Resumen Técnico: Predicción Conforme Autoorganizada (SOCP)

1. Planteamiento del Problema

La predicción conforme (CP) proporciona garantías de cobertura marginal de muestra finita y libres de distribución para cualquier puntuación de no conformidad fija bajo intercambiabilidad. Sin embargo, la validez marginal promedia sobre toda la distribución de características, lo que puede ocultar una subcobertura severa en subgrupos críticos para la seguridad (por ejemplo, diagnósticos raros o regímenes operativos específicos). Aunque es teóricamente imposible lograr una cobertura condicional exacta libre de distribución para cada valor de característica $x$ sin producir conjuntos no informativos, los métodos prácticos deben encontrar una noción intermedia de localidad. Los enfoques existentes suelen depender de distribuciones ponderadas por núcleos (lo que introduce sensibilidad al ancho de banda y un alto costo computacional) o agrupaciones supervisadas (que requieren etiquetas). El desafío consiste en descubrir grupos en el espacio de entrada de forma no supervisada para permitir la calibración local sin reentrenar el predictor ni alterar la puntuación de no conformidad.

2. Metodología: Predicción Conforme Autoorganizada (SOCP)

SOCP es un esquema de calibración que desacopla el descubrimiento de grupos del proceso de calibración. Utiliza un Mapa Autoorganizado (SOM) entrenado de forma no supervisada en la representación de entrada fija para particionar el espacio de características en una cuadrícula finita de celdas prototipo.

Flujo de Trabajo Principal

1. Descubrimiento de Grupos No Supervisado: Se entrena un SOM en el espacio de representación de entrada $\mathcal{X}$ (independiente de las etiquetas de calibración). Esto mapea las entradas a una cuadrícula de $K$ celdas prototipo $\{w_k\}_{k=1}^K$.
2. Asignación de la Unidad de Mejor Ajuste (BMU): Para cualquier entrada $x$, se determina la BMU como el prototipo que minimiza la distancia $\|x - w_k\|^2$. Esto define una partición rígida del espacio de entrada.
3. Recuperación del Búfer de Calibración Local: En el tiempo de prueba, para una consulta $x_{n+1}$, SOCP recupera un búfer de calibración basado en su BMU $k^*$. Se definen tres regímenes de recuperación:
   • Regimen 1 (Solo Celda BMU): Recupera puntos de calibración estrictamente dentro de la celda BMU $k^*$.
   • Regimen 2 (Vecindad Topológica Fija): Recupera puntos de la celda BMU y sus vecinos de la cuadrícula $N(k^*, r)$ (definidos por la distancia de Chebyshev en la cuadrícula).
   • Regimen 3 (Ampliación del Prototipo): Recupera puntos basados en una ampliación de $L$-vecinos más cercanos en el espacio de prototipos.
4. Cómputo del Umbral: El umbral conforme se calcula como el cuantil de división-conforme estándar (split-conformal quantile) sobre el búfer recuperado en lugar de todo el conjunto de calibración agrupado. El predictor y la puntuación de no conformidad permanecen sin cambios.

Garantías Estadísticas

El artículo establece garantías de muestra finita basadas en el régimen de recuperación:

• Validez Condicional a la Celda (Regimen 1): La validez exacta se mantiene condicionada a la celda BMU $k^*$, siempre que la celda esté activa (tenga suficientes puntos de calibración).
• Validez Condicional al Conjunto de Recuperación (Regimenes 2 y 3): La validez exacta se mantiene condicionada al evento de que la BMU del punto de prueba caiga dentro del conjunto de recuperación específico (por ejemplo, $k^* \in N(k, r)$).
• Validez Aproximada de la Celda Central: Cuando el umbral desplegado (basado en un búfer de vecindad) se evalúa en la celda central $k^*$, la garantía de cobertura es aproximada. La desviación de la cobertura nominal está acotada por un término de sesgo de Kolmogorov-Smirnov (KS) $\varepsilon_k$, que mide la discrepancia entre la distribución de puntuación en la celda central y la distribución mixta de la vecindad recuperada.
• Extensión de Enrutamiento Dividido (Split-Routed): Se propone una extensión donde un "enrutamiento dividido" independiente selecciona la ampliación del búfer antes de la calibración, recuperando la validez exacta condicionada al enrutamiento dividido.

3. Contribuciones Clave

1. Marco Algorítmico: Introducción de SOCP, un procedimiento agnóstico al modelo y a la puntuación que combina el agrupamiento no supervisado del espacio de entrada (vía SOM) con búferes de calibración por consulta. Es compatible con características tabulares y representaciones de imágenes sin modificar el predictor subyacente.
2. Garantías Teóricas: Prueba de validez de muestra finita para la recuperación de solo celda y para la validez de conjunto de recuperación fijo. El artículo cuantifica explícitamente el compromiso entre estabilidad local y desajuste distributivo mediante un término de sesgo KS.
3. Eficiencia: A diferencia de los localizadores basados en núcleos (como LCP) que requieren $O(n_{cal})$ operaciones por consulta, la recuperación de SOCP es $O(K)$ (donde $K$ es el número de celdas del SOM), lo que la hace independiente del tamaño del conjunto de calibración en el tiempo de prueba.
4. Suite de Diagnóstico: Un marco de diagnóstico por celda que incluye mapas de sesgo KS, mapas de cobertura (hitmaps) y mapas de búfer recuperado para identificar si los fallos regionales se deben al error del predictor, a la escasez de masa de calibración o al desajuste de la distribución de la puntuación.

4. Resultados Experimentales

El método fue evaluado en ocho entornos de referencia (cinco de regresión, tres de clasificación) incluyendo Bio, Bike Sharing, California Housing, Concrete, Auto MPG, CIFAR-10, Covertype y MNIST.

• Cobertura Regional: SO-SCP (SOCP con puntuaciones de residuo absoluto) redujo la brecha de cobertura regional ponderada (WCovGap) en 7 de los 8 conjuntos de datos en comparación con la predicción conforme dividida estándar (SCP). El cambio relativo medio pareado fue de $-7.1\%$.
• Tamaño del Conjunto de Predicción: La reducción en la brecha de cobertura vino acompañada de un aumento medio en el tamaño del conjunto de predicción del $6.2\%$. Sin embargo, excluyendo dos conjuntos de datos con datos de calibración limitados (Concrete y Auto MPG), el aumento de tamaño cayó al $1.2\%$.
• Comparación con CQR: SO-CQR (SOCP aplicado a la Regresión de Cuantiles Conformalizada) mostró resultados mixtos. Dado que CQR ya absorbe gran parte de la heterogeneidad en la puntuación, las ganancias marginales de la recuperación local fueron menores (cambio de WCovGap de $-0.3\%$).
• Comparación con LCP: SOCP superó a la Predicción Conforme Localizada (LCP) en uniformidad regional sin incurrir en la sobrecarga computacional del pesaje por núcleo. En tareas de clasificación, SOCP redujo significativamente el WCovGap manteniendo tamaños de conjunto comparables a los de LCP.
• Modos de Fallo: El artículo identifica un "régimen de búfer disperso" (observado en Concrete y Auto MPG) donde los pequeños conjuntos de calibración por vecindad conducen a umbrales conservadores o infinitos, anulando las ganancias de WCovGap.

5. Significado y Reivindicaciones

El artículo afirma que SOCP proporciona un mecanismo práctico para la calibración local por grupos con garantías exactas de grupo fijo y garantías aproximadas de celda central sin requerir particiones supervisadas ni el reentrenamiento del predictor.

• Modestia en las Reivindicaciones: Los autores establecen explícitamente que la validez de la celda central es aproximada, controlada por el sesgo KS. Enfatizan que la cuadrícula SOM proporciona una "estructura de localidad fija" que es menos expresiva que el pesaje por núcleo continuo, pero ofrece inspectabilidad y eficiencia computacional.
• Valor Diagnóstico: La importancia reside no solo en la mejora de la cobertura, sino en la capacidad de diagnosticar dónde y por qué ocurren los fallos regionales (por ejemplo, distinguiendo entre problemas de varianza en búferes pequeños y problemas de sesgo por desajustes de puntuación).
• Limitaciones: Los autores reconocen que la efectividad depende del diseño del mecanismo de localidad (tamaño de la cuadrícula, radio de vecindad, calidad de la representación). Señalan que los mapas KS empíricos son herramientas diagnósticas más que garantías estrictas, y que el método puede tener dificultades en regímenes con datos de calibración extremadamente dispersos por grupo.

El trabajo posiciona a SOCP como un puente entre la calibración totalmente agrupada (que enmascara errores regionales) y la cobertura condicional por punto (que es teóricamente imposible sin conjuntos no informativos), ofreciendo un enfoque ajustable y no supervisado para mejorar la fiabilidad en regímenes operativos específicos.