Resumen Técnico: Regresión Cuantílica Multi-Fidelidad (MFQR)

1. Enunciado del Problema

En muchos dominios científicos (por ejemplo, diseño molecular, ciencia de materiales), los datos de alta fidelidad (HF) —como ensayos de unión en laboratorio húmedo o simulaciones de alta resolución— son precisos pero escasos y costosos de recopilar. Por el contrario, los datos de baja fidelidad (LF) —como puntuaciones de acoplamiento molecular o simulaciones en cuadrícula gruesa— son abundantes pero proxies imperfectos. Si bien el aprendizaje multi-fidelidad se ha aplicado ampliamente para estimar medias condicionales, la estimación de cuantiles condicionales sigue siendo un desafío.

La regresión cuantílica es esencial para la cuantificación de la incertidumbre, particularmente para datos heterocedásticos o asimétricos. Sin embargo, con tamaños de muestra HF limitados ($n_H$), los estimadores de cuantiles condicionales sufren de alta varianza, escalando inversamente con la densidad condicional en el cuantil objetivo. Esto conduce a estimaciones de cuantiles inestables y intervalos de predicción amplios e poco fiables, incluso al utilizar predicción conformal para garantizar una cobertura marginal. Los métodos multi-fidelidad existentes se dirigen principalmente a funciones medias o asumen relaciones autorregresivas simples, que no se traducen directamente a la naturaleza compleja y dependiente del nivel de los cuantiles condicionales.

2. Metodología

Los autores proponen Regresión Cuantílica Multi-Fidelidad (MFQR), un marco de dos etapas, agnóstico al modelo. La innovación central es un Enlace Cuantílico Local que reformula el problema de estimación.

2.1 El Enlace Cuantílico Local (Suposición 1)

El método postula que para un nivel de cuantil HF objetivo $\tau$ y una covariable $x$, el cuantil HF $Q_H(\tau | x)$ puede representarse como un cuantil LF evaluado en un nivel de probabilidad dependiente de la covariable $u_\tau(x)$:
$$Q_H(\tau | x) = Q_L(u_\tau(x) | x)$$
Aquí, $u_\tau(x) \in (0, 1)$ es una "función de nivel". Si las distribuciones condicionales LF y HF comparten formas similares, $u_\tau(x)$ puede variar de manera más suave sobre el espacio de covariables que la función de cuantil HF original $Q_H(\tau | x)$.

2.2 El Estimador Envoltura

La primera etapa construye un estimador "envoltura" transformando el problema en la estimación de $u_\tau(x)$:

1. Transformar Respuestas HF: Utilizando un estimador de la CDF condicional LF $\hat{F}_L(\cdot | x)$, las respuestas HF $Y^H_i$ se envuelven en pseudo-respuestas: $\hat{U}_i = \hat{F}_L(Y^H_i | X^H_i)$.
2. Estimar Función de Nivel: Se realiza una regresión cuantílica en la muestra HF $\{(X^H_i, \hat{U}_i)\}$ para estimar el cuantil condicional de las respuestas envueltas: $\hat{u}_\tau(x) = \hat{Q}_{U|X}(\tau | x)$.
3. Mapear de Vuelta: El estimador envoltura final se obtiene invirtiendo la CDF LF: $\tilde{q}_\tau(x) = \hat{F}_L^{-1}(\hat{u}_\tau(x) | x)$.

Ventaja Teórica: Bajo modelos estructurales donde la diferencia de fidelidad es una distorsión de escala localizada, el objetivo envuelto $u_\tau(x)$ depende únicamente de la función de distorsión relativa. Si esta distorsión es más suave que las funciones de media o escala subyacentes que impulsan el cuantil HF, el estimador envoltura logra una tasa de convergencia más rápida (menor varianza) que la regresión cuantílica HF directa.

2.3 Marco de Corrección

Para abordar regímenes donde la envoltura es subóptima (por ejemplo, cuando los datos LF no son informativos o el enlace cuantílico local es débil), los autores introducen un marco de corrección proximal:

• Corrección de Un Paso: Se aplica una actualización tipo Newton al estimador envoltura utilizando la ecuación del cuantil HF. Esto corrige el sesgo moviendo la estimación hacia la solución de $\hat{F}_H(q | x) = \tau$. El tamaño del paso se ajusta mediante cross-fitting para minimizar la pérdida de reloj de arena (pinball loss).
• Corrección Multi-Paso: Si el enlace cuantílico local falla significativamente, se aplican actualizaciones de Newton iterativas para converger hacia la raíz empírica del cuantil HF, siempre que la inicialización esté dentro de la cuenca de Newton.

El marco utiliza cross-fitting en los escasos datos HF para evitar el sobreajuste durante el paso de corrección.

3. Contribuciones Clave

1. Nueva Reformulación: El artículo introduce el "enlace cuantílico local", transformando la estimación de cuantiles HF en la estimación de una función de nivel más suave $u_\tau(x)$ en la escala de probabilidad.
2. Caracterización Teórica: Los autores proporcionan tasas de convergencia que muestran que el estimador envoltura supera a la regresión HF directa cuando la función de distorsión es más suave que la superficie de cuantil HF. También caracterizan cuándo el paso de corrección proporciona una mejora adicional, específicamente cuando la CDF HF puede estimarse con precisión incluso con tamaños de muestra pequeños.
3. Agnosticismo del Modelo: El método no requiere formas paramétricas específicas ni acceso a datos de entrenamiento LF crudos durante la etapa HF; solo requiere un estimador de la CDF condicional LF. Esto permite la integración con modelos LF preentrenados.
4. Robustez: El marco incluye mecanismos de corrección (un paso y multi-paso) que garantizan robustez incluso cuando los datos LF son "desinformativos" (es decir, cuando la suposición de envoltura se cumple pobremente).

4. Resultados Experimentales

Los autores evalúan MFQR en datos sintéticos y cinco conjuntos de datos científicos (Acroleína, Timina, o-HBDI, EDP de Burgers y Energía de Formación).

• Régimen Informativo: Cuando las distribuciones LF y HF tienen formas similares, el estimador envoltura reduce significativamente el Error Cuadrático Medio (MSE) y la anchura del intervalo de predicción en comparación con las líneas base solo HF. La función de nivel $u_\tau(x)$ es casi plana, confirmando la ganancia teórica en suavidad.
• Régimen No Informativo: Cuando los datos LF introducen heterocedasticidad no presente en los datos HF, la envoltura por sí sola ofrece ganancias modestas. Sin embargo, la corrección de un paso reduce drásticamente el MSE (por ejemplo, ~78% de reducción en un ejemplo sintético) y estrecha los intervalos aprovechando la ecuación del cuantil HF para corregir el sesgo de la envoltura.
• Régimen Desinformativo: Cuando las funciones medias LF y HF difieren de manera no lineal, la envoltura sin corregir tiene un rendimiento deficiente. La corrección multi-paso recupera exitosamente un rendimiento comparable a la estimación HF directa al dirigir iterativamente la ecuación del cuantil HF.
• Conjuntos de Datos Científicos: En conjuntos de datos moleculares y de EDP, MFQR y MFQR + OS producen consistentemente los intervalos de predicción conformal más estrechos (reducción del 20–39% en la anchura) manteniendo una cobertura nominal del 90%.

5. Significado y Afirmaciones

El artículo afirma que MFQR proporciona una solución robusta y agnóstica al modelo para la cuantificación de la incertidumbre en entornos científicos con escasez de datos. Su significado radica en:

• Cerrar la Brecha: Extiende el aprendizaje multi-fidelidad de las medias condicionales a los cuantiles condicionales, abordando una necesidad crítica de intervalos de predicción fiables en la toma de decisiones (por ejemplo, descubrimiento de fármacos).
• Eficiencia: Al explotar la suavidad de la función de nivel, reduce la complejidad de la muestra requerida para estimar cuantiles HF.
• Adaptabilidad: El diseño de dos etapas (envoltura + corrección) asegura que el método permanezca efectivo ya sea que los datos LF sean altamente informativos o potencialmente engañosos.
• Practicidad: El marco es compatible con modelos LF existentes (incluyendo modelos fundamentales) y no requiere reentrenamiento sobre datos LF crudos, lo que lo hace adecuado para escenarios donde las etiquetas HF son el principal cuello de botella.

Los autores concluyen que, si bien el método es más potente cuando las distribuciones LF y HF comparten similitudes estructurales, los pasos de corrección aseguran que no degrade el rendimiento en regímenes desfavorables, ofreciendo una herramienta fiable para el descubrimiento científico.