Self-Supervised Conformal Prediction with Equivariant Bootstrapping for Image Uncertainty Quantification

Resumen Técnico: Predicción Conformada Auto-supervisada con Bootstrap Equivariante para la Cuantificación de Incertidumbre en Imágenes

Enunciado del Problema
Los problemas de imagen inversa, definidos como la recuperación de una señal subyacente $x^\star$ a partir de observaciones ruidosas $y = Ax^\star + \epsilon$, son ubicuos en campos científicos como la astronomía y el diagnóstico médico. Estos problemas suelen estar mal planteados, lo que conduce a múltiples soluciones plausibles y a una incertidumbre significativa en la reconstrucción. Si bien una Cuantificación de Incertidumbre (UQ) precisa es crítica para un análisis científico confiable, los métodos existentes enfrentan dos limitaciones principales:

1. Falta de Garantías de Precisión: Muchos métodos heurísticos de UQ carecen de rigor estadístico.
2. Dependencia de la Verdad Terrenal: Los métodos estadísticamente rigurosos, como la Predicción Conformada, típicamente requieren datos de verdad terrenal intercambiables para la calibración. En muchos dominios (por ejemplo, cosmología), la verdad terrenal no está disponible, es costosa de simular o es propensa a desplazamientos de distribución en relación con las observaciones reales. Confiar en datos de calibración simulados puede introducir sesgos ocultos en las inferencias científicas posteriores.

Metodología
Los autores proponen un marco de UQ completamente auto-supervisado que combina Bootstrap Equivariante con Conjuntos de Predicción Controlados por Riesgo (RCPS) calibrados mediante el Estimador de Riesgo Insesgado de Stein (SURE). La metodología procede de la siguiente manera:

1. Bootstrap Equivariante:

   • En lugar del bootstrap paramétrico estándar (que sufre de sesgo al realizar bootstrap desde un único estimador puntual), el método aprovecha las simetrías en la tarea de imagen.
   • Utiliza un conjunto de transformaciones invertibles $\mathcal{G}$ (por ejemplo, rotaciones, volteos, desplazamientos cíclicos) que dejan invariante el espacio de señales pero no conmutan con el operador directo $A$ ni con el método de reconstrucción.
   • Las observaciones de bootstrap se generan aplicando transformaciones aleatorias $T_{g_i} \in \mathcal{G}$ al estimador $\hat{x}(y)$, pasándolas a través del modelo de ruido e invirtiendo la transformación. Esto genera una distribución de muestras de bootstrap $\{\tilde{x}_i\}$ que refleja la variabilidad de la reconstrucción sin requerir verdad terrenal.

2. Calibración Auto-supervisada (RCPS con SURE):

   • Para convertir las regiones de bootstrap heurísticas en conjuntos de confianza estadísticamente rigurosos con cobertura garantizada, el marco emplea RCPS.
   • El Desafío: RCPS requiere un conjunto de datos de calibración para estimar el riesgo (tasa de error). Dado que la verdad terrenal no está disponible, los autores reemplazan la puntuación de no conformidad verdadera $s(x^\star, \hat{x})$ con una estimación insesgada derivada del Estimador de Riesgo Insesgado de Stein (SURE).
   • Puntuación de No Conformidad: La puntuación se define en el espacio de mediciones como $s_{A^\top A}(x^\star, \hat{x}(y)) = \frac{1}{m}\|Ax^\star - A\hat{x}(y)\|_2^2$.
   • Estimación SURE: La fórmula SURE proporciona una estimación insesgada de esta puntuación utilizando únicamente la observación $y$ y el operador de reconstrucción $\hat{x}(y)$:
     $$\text{SURE}(y) = \frac{1}{m}\|y - A\hat{x}(y)\|_2^2 - \text{tr}(\Sigma) + \frac{2}{m}\text{tr}\left(\Sigma \frac{\partial}{\partial y} A\hat{x}(y)\right)$$
   • Calibración: Se determina un factor de escala $\lambda$ mediante un algoritmo de búsqueda de raíces para asegurar que el conjunto de predicción $C_{\lambda; \alpha}$ satisfaga la restricción de riesgo $P(R(C) \le \alpha) \ge 1 - \delta$, donde el riesgo se estima empíricamente utilizando los valores de SURE.

Contribuciones Clave

• Marco de UQ Auto-supervisado: El artículo introduce un método que genera cuantificación de incertidumbre por imagen, estadísticamente rigurosa, sin ningún dato de calibración de verdad terrenal, eliminando así los sesgos de desplazamiento de distribución entre los conjuntos de calibración y observación.
• Integración de Bootstrap Equivariante y RCPS: El trabajo combina la generación de incertidumbre agnóstica al método del bootstrap equivariante con las garantías estadísticas de RCPS, refinadas por SURE.
• Aplicación a Mapeo de Masa por Lente Débil: El marco se demuestra en el problema inverso cosmológico de reconstruir campos de convergencia de materia oscura a partir de mediciones de cizallamiento de galaxias. Esta aplicación es particularmente sensible a los sesgos de calibración, ya que los métodos existentes a menudo dependen de datos simulados vinculados a modelos cosmológicos específicos.
• Agnosticismo Metodológico: El marco de UQ es independiente del algoritmo de reconstrucción específico utilizado (por ejemplo, Kaiser-Squires, aprendizaje profundo, dispersión en wavelets), sirviendo como una capa de calibración a posteriori.

Resultados Experimentales
El método se evaluó en una tarea de mapeo de masa por lente gravitacional débil utilizando mapas de convergencia simulados de la encuesta COSMOS de 300$\times$300 píxeles.

• Configuración: Las reconstrucciones se realizaron utilizando el método Kaiser-Squires. El bootstrap equivariante generó 100 muestras por imagen utilizando transformaciones geométricas y filtros de estantería de frecuencia.
• Calibración: Se aplicó RCPS con una tasa de error objetivo $\delta = 0.1$ utilizando SURE para la calibración.
• Rendimiento: Los conjuntos de predicción conformados rastrearon estrechamente la diagonal de cobertura ideal a través de varios niveles de confianza.
• Comparación: El enfoque conformado auto-supervisado superó significativamente al bootstrap equivariante no conformado y al bootstrap paramétrico. El bootstrap paramétrico proporcionó una cobertura negligible, fallando en capturar la variabilidad adecuada de la reconstrucción.

Significado y Afirmaciones
Los autores afirman que este marco proporciona una solución robusta para la UQ en imagen inversa donde la verdad terrenal es inaccesible. Al evitar datos de calibración simulados, el método previene la introducción de sesgos ocultos que podrían comprometer la inferencia científica posterior, como la estimación de parámetros cosmológicos. El enfoque ofrece una alternativa estadísticamente rigurosa a los métodos existentes que carecen de garantías de precisión o dependen de conjuntos de datos simulados potencialmente sesgados.

Limitaciones
El artículo reconoce varias limitaciones:

• Suposición de Intercambiabilidad: El paso de calibración asume el acceso a múltiples observaciones extraídas de la misma distribución. En el mapeo de masa del mundo real, a menudo se utiliza una sola observación grande del cielo, y generar emulaciones intercambiables a partir de ella puede no satisfacer perfectamente esta suposición.
• Insensibilidad al Núcleo: La puntuación basada en SURE es ciega a los errores en el núcleo del operador directo $A$. Si bien esto es menos crítico para el mapeo de masa (donde $A$ es casi de rango completo), podría conducir a una subestimación de la incertidumbre en problemas inversos con deficiencia de rango severa.
• Granularidad: El marco actual cuantifica la incertidumbre a nivel de imagen (MSE) en lugar de proporcionar estimaciones de incertidumbre por píxel, que son comunes en los enfoques supervisados.
• Costo Computacional: La generación de numerosas muestras de bootstrap requiere algoritmos de reconstrucción eficientes.