Resumen Técnico: Inferencia Predictiva Condicional para Datos Estructurados Generales con Simetrías de Grupo

Enunciado del Problema

El artículo aborda una limitación fundamental en la inferencia predictiva libre de distribuciones: la dependencia de garantías de cobertura marginal frente a la necesidad práctica de cobertura condicional. Si bien la predicción conformal estándar (Vovk et al., 2005) garantiza que un conjunto de predicción cubra el objetivo verdadero con probabilidad $1-\alpha$ en promedio sobre todas las realizaciones de los datos (cobertura marginal), a menudo falla en proporcionar una cuantificación válida de la incertidumbre para subgrupos específicos o realizaciones locales de los datos, particularmente en entornos heterogéneos.

Los métodos existentes que intentan lograr una cobertura casi condicional (por ejemplo, Gibbs et al., 2025; Hore y Barber, 2024) suelen basarse en la suposición de intercambiabilidad (o datos i.i.d.). Sin embargo, muchos conjuntos de datos estructurados del mundo real, como redes, datos agrupados y modelos jerárquicos, violan la intercambiabilidad global. Aunque el trabajo reciente de Dobriban y Yu (2024) introdujo el marco SymmPI para manejar simetrías de grupo generales más allá de la intercambiabilidad, solo proporciona garantías de cobertura marginal. Esto deja un vacío: no existe ningún método que maneje simultáneamente estructuras complejas con simetría de grupo (como redes o grupos) y proporcione garantías de cobertura condicional que se adapten a la heterogeneidad local.

Metodología: C-SymmPI

Los autores proponen C-SymmPI (Inferencia Predictiva Simétrica Condicional), un marco unificado que extiende el enfoque SymmPI para lograr una cobertura casi condicional bajo simetrías de grupo generales.

Marco Central

1. Configuración Teórica de Grupos: Se asume que los datos $Z$ son invariantes distributivamente bajo una acción de grupo $\rho$ de un grupo $G$ (es decir, $Z \stackrel{d}{=} \rho(G)Z$ donde $G \sim U$, la medida de Haar). Esto generaliza la intercambiabilidad (donde $G$ es el grupo simétrico $S_n$) a estructuras como redes (grupos de automorfismos) y datos jerárquicos (grupos de permutación anidados).
2. Aprendizaje Adaptativo de Umbrales: A diferencia de SymmPI, que calcula un único umbral global de cuantil sobre la órbita del grupo, C-SymmPI aprende una función de umbral adaptativa $t_z(\cdot)$. Esta función mapea las características de los datos observados a un umbral, permitiendo que el conjunto de predicción se adapte a la heterogeneidad local.
3. Perspectiva de Multi-precisión Relajada: El método reformula el requisito de cobertura condicional utilizando la perspectiva de multi-precisión (Hébert-Johnson et al., 2018). En lugar de requerir una cobertura condicional exacta para cada realización (lo cual a menudo es imposible sin suposiciones distributivas), C-SymmPI minimiza el error de no cobertura sobre una clase de funciones especificada por el usuario $\mathcal{F}$. Específicamente, garantiza:
   $$\left| \mathbb{E}_Z \left[ f(Z_{\text{obs}}) \left( \mathbb{1}\{Z \in \hat{C}(Z_{\text{obs}})\} - (1-\alpha) \right) \right] \right| \leq \varepsilon$$
   para todo $f \in \mathcal{F}$. Esto se logra resolviendo un problema de regresión de cuantiles regularizada sobre la órbita del grupo.

Variantes Algorítmicas para la Eficiencia

Para abordar los desafíos computacionales en espacios de alta dimensión y grupos grandes, se introducen dos variantes:

• C-SymmPI Proyectado: Proyecta los datos observados de alta dimensión $Z_{\text{obs}}$ sobre una incrustación de menor dimensión $\eta(Z_{\text{obs}})$ antes de aprender el umbral. Esto reduce la complejidad del problema de aprendizaje de funciones.
• C-SymmPI Muestreado: Aproxima la expectativa de Haar (promedio de grupo) utilizando una muestra finita de Monte Carlo de elementos del grupo. Esto es crucial para grupos infinitos o muy grandes (por ejemplo, grupos de rotación).

Garantías Teóricas

El artículo establece límites de cobertura casi condicional bajo dos escenarios:

1. Invarianza Distributiva: Cuando los datos satisfacen estrictamente la suposición de invarianza de grupo.
2. Cambio Distributivo: Cuando la invarianza se viola, el límite incluye un término adicional proporcional a la distancia de Variación Total (TV) entre la distribución verdadera y la distribución permutada.

Se derivan tasas de convergencia para clases de funciones específicas:

• Clases de Funciones Lineales: El error decae a una tasa de $O(d |H| / |G|)$, donde $d$ es la dimensión, $|G|$ es el tamaño del grupo y $|H|$ es el tamaño del subgrupo estabilizador.
• RKHS (Espacio de Hilbert de Núcleo Reproductor): El error decae a una tasa de $O(1/\sqrt{|G|/|H|})$.

Contribuciones Clave

1. Marco Unificado para Inferencia Casi Condicional: C-SymmPI es el primer marco que extiende las garantías de cobertura casi condicional más allá del escenario i.i.d./intercambiable a estructuras de datos generales con simetrías de grupo (por ejemplo, redes, grupos jerárquicos).
2. Generalización Teórica: Recupera los resultados existentes de vanguardia para datos i.i.d. (Gibbs et al., 2025) como casos especiales, mientras proporciona nuevas garantías para estructuras no intercambiables.
3. Escalabilidad Computacional: El desarrollo de variantes Proyectadas y Muestreadas permite la aplicación de inferencia condicional a observaciones de alta dimensión y grupos de simetría grandes/infinitos.
4. Amplia Aplicabilidad: El marco se instancia para:
   • Datos Intercambiables: Recuperando la predicción conformal condicional.
   • Modelos Jerárquicos de Dos Capas: Incluyendo ensayos aleatorizados por grupos (CRT), proporcionando garantías condicionales tanto a nivel de grupo como a nivel individual.
   • Datos Estructurados en Red: Adaptándose a la topología de la red para inferencia a nivel de nodo.

Resultados Empíricos

Los autores validan C-SymmPI mediante simulaciones numéricas y aplicaciones del mundo real:

• Simulaciones (Datos Jerárquicos): En un modelo jerárquico de dos capas con ruido heterogéneo, C-SymmPI produce intervalos de predicción que se adaptan a la varianza local (más estrechos en regiones de baja varianza, más amplios en regiones de alta varianza). Los métodos competidores (SymmPI estándar, CP condicional estándar, métodos de árbol único) o bien fallan en cubrir regiones de alta varianza (subcobertura) o producen intervalos excesivamente conservadores y amplios.
• Ensayo Aleatorizado por Grupos PPACT: Aplicado a un ensayo real sobre manejo del dolor. C-SymmPI supera al método Split-CCI (Wang et al., 2024) al producir intervalos de predicción más cortos para los efectos del tratamiento, manteniendo una cobertura válida y logrando una mayor fracción de tratamientos beneficiosos identificados (intervalos negativos).
• Red de Citas Cora: En una tarea de clasificación asistida por red, C-SymmPI genera conjuntos de predicción más cortos en comparación con la predicción conformal dividida estándar, manteniendo una cobertura válida, lo que demuestra adaptabilidad a la incertidumbre de la predicción (intervalos más cortos para predicciones de alta confianza).

Significado y Afirmaciones

El artículo afirma que C-SymmPI cierra una brecha crítica en la cuantificación de la incertidumbre para datos estructurados. Al pasar de la cobertura marginal a una cobertura casi condicional bajo simetrías de grupo, el método proporciona conjuntos de predicción más informativos y estables que respetan la heterogeneidad inherente de estructuras de datos complejas (redes, grupos).

Los autores enfatizan que su enfoque no requiere suposiciones distributivas fuertes, permaneciendo libre de distribuciones mientras aprovecha las simetrías estructurales de los datos. Los resultados sugieren que para los profesionales que tratan con datos jerárquicos o en red, C-SymmPI ofrece una alternativa robusta a los métodos marginales existentes, evitando el enmascaramiento de la heterogeneidad local que a menudo ocurre al promediar sobre todo el conjunto de datos. El marco se presenta como una herramienta general que puede adaptarse a otros entornos estructurados (por ejemplo, árboles, imágenes) donde están presentes simetrías de grupo.