📊 statistics

CLEAR: Calibrated Learning for Epistemic and Aleatoric Risk

El artículo propone CLEAR, un método de calibración que combina parámetros distintos para la incertidumbre aleatoria y la epistémica para mejorar significativamente la cobertura condicional y la eficiencia de los intervalos predictivos en tareas de regresión a través de diversos conjuntos de datos del mundo real.

Autores originales: Ilia Azizi, Juraj Bodik, Jakob Heiss, Bin Yu

Publicado 2026-07-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ilia Azizi, Juraj Bodik, Jakob Heiss, Bin Yu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando predecir el futuro, como adivinar por cuánto se venderá una casa o qué tan rápido irá un coche. Quieres que tu suposición sea correcta, pero también quieres saber qué tan "inestable" es esa suposición. En el mundo del aprendizaje automático, hay dos razones principales por las que tu suposición podría ser inestable, y durante mucho tiempo, la mayoría de las herramientas solo miraban una de ellas.

Los dos tipos de "inestabilidad"

Piensa en la Incertidumbre Aleatoria como la "estática" de una radio. Es el ruido que simplemente está ahí, como un error de medición o una ráfaga de viento aleatoria. No importa cuánto estudies la radio o cuántas veces la escuches, esa estática no desaparecerá a menos que repares la radio misma. Es el caos inherente de los datos.

Entonces está la Incertidumbre Epistémica. Este es el sentimiento de "nunca he estado aquí antes". Imagina que eres un cartógrafo que solo ha dibujado mapas del centro de la ciudad. Si intentas adivinar cómo es el terreno en un bosque distante y inexplorado, tu suposición es inestable porque te faltan datos, no porque el bosque sea ruidoso. Si salieras a recolectar más datos, este tipo de inestabilidad desaparecería.

Los mapas viejos

La mayoría de los métodos antiguos para hacer predicciones eran como un cartógrafo al que solo le importaba la estática. Dibujarían una zona de seguridad (un intervalo de predicción) alrededor de su suposición para cubrir la "estática", pero ignoraban por completo el hecho de que estaban adivinando sobre un lugar que nunca habían visitado. Esto significaba que en áreas familiares, sus mapas estaban bien, pero en cuanto te movías al borde del mundo conocido (extrapolación), sus zonas de seguridad se volvían peligrosamente estrechas, dando una falsa sensación de seguridad.

Otros métodos intentaron solucionar este problema de "nunca haber estado aquí" creando zonas de seguridad enormes y anchas en todas partes, por si acaso. Pero esto hacía que los mapas fueran inútiles porque las zonas eran tan anchas que no te decían nada específico.

Entra CLEAR: El equilibrador inteligente

Los autores de este artículo, publicado en la conferencia ICLR 2026, introdujeron un nuevo método llamado CLEAR (Calibrated Learning for Epistemic and Aleatoric Risk - Aprendizaje Calibrado para el Riesgo Epistémico y Aleatorio). Piensa en CLEAR como un cartógrafo superinteligente que lleva dos reglas diferentes: una para la "estática" y otra para el "territorio desconocido".

En lugar de simplemente adivinar cuánto ensanchar la zona de seguridad, CLEAR utiliza dos perillas especiales, llamadas $\gamma_1$ y $\gamma_2$ , para equilibrar estos dos tipos de incertidumbre.

Una perilla ajusta el ruido (aleatoria).
La otra ajusta la falta de datos (epistémica).

La magia ocurre porque CLEAR no solo establece estas perillas en un número fijo. Mira los datos y pregunta: "¿En este momento, cuál de los dos tipos de inestabilidad es el problema mayor?". Si los datos son ruidosos, sube la primera perilla. Si los datos son escasos (como ese bosque distante), sube la segunda perilla. Encuentra la mezcla perfecta para que la zona de seguridad sea lo más ajustada posible mientras sigue siendo segura.

Lo que encontraron (y lo que no)

Los investigadores probaron CLEAR en 17 conjuntos de datos de la vida real diferentes, que van desde precios de viviendas hasta eficiencia energética. También realizaron simulaciones para ver cómo se comportaba en entornos controlados.

Esto es lo que mostraron los datos:

Los resultados: En estas pruebas, CLEAR logró reducir el ancho de los intervalos de predicción en un promedio del 28.3% y 17.5% en comparación con los métodos más antiguos que se calibran por separado. Crucialmente, lo hizo manteniendo el nivel de "seguridad" exactamente donde debía estar (manteniendo la cobertura nominal).
Los "qué pasaría si": El artículo argumenta explícitamente contra la idea de que simplemente debas sumar las dos incertidumbres en una relación fija de 1 a 1 (como establecer $\lambda = 1$ ). Demuestran que este enfoque fijo suele ser subóptimo porque el equilibrio cambia según los datos.
Los límites: El artículo señala que, aunque CLEAR funciona de maravilla en estos conjuntos de datos, depende de la calidad de los modelos base que utiliza. Si los modelos base son terribles, CLEAR no puede arreglarlos. Además, las garantías teóricas de las que hablan se mantienen mayormente en escenarios "asintóticos" (es decir, con datos infinitos) o en simulaciones; en el mundo real con datos finitos, dependen de la evidencia empírica de que funciona bien, en lugar de una prueba matemática de que debe funcionar en cada caso límite imposible.

El "porqué" detrás de la magia

Los autores sugieren que la razón por la que CLEAR funciona tan bien es que corrige un fallo específico en el comportamiento de los métodos antiguos.

Los métodos antiguos de "solo ruido" (como CQR) tienden a ser excesivamente confiados en lugares donde hay muy pocos datos. Dibujan cajas diminutas en el bosque desconocido.
Los métodos antiguos de "falta de datos" (como los ensambles o ensembles) tienden a ser excesivamente cautelosos en lugares con muchos datos, dibujando cajas enormes en el centro de la ciudad concurrida.

CLEAR actúa como un mediador. Se da cuenta de que en la ciudad, la regla de la "estática" es la que hay que confiar, y en el bosque, la regla de lo "desconocido" es la que hay que confiar. Al dejar que los datos decidan la proporción entre ambos, crea una zona de seguridad que es ajustada donde debe serlo y amplia donde es necesaria.

La conclusión

Este artículo sugiere que, al tratar la incertidumbre como dos ingredientes separados que deben mezclarse en la proporción adecuada, en lugar de un solo bloque, podemos lograr que las predicciones del aprendizaje automático sean tanto más seguras como más precisas. No es una varita mágica que resuelve todos los problemas del universo, pero en las pruebas que realizaron, superó consistentemente a la competencia, demostrando que, a veces, la mejor manera de manejar lo desconocido es saber exactamente qué tipo de desconocido estás enfrentando.

Resumen Técnico: CLEAR: Aprendizaje Calibrado para el Riesgo Epistémico y Aleatorio

1. Planteamiento del Problema

La cuantificación precisa de la incertidumbre (UQ) es crítica para un modelado predictivo fiable, sin embargo, los métodos existentes a menudo fallan al abordar ambos tipos de incertidumbre de manera equilibrada.

Incertidumbre Aleatoria: Surge de la variabilidad inherente de los datos (ruido de medición, covariables faltantes) y no puede reducirse mediante la obtención de más datos.
Incertidumbre Epistémica: Surge de la limitación de los datos, la falta de especificación del modelo o las elecciones subjetivas en el procesamiento de datos. Es reducible con más datos o mejores modelos, pero suele ser grande en regiones de extrapolación.

Los enfoques actuales suelen abordar solo un tipo o los combinan con proporciones fijas y no adaptativas (por ejemplo, establecer el peso de la incertidumbre epistémica frente a la aleatoria como 1:1). Esto conduce a una pobre cobertura condicional, donde los intervalos de predicción están bien calibrados en promedio (cobertura marginal), pero fallan en proporcionar una cobertura fiable para subgrupos específicos o en regiones de extrapolación. Además, los métodos existentes a menudo fijan implícitamente los parámetros de escala entre estos componentes de incertidumbre, lo cual puede ser subóptimo ya que la importancia relativa de cada fuente varía según los conjuntos de datos y las tareas de predicción.

2. Metodología: CLEAR

Los autores proponen CLEAR (Calibrated Learning for Epistemic and Aleatoric Risk), un marco de calibración que equilibra adaptativamente la incertidumbre aleatoria y la epistémica utilizando dos parámetros distintos, $\gamma_1$ y $\gamma_2$ .

2.1 Formulación del Intervalo de Predicción

CLEAR construye intervalos de predicción $C(x)$ para una estimación puntual $\hat{f}(x)$ como:
$C(x) = \left[ \hat{f}(x) \pm \left( \gamma_1 \times \text{aleatoric}_{\pm}(x) + \gamma_2 \times \text{epistemic}_{\pm}(x) \right) \right]$
donde $\gamma_2 = \lambda \gamma_1$ . El parámetro $\lambda$ controla el compromiso entre los dos tipos de incertidumbre:

$\lambda = 0$ : El intervalo refleja únicamente la incertidumbre aleatoria.
$\lambda \to \infty$ : El intervalo refleja únicamente la incertidumbre epistémica.
$\lambda > 0$ : Se logra un equilibrio basado en los datos.

2.2 Componentes de Estimación

CLEAR es compatible con cualquier par de estimadores, pero demuestra su rendimiento utilizando:

Estimador Aleatorio: Modelos de regresión de cuantiles entrenados sobre residuos ( $Y_i - \hat{f}(X_i)$ ) en lugar de sobre los objetivos brutos. Los autores argumentan que ajustar cuantiles directamente sobre los objetivos puede distorsionar las estimaciones aleatorias si el modelo de la media tiene un subajuste (underfitting), mientras que el ajuste sobre residuos es más estable. Se utiliza un ensamble de estos modelos (bagging) para estimar los cuantiles condicionales $\hat{q}^{ale}_{\alpha/2}$ y $\hat{q}^{ale}_{1-\alpha/2}$ .
Estimador Epistémico: Intervalos derivados del marco Predictibilidad–Computabilidad–Estabilidad (PCS). Esto implica entrenar un ensamble de modelos a través de diferentes versiones de preprocesamiento de datos y arquitecturas de modelos, y luego realizar un bootstrapping de los modelos con mejor desempeño. Los cuantiles puntuales de este ensamble definen la banda de incertidumbre epistémica no calibrada $\hat{q}^{epi}_{\alpha/2}$ y $\hat{q}^{epi}_{1-\alpha/2}$ .

2.3 Procedimiento de Calibración

El método emplea un proceso de calibración de dos pasos en un conjunto de datos de validación/calibración:

Búsqueda en Cuadrícula para $\lambda$ : Se evalúa una cuadrícula de valores positivos $\Lambda$ . Para cada candidato $\lambda$ , el factor de escala $\gamma_1$ se determina mediante la predicción conforme dividida (split conformal prediction) estándar para asegurar la cobertura marginal de $1-\alpha$ .
Optimización: El $\lambda^*$ óptimo se selecciona minimizando la Pérdida de Cuantil (equivalente a la pérdida pinball o al score de intervalo) en el conjunto de datos de validación. Esta métrica equilibra tanto la cobertura como la anchura del intervalo, incentivando la veracidad.

2.4 Propiedades Teóricas

El artículo establece que, bajo supuestos leves (consistencia de los estimadores base y una cuadrícula compacta para $\lambda$ ), CLEAR logra validez condicional asintótica. Aunque el componente epistémico desaparece asintóticamente en el límite de datos infinitos, desempeña un papel crucial en muestras finitas al prevenir la subcobertura en regiones de datos escasos donde los métodos conformes estándar (como CQR) fallan.

3. Principales Contribuciones

Calibración de Doble Parámetro: La introducción de dos parámetros de calibración distintos ( $\gamma_1$ y $\gamma_2$ , vinculados por $\lambda$ ) para equilibrar las escalas de la incertidumbre aleatoria y la epistémica, yendo más allá de las combinaciones de razón fija.
Estimación Aleatoria Basada en Residuos: Demostrar que el ajuste de cuantiles sobre residuos produce estimadores de incertidumbre aleatoria más sensatos y estables en comparación con el ajuste directo sobre los objetivos.
Integración de PCS y CQR: La primera combinación de los intervalos de perturbación de ensamble de PCS (para la incertidumbre epistémica) con la Regresión de Cuantiles Conformalizada (CQR) sobre residuos (para la incertidumbre aleatoria).
Evaluación a Gran Escala: Evaluación exhaustiva a través de 17 diversos conjuntos de datos de regresión del mundo real y simulaciones sintéticas.

4. Resultados Experimentales

El artículo evalúa CLEAR frente a líneas de base que incluyen CQR (solo aleatoria), ensambles PCS (solo epistémica) y sus versiones calibradas individualmente.

Métricas de Rendimiento: CLEAR logra consistentemente una menor Anchura de Intervalo Calibrado Normalizada (NCIW) y Pérdida de Cuantil manteniendo la cobertura nominal (95%).
Ganancias Cuantitativas: En 17 conjuntos de datos del mundo real, CLEAR logró una mejora promedio del 28.3% en la anchura del intervalo en comparación con la línea de base de aleatoridad calibrada (ALEATORIC-R) y un 17.5% en comparación con la línea de base epistémica (PCS), manteniendo la cobertura.
Robustez: CLEAR superó a las líneas de base en 15 de los 17 conjuntos de datos. Fue particularmente efectivo en escenarios dominados por alta incertidumbre aleatoria o epistémica.
Generalizabilidad: El método también fue probado con Deep Ensembles (epistémica) y Regresión de Cuantiles Simultánea (aleatoria), mostrando mejoras similares (por ejemplo, una reducción de anchura del 28.6% con Deep Ensembles).
Estudio de Caso: En un estudio de caso de la vivienda de Ames, CLEAR ajustó adaptativamente su ponderación ( $\lambda$ ) basándose en las características de los datos. En regímenes de baja información (pocos atributos), priorizó la incertidumbre aleatoria; en regímenes de muchos atributos y pocos datos, cambió drásticamente el peso hacia la incertidumbre epistémica, identificando correctamente la fuente dominante de incertidumbre.

5. Significado y Reivindicaciones

El artículo afirma que CLEAR ofrece una mejora significativa sobre los métodos clásicos que tratan los tipos de incertidumbre de forma aislada o dependen de combinaciones fijas y no adaptativas.

Cobertura Condicional: Al equilibrar adaptativamente las fuentes de incertidumbre, CLEAR mantiene una cobertura condicional aproximada a través del espacio de entrada, particularmente en regiones de extrapolación donde los métodos conformes estándar suelen presentar subcobertura.
Interpretabilidad: El parámetro aprendido $\lambda$ proporciona una visión de qué fuente de incertidumbre (epistémica vs. aleatoria) domina un conjunto de datos o región específica, ayudando a los profesionales a comprender las limitaciones del modelo.
Robustez: El enfoque de doble parámetro permite al método compensar las deficiencias de los estimadores base (por ejemplo, si la incertidumbre aleatoria está sobre o subestimada, $\gamma_1$ puede corregir la escala).

Los autores reconocen las limitaciones, señalando que la precisión de CLEAR depende de la calidad de los estimadores base y que puede ocurrir un sobreajuste de los parámetros con conjuntos de datos de calibración muy pequeños. Sugieren que el trabajo futuro podría extender CLEAR a la clasificación, series temporales y escenarios de aprendizaje activo.