es el primero en integrarlos específicamente para producir intervalos de confianza conscientes de las restricciones para funcionales en problemas inversos de alta dimensión y potencialmente no acotados.
• Implementación Algorítmica: Los autores proporcionan algoritmos prácticos para el muestreo de la compleja geometría del conjunto de Berger–Boos (que es la intersección de un polítopo y un elipsoide) y para la estimación de las superficies de cuantiles necesarias utilizando técnicas de aprendizaje automático.
• Justificación Teórica: Los autores demuestran que las construcciones de intervalos propuestas convergen en probabilidad hacia los conjuntos de confianza reales a medida que aumenta el número de muestras, siempre que la función de cuantiles sea continua y el muestreo cubra el conjunto de manera efectiva.

Resultados
Se realizaron experimentos numéricos en modelos gaussianos sintéticos y en un problema realista de desanidación (unfolding) de alta energía física (espacio de parámetros de 80 dimensiones, modelo directo con deficiencia de rango).

• Cobertura: En escenarios donde los intervalos OSB de vanguardia fallan en alcanzar la cobertura nominal (específicamente en entornos gaussianos restringidos en 3D y configuraciones adversas de alta dimensión), los métodos propuestos alcanzan consistentemente la cobertura objetivo.
• Longitud del Intervalo:
  • En casos donde el OSB logra la cobertura nominal, los intervalos "Segmentados" propuestos son competitivos, proporcionando a menudo longitudes esperadas más cortas (por ejemplo, una reducción del ~11–18% en el experimento de deconvolución suave de alta dimensión).
  • En casos donde el OSB falla, los métodos propuestos logran la cobertura manteniendo longitudes esperadas más cortas que el OSB.
  • Las construcciones "Globales" tienden a ser más conservadoras (más anchas) que las "Segmentadas", reflejando el compromiso entre robustez y precisión.
• Sensibilidad: Los experimentos variando el parámetro $\eta$ (el tamaño del conjunto de Berger–Boos) sugieren que un $\eta$ positivo pequeño (por ejemplo, 0.01) ofrece un compromiso beneficioso, encogiendo el dominio de optimización lo suficiente como para mejorar la longitud sin inflar excesivamente el umbral del cuantil.

Significado y Reivindicaciones
El artículo afirma que su enfoque ofrece un marco flexible y con base teórica para la UQ en problemas inversos restringidos que evita los defectos del sesgo de regularización inherentes a los métodos de regularización bayesianos o deterministas. Al desplazar la complejidad de demostrar la cobertura para conjuntos no acotados hacia el muestreo dentro de un conjunto acotado adaptativo a los datos, el método produce intervalos que son computacionalmente factibles y menos conservadores que los límites simultáneos.

Los autores señalan modestamente que la elección del parámetro $\eta$ es actualmente heurística (basada en valores pequeños preespecificados) y que desarrollar una regla de selección automática y óptima para $\eta$ que preserve las garantías de muestra finita es una dirección para trabajos futuros. Del mismo modo, aunque el método maneja eficazmente problemas de alta dimensión en los experimentos, extenderlo a dimensiones aún más altas requiere un mayor desarrollo de las técnicas de muestreo para abordar la maldición de la dimensionalidad. El trabajo no pretende resolver todos los problemas inversos, sino que proporciona una vía específica y rigurosa para la cuantificación de la incertidumbre funcional donde existen restricciones y deficiencia de rango.