Resumen Técnico: Algoritmos de Cuantificación de la Incertidumbre Predictiva Conforme y kNN en Espacios Métricos

1. Definición del Problema y Motivación

El artículo aborda el desafío de la cuantificación de la incertidumbre predictiva para modelos de regresión donde la variable de respuesta $Y$ reside en un espacio métrico separable general $(\mathcal{Y}, d_1)$, y el predictor $X$ se encuentra en $\mathbb{R}^p$. El objetivo es construir una región de predicción $C_\alpha(x) \subset \mathcal{Y}$ tal que la verdadera respuesta $Y$ caiga dentro de esta región con una probabilidad de al menos $1-\alpha$, dado $X=x$.

Los autores identifican limitaciones específicas en los métodos existentes, particularmente en la inferencia conforme:

• Conservadurismo: Los métodos conformes estándar suelen producir intervalos excesivamente conservadores, especialmente en entornos heterocedásticos o espacios de alta dimensión, lo que conlleva una pérdida de eficiencia estadística.
• Supuestos de Suavidad: Los enfoques de espacio métrico existentes (por ejemplo, Zhou y Müller [2025]) dependen de suavizado por kernel y supuestos de diferenciabilidad, los cuales son restrictivos para datos discretos o estructuras no euclidianas complejas.
• Escalabilidad: Los métodos conformes completos y los enfoques de perfil de profundidad son computacionalmente costosos para conjuntos de datos grandes.
• Aplicabilidad: Muchos métodos están limitados a respuestas escalares o predictores euclidianos, fallando al manejar "objetos aleatorios" como distribuciones de probabilidad o grafos, comunes en la salud digital.

El artículo tiene como objetivo desarrollar un marco que proporcione garantías de cobertura marginal en muestras finitas (en casos homocedásticos) y radios de predicción localmente adaptativos (en casos heterocedásticos) sin imponer supuestos de suavidad estrictos, manteniendo al mismo tiempo la escalabilidad computacional.

2. Metodología

El marco define la función de regresión $m(x)$ como la media de Fréchet condicional:
$$m(x) = \arg\min_{y \in \mathcal{Y}} \mathbb{E}[d_1^2(Y, y) \mid X = x]$$
La región de predicción se define como una bola métrica $C_\alpha(x) = B(m(x), r(x))$, donde el radio $r(x)$ se determina mediante el cuantil condicional de la distancia $d_2(Y, m(x))$. Los autores distinguen entre dos métricas: $d_1$ (utilizada para la pérdida/regresión) y $d_2$ (utilizada para definir la región de predicción), permitiendo flexibilidad en el modelado.

La metodología se divide en tres componentes principales:

2.1 Caso Homocedástico: Predicción Conforme Dividida (Split Conformal Prediction)

Los autores introducen una noción de homocedasticidad en espacios métricos: la distribución de la distancia $d_2(Y, m(x))$ es independiente de $x$.

• Algoritmo: Se utiliza un enfoque de conformal dividido (split-conformal). Los datos se dividen en un conjunto de entrenamiento ($D_{train}$) para estimar el centro $\hat{m}(x)$ y un conjunto de calibración ($D_{test}$) para estimar un radio global.
• Estimación del Radio: El radio se establece mediante el cuantil empírico de las puntuaciones de calibración $\{d_2(Y_i, \hat{m}(X_i))\}_{i \in D_{test}}$.
• Garantías: Esto produce una garantía de cobertura marginal en muestras finitas: $P(Y \in \hat{C}_\alpha(X)) \geq 1-\alpha$.
• Convergencia: Los autores demuestran consistencia y tasas de convergencia rápidas (impulsadas por el error de estimación de la media de Fréchet y el cuantil) bajo condiciones moderadas, requiriendo específicamente solo la consistencia del estimador de la media de Fréchet.

2.2 Caso Heterocedástico: Procedimiento kNN Local

Para configuraciones donde la distribución condicional de los errores depende de $x$ (heterocedasticidad), un radio global resulta ineficiente.

• Algoritmo: Se propone un enfoque de k-Vecinos más Cercanos (kNN). Para un nuevo punto $x$, el radio de predicción se estima utilizando únicamente los puntos de calibración en el vecindad de los $k$ más cercanos a $x$.
• Selección de $k$ Basada en Datos: Se introduce un criterio novedoso para seleccionar el tamaño de la vecindad $k$. Este equilibra la cobertura empírica global (asegurando que la cobertura total esté cerca de $1-\alpha$) y la cobertura empírica local (asegurando que las desviaciones locales se minimicen). El algoritmo selecciona el $k$ más pequeño que satisfaga estas restricciones.
• Garantías: Aunque este método no proporciona garantías conformes en muestras finitas, los autores establecen la consistencia asintótica y derivan límites superiores de error en muestras finitas. El método evita los supuestos de suavidad y se adapta a la estructura geométrica local del espacio del predictor.

2.3 Extensión Secuencial para Series Temporales

El marco se extiende a series temporales con valores en espacios métricos bajo supuestos de estacionariedad y ergodicidad.

• Método: Se utiliza un método de agregación de expertos de vecinos más cercanos (nearest-neighbor expert aggregation). Los bloques de rezagos históricos se comparan con el estado actual para estimar los cuantiles de los residuos condicionales.
• Agregación: Los expertos de cuantiles locales se combinan utilizando pesos exponenciales basados en la pérdida de pinball para producir un radio adaptativo a los datos.
• Garantías: El método proporciona una garantía de calibración de promedio temporal asintótico ($\frac{1}{n}\sum P(Y_{t+1} \in \hat{C}_t) \to 1-\alpha$), en lugar de garantías en muestras finitas.

3. Contribuciones Clave

1. Nueva Definición de Homocedasticidad: Una definición de homocedasticidad adaptada a espacios métricos, que permite la construcción de algoritmos conformes eficientes con tasas de convergencia rápidas.
2. Tres Marcos Algorítmicos:
   • Un algoritmo de conformal dividido para espacios métricos homocedásticos con garantías marginales en muestras finitas.
   • Un algoritmo kNN local para entornos heterocedásticos que logra una buena calibración condicional sin supuestos de suavidad.
   • Un método de agregación de expertos secuenciales para series temporales en espacios métricos.
3. Consistencia Teórica: Pruebas de consistencia para los estimadores propuestos bajo condiciones mínimas (más débiles que las requeridas en la literatura euclidiana).
4. Eficiencia Computacional: Los métodos propuestos son computacionalmente escalables, capaces de procesar millones de observaciones en segundos, contrastando con los métodos de perfil de profundidad que requieren horas para conjuntos de datos más pequeños.
5. Flexibilidad: El marco es compatible con cualquier algoritmo de regresión (por ejemplo, Bosques Aleatorios, Regresión de Fréchet Global, kNN) y maneja respuestas no euclidianas (distribuciones, grafos) y predictores.

4. Resultados

4.1 Estudio de Simulación

Los autores evaluaron el marco en regresión escalar-sobre-escalar y resultados con valores en espacios métricos.

• Desempeño: En entornos heterocedásticos (lineales y no lineales), el método kNN adaptativo propuesto logró el menor Error Condicional al Cuadrado Integrado (ISCE) y la mayor Cobertura de Rebanada Peor (WSC) en comparación con competidores como la Regresión de Cuantiles Conformalizada (CQR) y el método de perfil de profundidad de Zhou y Müller [2025].
• Entornos Homocedásticos: El método conformal global funcionó de manera competitiva con CQR, confirmando su eficiencia cuando se cumple el supuesto de homocedasticidad.
• Eficiencia: Los métodos propuestos fueron significativamente más rápidos (segundos frente a 50 minutos para $n=3000$) que el enfoque de perfil de profundidad.
• Robustez: El método heterocedástico mantuvo una buena calibración marginal incluso cuando no fue calibrado de forma conforme, aunque se señaló la estabilidad de la muestra pequeña para la cobertura de la peor rebanada como una limitación.

4.2 Aplicaciones en el Mundo Real

El marco se aplicó a dos conjuntos de datos biomédicos:

1. Análisis de Forma (Enfermedad de Parkinson): Las trayectorias de escritura fueron tratadas como objetos aleatorios. El método construyó regiones de referencia centradas en Fréchet para controles sanos. Las trayectorias de pacientes con Parkinson cayeron frecuentemente fuera de estas regiones, ilustrando el potencial de los biomarcadores digitales basados en la forma.
2. Monitoreo de Glucosa con Valores de Distribución: Los datos de Monitoreo Continuo de Glucosa (CGM) fueron representados como distribuciones de probabilidad en el espacio de 2-Wasserstein. Utilizando la Regresión de Fréchet Global y el estimador de radio kNN, los autores construyeron regiones de predicción específicas por edad. Los resultados mostraron que las regiones de predicción (variabilidad) se amplían con la edad, capturando cambios distributivos que no son visibles en resúmenes escalares.

5. Significado y Reivindicaciones

El artículo afirma proporcionar un marco general, flexible y computacionalmente eficiente para la cuantificación de la incertidumbre en espacios métricos. Su importancia radica en:

• Cerrar la Brecha: Extiende la predicción conforme y las técnicas de calibración local a entornos no euclidianos sin depender de los restrictivos supuestos de suavidad de los métodos de espacio métrico existentes.
• Utilidad Práctica: La capacidad de manejar objetos aleatorios complejos (distribuciones, grafos) con una computación rápida hace que el marco sea adecuado para aplicaciones modernas de salud digital y medicina personalizada.
• Rigor Teórico: Establece la consistencia y las tasas de convergencia bajo supuestos mínimos, ofreciendo una alternativa robusta a los métodos que son solo asintóticos.
• Adaptabilidad: La selección de datos de los tamaños de vecindad permite que el método se adapte a la heterocedasticidad local, mejorando la calibración condicional donde los métodos globales fallan.

Los autores señalan modestamente que, si bien su método proporciona fuertes garantías marginales en casos homocedásticos y una buena calibración condicional en casos heterocedásticos, el uso de bolas métricas puede ser conservador para distribuciones altamente no esféricas. Se sugiere como trabajo futuro explorar regiones de predicción más flexibles más allá de las bolas métricas.