Resumen Técnico: ARC (Conformalización de Rango Aumentado) para la Localización de Cambios de Régimen

1. Planteamiento del Problema

La localización de cambios de régimen (changepoint localization) busca identificar el índice temporal $\tau$ donde la distribución de un flujo de datos cambia. Aunque los profesionales suelen recibir una estimación puntual $\hat{\tau}$, la incertidencia asociada rara vez se cuantifica. Avances recientes en la localización de cambios mediante conformalización han resuelto el problema de la validez: mediante el uso de una función de puntuación arbitraria dentro de un marco basado en permutaciones (p. ej., CONCH [14], MCP [6]), se puede construir un conjunto de confianza $C_{1-\alpha}$ que garantiza una cobertura de muestra finita $P(\tau \in C_{1-\alpha}) \geq 1-\alpha$ bajo el supuesto de intercambiabilidad dentro de cada segmento, independientemente de la distribución subyacente.

Sin embargo, persiste una brecha crítica respecto a la eficiencia. Los resultados teóricos (p. ej., los lemas de Neyman-Pearson conformes) indican que la puntuación óptima es la razón de verosimilitud entre las densidades pre y post-cambio. En la práctica, estas densidades son desconocidas, lo que requiere estimadores de inserción (plug-in estimators, como clasificadores o estimadores de la razón de densidades). Si bien estos estimadores preservan la garantía de cobertura (universalidad), sus longitudes de conjunto (eficiencia) son frágiles. Se deterioran silenciosamente ante colas pesadas, asimetría y desplazamientos de distribución (donde la distribución de despliegue difiere de la de entrenamiento). Ninguna teoría existente garantiza que una longitud de conjunto certificada bajo una distribución se mantenga bajo otra, particularmente cuando la puntuación de inserción está mal especificada.

2. Metodología: El Pipeline ARC

Los autores proponen ARC (Augmented-Rank Conformalization), una familia de funciones de puntuación diseñadas para lograr tanto validez de muestra finita como eficiencia robusta a la distribución.

Mecanismo Central

Las puntuaciones ARC dependen únicamente de los rangos intra-segmento de los datos, en lugar de los valores brutos. El proceso opera de la siguiente manera:

1. Entrada: Una ventana de observaciones $X = (X_1, \dots, X_n)$ con un cambio de régimen candidato $t$.
2. Transformación de Rangos: Para cualquier división candidata $t$, los segmentos $X_{1:t}$ y $X_{t+1:n}$ se convierten en vectores de rangos $R$.
3. Cómputo de la Puntuación: La puntuación $A(R)$ se calcula utilizando uno de los siguientes componentes:
   • Canal de Localización: Una estadística CUSUM basada en rangos derivada de la evidencia de Wilcoxon de dos muestras ($Z_{loc}$).
   • Canal de Escala: Una estadística de rango al cuadrado de tipo Mood ($Z_{sc}$) sensible a cambios en la varianza.
   • Combinaciones Fijas: El máximo de los dos canales ($A_{comb} = \max(A_{loc}, A_{sc})$) o una combinación convexa con pesos aprendidos en datos sintéticos y congelados.
   • Red Neuronal Congelada: Una red de una sola capa oculta ($16 \to 64 \to 1$) entrenada en datos gaussianos sintéticos (trayectorias de rangos submuestreadas) y congelada antes del despliegue.
4. Backend Conforme: La puntuación se introduce en el marco estándar de localización conforme (p. ej., Hore y Ramdas [14]). Los p-valores se calculan mediante permutaciones intra-segmento de las estadísticas basadas en rangos.
5. Salida: Un conjunto de confianza $C_{1-\alpha} = \{t : p_t > \alpha\}$, una estimación puntual $\hat{\tau}$ y una etiqueta del tipo de cambio.

Decisiones de Diseño Clave

• Pesos Congelados: Todos los componentes aprendidos (pesos de la red neuronal, pesos de combinación) se entrenan en datos sintéticos y se congelan antes de observar la ventana de prueba. Esto asegura que la puntuación sea independiente de los datos de prueba, preservando la validez del argumento de permutación.
• Conciencia de Tipo sin Adaptatividad: En lugar de seleccionar adaptativamente un canal basado en los datos de prueba (lo que invalidaría la prueba de permutación), ARC utiliza una regla de combinación fija (p. ej., el máximo o pesos pre-entrenados). Esto no conlleva ningún costo para la validez.

3. Contribuciones Teóricas Clave

Teorema 1: Validez de Muestra Finita para Cualquier Puntuación Congelada

El artículo demuestra que para cualquier configuración de pesos congelados (incluyendo inicialización aleatoria, parada temprana o entrenamiento con etiquetas adversarias), la puntuación ARC resultante produce una cobertura de muestra finita $P(\tau \in C_{1-\alpha}) \geq 1-\alpha$.

• Significado: La validez se hereda únicamente del backend de permutación y de la independencia de la puntuación respecto a la ventana de prueba. No se hacen suposiciones sobre la calidad del entrenamiento o la corrección del modelo.

Teorema 2: Transferencia de Eficiencia vía Invariancia de Rango

Esta es la contribución teórica central del artículo. Debido a que los rangos son invariantes bajo transformaciones estrictamente crecientes $g$, todo el conjunto de confianza ARC es casi seguramente invariante bajo tales transformaciones: $C_{1-\alpha}(g(X)) = C_{1-\alpha}(X)$.

• Transferencia de Eficiencia: Consecuentamente, la distribución de la longitud del conjunto depende del par de datos $(F_0, F_1)$ solo a través de su estructura de rangos. Una distribución de longitud certificada en un experimento de rango específico (p. ej., desplazamiento Gaussiano) se mantiene idéntica para cualquier transformación monótona de ese experimento (p. ej., transformaciones Lognormal, Cauchy o logística).
• Contraste: Las puntuaciones de inserción (p. ej., razones de verosimilitud) cambian con cada reexpresión de los datos, causando que sus longitudes de conjunto fluctúen de manera impredecible bajo desplazamientos de distribución.

El Precio de la Invariancia

El artículo reconoce que las puntuaciones basadas en rangos pagan un "precio de la invariancia" en comparación con la razón de verosimilitud órica. Sin embargo, la teoría clásica de pruebas de rango sugiere que este precio es acotado (p. ej., el Wilcoxon tiene una eficiencia relativa asintótica de $\approx 0.955$ frente al estadístico t para desplazamientos Gaussianos). ARC intercambia una pérdida pequeña y acotada de eficiencia en un modelo fijo por una transferencia de eficiencia exacta a través de toda la órbita monótona de ese modelo.

4. Resultados Empíricos

Estudios de Simulación

Los experimentos se realizaron con una longitud de ventana $n=120$ a través de distribuciones Gaussianas, $t_3$, Cauchy y Lognormal.

• Cobertura: Todas las puntuaciones ARC mantuvieron la cobertura nominal ($\approx 0.90$) en todas las distribuciones, incluyendo redes "saboteadas" (pesos aleatorios, etiquetas mal entrenadas).
• Invariancia: Bajo transformaciones estrictamente crecientes (exp, cubo, logística), los conjuntos de ARC permanecieron exactamente idénticos en 80/80 replicaciones. En contraste, los conjuntos de la estadística t de inserción se inflaron significativamente (p. ej., la longitud media aumentó de 6.8 a 22.1 bajo la transformación exp).
• Robustez ante Colas Pesadas: Bajo distribuciones Cauchy, los conjuntos de inserción se volvieron vacuos (longitud media $\approx 85$ de 101 candidatos), mientras que los conjuntos de ARC se mantuvieron informativos (longitud media $\approx 26$).
• Transferencia: Las puntuaciones entrenadas en datos Gaussianos y congeladas funcionaron de manera robusta en datos de prueba de cola pesada. El crecimiento en la longitud del conjunto para ARC fue impulsado por el experimento de rango en sí, no por el desajuste de entrenamiento, mientras que las puntuaciones de inserción sufrieron una degradación catastrófica.
• Adaptatividad de Tipo: La combinación "max" o la combinación convexa aprendida incurrieron en una penalización de eficiencia mínima (a lo sumo un 15%) en comparación con un oráculo que conocía el tipo de cambio (localización vs. escala) de antemano.

Aplicación a Datos Reales: Datos de Registros de Pozos (Well-Log)

Aplicado al conjunto de datos de cambios de punto de Turing (series de perforación de pozos):

• ARC localizó los cambios anotados en 3 a 5 candidatos con un 90% de confianza.
• Detección de Desajuste del Modelo: En una ventana donde los anotadores humanos no estaban de acuerdo y el cambio era gradual, ARC produjo un conjunto vacío. Los autores interpretan esto no como un fallo, sino como un certificado válido de desajuste del modelo (probabilidad $\leq \alpha$), señalando que el supuesto de un único cambio de régimen de tipo i.i.d. por tramos fue violado.

Manejo de Dependencia

Bajo dependencia AR(1), las permutaciones i.i.d. estándar fallaron (la cobertura cayó a $\approx 0.30$). Los autores proponen permutaciones de bloque circular como una reparación, lo que restauró la cobertura a $\approx 0.84$–$0.86$ a costa de conjuntos más largos. El artículo señala que la exactitud se pierde bajo dependencia, y las permutaciones de bloque son una aproximación.

5. Significado y Reivindicaciones

El artículo afirma cerrar la brecha entre la validez universal y la eficiencia transferible en la localización de cambios conforme.

• Universalidad de la Validez: Confirma que la validez es robusta a la mala especificación de la puntuación, siempre que esta sea independiente de la ventana de prueba.
• La Invariancia como Principio de Diseño: Establece que el uso de puntuaciones basadas en rangos hace que la eficiencia del procedimiento de localización sea invariante a los cambios de la distribución marginal. Esto permite a los profesionales certificar las longitudes de los conjuntos en datos sintéticos o simples (p. ej., Gaussianos) y confiar en que esas garantías se mantendrán para datos reales complejos, de cola pesada o asimétricos, siempre que la estructura de rangos sea similar.
• Utilidad Práctica: El método proporciona declaraciones de incertidumbre accionables (conjuntos de confianza) que no fallan silenciosamente ante un desplazamiento de distribución, y ofrece un mecanismo (conjuntos vacíos) para señalar cuándo se han violado los supuestos del modelo subyacente.

6. Limitaciones

Los autores delimitan explícitamente sus afirmaciones:

1. Único Cambio de Régimen: La teoría asume un único cambio de régimen en una ventana offline.
2. Independencia: La cobertura exacta requiere independencia intra-segmento; la dependencia serial requiere reparaciones mediante permutaciones de bloques aproximadas.
3. Cobertura Marginal: Los conjuntos proporcionan cobertura marginal, no cobertura condicional dado un evento de detección (lo cual requiere maquinaria más compleja).
4. Alcance del Modelo: El modelo de intercambioabilidad por tramos excluye alternativas de tipo tendencia (derivas deterministas).
5. Adaptatividad de Tipo: Aunque el precio de no conocer el tipo de cambio es acotado, no es cero.