📊 statistics

Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces

Cet article propose un cadre pour la quantification de l'incertitude dans les modèles de régression sur des espaces métriques, introduisant un algorithme conforme avec des garanties en échantillon fini pour les contextes homoscédastiques et une procédure kNN localement adaptative pour les cas hétéroscédastiques, tous deux étant extensibles, agnostiques au modèle et validés par des applications en médecine personnalisée impliquant des objets aléatoires complexes.

Auteurs originaux : Gábor Lugosi, Marcos Matabuena

Publié 2026-06-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gábor Lugosi, Marcos Matabuena

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un prévisionniste météo. Habituellement, vous ne donnez qu'un seul chiffre : « Il fera 24 °C demain. » Mais cela n'est pas très utile si vous prévoyez un pique-nique. Vous avez aussi besoin de savoir : À quel point en êtes-vous sûr ? Est-il probable que la température soit comprise entre 21 °C et 27 °C, ou pourrait-elle osciller sauvagement de 10 °C à 38 °C ?

Dans le monde de la science des données, cette question du « à quel point en êtes-vous sûr ? » est appelée Quantification de l'Incertitude. La plupart des méthodes actuelles sont excellentes pour donner un chiffre unique (la moyenne), mais elles ont du mal à tracer une « zone de sécurité » fiable autour de ce nombre, surtout lorsque les données sont complexes ou désordonnées.

Cet article de Lugosi et Matabuena introduit une nouvelle boîte à outils pour tracer ces zones de sécurité, spécifiquement pour les données qui ne rentrent pas proprement dans un tableur standard (comme des formes, des graphiques ou des distributions de probabilité). Ils appellent ces points de données complexes des « objets aléatoires » vivant dans des « espaces métriques » (une façon sophistiquée de dire « un monde où nous pouvons mesurer la distance entre les choses, même si ce ne sont pas seulement des nombres »).

Voici la décomposition de leur solution en utilisant des analogies simples :

1. Les deux types de météo (Homoscédastique vs Hétéroscédastique)

Les auteurs réalisent que l'incertitude se comporte différemment selon la situation. Ils divisent le problème en deux scénarios :

Le scénario de la « Pluie Constante » (Homoscédastique) :
Imaginez une journée où la pluie est constante. Elle peut être forte, mais la variabilité (la façon dont elle change d'une minute à l' l'autre) est la même partout.
- La solution de l'article : Ils utilisent une méthode appelée Prédiction Conforme. Voyez cela comme le fait de prendre un seau de mesures de pluie passées, de trouver le montant « typique », et de dessiner un cercle autour de lui qui garantit de capturer la pluie 95 % du temps.
- L'avantage : Cette méthode est mathématiquement « blindée » pour les petits ensembles de données. Elle garantit que votre zone de sécurité est correcte sans avoir besoin de faire des hypothèses complexes sur la façon dont la pluie se comporte. C'est rapide et fiable.
Le scénario de la « Journée Orageuse » (Hétéroscédastique) :
Maintenant, imaginez une journée chaotique. Le matin, c'est calme (faible incertitude), mais l'après-midi, c'est une tornade (incertitude élevée). La quantité de « marge de manœuvre » dont vous avez besoin change selon où vous êtes ou quel est le moment.
- Le problème : La méthode de la « Pluie Constante » échoue ici car elle dessine un seul grand cercle pour toute la journée. Elle est trop grande pour le matin calme et trop petite pour l'après-midi orageux.
- La solution de l'article : Ils introduisent une approche par k-plus proches voisins (kNN). Imaginez que vous essayiez de prédire la météo pour un quartier spécifique. Au lieu de regarder l'historique de toute la ville, vous ne regardez que les 5 quartiers les plus proches qui avaient des modèles météorologiques similaires.
- La magie : Cela permet à la zone de sécurité de rétrécir quand les choses sont calmes et de s'élargir quand les choses sont sauvages. Elle s'adapte localement. Bien qu'elle n'ait pas la même garantie « blindée » pour les très petits ensembles de données que la première méthode, elle est beaucoup plus intelligente pour les données complexes et changeantes.

2. Gérer les formes « bizarres » (Espaces Métriques)

La plupart des statistiques supposent que les données sont simplement une liste de nombres (comme la taille et le poids). Mais en médecine moderne, les données peuvent avoir des formes bizarres :

Distributions de probabilité : Au lieu de dire « Le taux de glucose moyen est de 100 », nous pourrions dire « Voici la courbe entière de la façon dont les niveaux de glucose fluctuent tout au long de la journée ».
Graphes : Au lieu d'un nombre, la donnée est un réseau de connexions (comme un scanner cérébral ou un réseau social).

La boîte à outils des auteurs fonctionne dans ces mondes de « formes bizarres ». Ils ne forcent pas ces formes dans une boîte ; ils mesurent la distance entre les formes et dessinent des zones de sécurité (des boules) autour d'elles.

3. Tests en conditions réelles (Ce que l'article a réellement montré)

Les auteurs n'ont pas fait que de la théorie ; ils ont testé leurs outils sur des données médicales réelles pour prouver qu'ils fonctionnent :

Graphisme de la maladie de Parkinson : Ils ont examiné des dessins de spirales numériques réalisés par des personnes atteintes de Parkinson et des personnes en bonne santé. Ils ont utilisé leur méthode de « Pluie Constante » pour dessiner une zone « normale » basée sur des personnes en bonne santé. Ils ont constaté que de nombreux dessins de patients parkinsoniens tombaient en dehors de cette zone, montant que la méthode peut détecter des différences dans des formes complexes.
Surveillance du glucose : Ils ont analysé des données de glucose continu provenant de personnes non diabétiques. Au lieu de regarder seulement le taux de sucre moyen, ils ont traité l'ensemble du schéma quotidien comme un objet unique. Ils ont construit une zone de sécurité qui change en fonction de l'âge. Ils ont découvert qu'à mesure que les gens vieillissent, la « zone de sécurité » des niveaux de glucose s'élargit, ce qui signifie que les personnes plus âgées ont plus de variabilité dans leurs niveaux de sucre tout au long de la journée.

4. Pourquoi cela importe (L'essentiel)

Vitesse : Leurs méthodes sont rapides. Elles peuvent traiter des millions de points de données en quelques secondes, alors que les anciennes méthodes pour les formes complexes prennent des heures.
Flexibilité : Vous pouvez utiliser n'importe quel modèle de prédiction (comme les Forêts Aléatoires ou les Réseaux de Neurones) et envelopper leur outil d'incertitude autour.
Pas de besoin de « lissé » : Beaucoup d'anciennes méthodes exigent que les données soient parfaitement lisses et prévisibles. Ces nouvelles méthodes fonctionnent même lorsque les données sont irrégulières, discrètes ou désordonnées.

En résumé : Cet article donne aux scientifiques une nouvelle façon de dire : « Je prédis X, et je suis sûr à 95 % que la vraie réponse se trouve à l'intérieur de cette forme spécifique. » Cela fonctionne pour des chiffres simples, mais plus important encore, cela fonctionne pour des objets complexes du monde réel comme des graphiques médicaux et des distributions de séries temporelles, en adaptant son niveau de confiance pour corresponder au chaos des données.

Résumé technique : Algorithmes de quantification de l'incertitude prédictive conformes et kNN dans les espaces métriques

1. Définition du problème et motivation

L'article traite du défi de la quantification de l'incertitude prédictive pour les modèles de régression où la variable de réponse $Y$ réside dans un espace métrique séparable général $(\mathcal{Y}, d_1)$ , et le prédicteur $X$ se trouve dans $\mathbb{R}^p$ . L'objectif est de construire une région de prédiction $C_\alpha(x) \subset \mathcal{Y}$ telle que la véritable réponse $Y$ tombe dans cette région avec une probabilité d'au moins $1-\alpha$ , étant donné $X=x$ .

Les auteurs identifient des limitations spécifiques aux méthodes existantes, particulièrement l'inférence conforme :

Conservatisme : Les méthodes conformes standard produisent souvent des intervalles excessivement conservateurs, surtout dans les contextes hétéroscédastiques ou les espaces de haute dimension, ce qui entraîne une perte d'efficacité statistique.
Hypothèses de lissage : Les approches existantes dans les espaces métriques (par exemple, Zhou et Müller [2025]) reposent sur le lissage par noyau et des hypothèses de différentiabilité, qui sont restrictives pour les données discrètes ou les structures non euclidiennes complexes.
Scalabilité : Les méthodes conformes complètes et les approches de profil de profondeur sont coûteuses en termes de calcul pour les grands ensembles de données.
Applicabilité : De nombreuses méthodes sont limitées aux réponses scalaires ou aux prédicteurs euclidiens, échouant à traiter les « objets aléatoires » comme les distributions de probabilité ou les graphes, courants dans la santé numérique.

L'article vise à développer un cadre qui fournit des garanties de couverture marginale en échantpl de taille finie (dans les cas homoscédastiques) et des rayons de prédiction localement adaptatifs (dans les cas hétéroscédastiques) sans imposer de fortes hypothèses de lissage, tout en restant calculablement scalable.

2. Méthodologie

Le cadre définit la fonction de régression $m(x)$ comme la moyenne de Fréchet conditionnelle :
$m(x) = \arg\min_{y \in \mathcal{Y}} \mathbb{E}[d_1^2(Y, y) \mid X = x]$
La région de prédiction est définie comme une boule métrique $C_\alpha(x) = B(m(x), r(x))$ , où le rayon $r(x)$ est déterminé par le quantile conditionnel de la distance $d_2(Y, m(x))$ . Les auteurs distinguent deux métriques : $d_1$ (utilisée pour la perte/régression) et $d_2$ (utilisée pour définir la région de prédiction), permettant ainsi une flexibilité de modélisation.

La méthodologie est divisée en trois composantes principales :

2.1 Cas homoscédastique : Prédiction conforme scindée (Split Conformal Prediction)

Les auteurs introduisent une notion d'homoscédasticité dans les espaces métriques : la distribution de la distance $d_2(Y, m(x))$ est indépendante de $x$ .

Algorithme : Une approche de conformal split est utilisée. Les données sont divisées en un ensemble d'entraînement ( $D_{train}$ ) pour estimer le centre $\hat{m}(x)$ et un ensemble de calibration ( $D_{test}$ ) pour estimer un rayon global.
Estimation du rayon : Le rayon est fixé selon le quantile empirique des scores de calibration $\{d_2(Y_i, \hat{m}(X_i))\}_{i \in D_{test}}$ .
Garanties : Cela produit une garantie de couverture marginale en échantpl de taille finie : $P(Y \in \hat{C}_\alpha(X)) \geq 1-\alpha$ .
Convergence : Les auteurs prouvent la consistance et des taux de convergence rapides (pilotés par l'erreur d'estimation de la moyenne de Fréchet et du quantile) sous des conditions légères, exigeant spécifiquement uniquement la consistance de l'estimateur de la moyenne de Fréchet.

2.2 Cas hétéroscédastique : Procédure kNN locale

Pour les contextes où la distribution conditionnelle des erreurs dépend de $x$ (hétéroscédasticité), un rayon global est inefficace.

Algorithme : Une approche par k plus proches voisins (kNN) est proposée. Pour un nouveau point $x$ , le rayon de prédiction est estimé en utilisant uniquement les points de calibration dans le voisinage des $k$ plus proches de $x$ .
Sélection pilotée par les données de $k$ : Un nouveau critère est introduit pour sélectionner la taille du voisinage $k$ . Il équilibre la couverture empirique globale (garantissant que la couverture globale est proche de $1-\alpha$ ) et la couverture empirique locale (garantissant que les déviations locales sont minimisées). L'algorithme sélectionne le plus petit $k$ satisfaisant ces contraintes.
Garanties : Bien que cette méthode ne fournisse pas de garanties conformes en échantpl de taille finie, les auteurs établissent une consistance asymptotique et dérivent des bornes supérieures en échantpl de taille finie sur l'erreur attendue. La méthode évite les hypothèses de lissage et s'adapte à la structure géométrique locale de l'espace prédicteur.

2.3 Extension séquentielle pour les séries temporelles

Le cadre est étendu aux séries temporelles à valeurs dans des espaces métriques sous des hypothèses de stationnarité et d'ergodicité.

Méthode : Une méthode d'agrégation d'experts par plus proches voisins est utilisée. Des blocs de retards historiques sont comparés à l'état actuel pour estimer les quantiles de résidus conditionnels.
Agrégation : Les experts de quantiles locaux sont combinés via des poids exponentiels basés sur la perte pinball pour produire un rayon adaptatif aux données.
Garanties : La méthode fournit une garantie de calibration de moyenne temporelle asymptotique ( $\frac{1}{n}\sum P(Y_{t+1} \in \hat{C}_t) \to 1-\alpha$ ), plutôt que des garanties en échantpl de taille finie.

3. Contributions clés

Nouvelle définition de l'homoscédasticité : Une définition de l'homoscédasticité adaptée aux espaces métriques, permettant la construction d'algorithmes conformes efficaces avec des taux de convergence rapides.
Trois cadres algorithmiques :
- Un algorithme de conformal split pour les espaces métriques homoscédastiques avec des garanties marginales en échantpl de taille finie.
- Un algorithme kNN local pour les contextes hétéroscédastiques qui atteint une bonne calibration conditionnelle sans hypothèses de lissage.
- Une méthode d'agrégation d'experts séquentielle pour les séries temporelles dans les espaces métriques.
Consistance théorique : Preuves de consistance pour les estimateurs proposés sous des conditions minimales (plus faibles que celles requises dans la littérature euclidienne).
Efficacité computationnelle : Les méthodes proposées sont calculablement scalables, capables de traiter des millions d'observations en quelques secondes, contrastant avec les méthodes de profil de profondeur qui nécessitent des heures pour des ensembles de données plus petits.
Flexibilité : Le cadre est compatible avec n'importe quel algorithme de régression (ex: Forêts Aléatoires, Régression de Fréchet globale, kNN) et traite des réponses non euclidiennes (distributions, graphes) et des prédicteurs.

4. Résultats

4.1 Étude de simulation

Les auteurs ont évalué le cadre sur une régression scalaire-sur-scalaire et des résultats à valeurs d'espaces métriques.

Performance : Dans les contextes hétéroscédastiques (linéaires et non linéaires), la méthode kNN adaptative proposée a obtenu l'erreur conditionnelle quadratique intégrée (ISCE) la plus faible et la couverture de tranche la plus mauvaise (WSC) la plus élevée par rapport aux concurrents comme la régression quantile conformalisée (CQR) et la méthode de profil de profondeur de Zhou et Müller [2025].
Contextes homoscédastiques : La méthode conforme globale s'est montrée compétitive avec CQR, confirmant son efficacité lorsque l'hypothèse d'homoscédasticité est respectée.
Efficacité : Les méthodes proposées étaient nettement plus rapides (secondes contre 50 minutes pour $n=3000$ ) que l'approche de profil de profondeur.
Robustesse : La méthode hétéroscédastique a maintenu une bonne calibration marginale même lorsqu'elle n'était pas calibrée de manière conforme, bien qu'une limite de stabilité en échantpl pour la couverture de tranche la plus mauvaise ait été notée.

4.2 Applications réelles

Le cadre a été appliqué à deux ensembles de données biomédicales :

Analyse de forme (Maladie de Parkinson) : Les trajectoires de mouvement de la main ont été traitées comme des objets aléatoires. La méthode a construit des régions de référence centrées sur Fréchet pour les sujets sains. Les trajectoires des patients parkinsoniens tombaient fréquemment en dehors de ces régions, illustrant le potentiel des biomarqueurs numériques basés sur la forme.
Surveillance du glucose à valeurs de distribution : Les données de surveillance continue du glucose (CGM) ont été représentées comme des distributions de probabilité dans l'espace de 2-Wasserstein. En utilisant la régression de Fréchet globale et l'estimateur de rayon kNN, les auteurs ont construit des régions de prédiction spécifiques à l'âge. Les résultats ont montré que les régions de prédiction (variabilité) s'élargissent avec l'âge, capturant des changements de distribution invisibles avec les résumés scalaires.

5. Signification et affirmations

L'article affirme fournir un cadre général, flexible et efficace en termes de calcul pour la quantification de l'incertitude dans les espaces métriques. Sa signification réside dans :

Combler le fossé : Il étend la prédiction conforme et les techniques de calibration locale aux contextes non euclidiens sans dépendre des hypothèses de lissage restrictives des méthodes d'espaces métriques existantes.
Utilité pratique : La capacité de traiter des objets aléatoires complexes (distributions, graphes) avec un calcul rapide rend ce cadre adapté aux applications modernes de la santé numérique et de la médecine personnalisée.
Rigueur théorique : Il établit la consistance et les taux de convergence sous des hypothèses minimales, offrant une alternative robuste aux méthodes uniquement asymptotiques.
Adaptabilité : La sélection pilotée par les données des tailles de voisinage permet à la méthode de s'adapter à l'hétéroscédasticité locale, améliorant la calibration conditionnelle là où les méthodes globales échouent.

Les auteurs notent modestement que si la méthode fournit de solides garanties marginales dans les cas homoscédastiques et une bonne calibration conditionnelle dans les cas hétéroscédastiques, l'utilisation de boules métriques peut être conservatrice pour les distributions hautement non sphériques. Des travaux futurs sont suggérés pour explorer des régions de prédiction plus flexibles au-delà des boules métriques.