Prior-Agnostic Robust Forecast Aggregation

Résumé Technique : Agrégation Robuste de Prévisions Agnostique à la Prior

1. Problématique (Le Problème)

L'objectif de l'article est de résoudre le problème de l'agrégation de prévisions lorsque plusieurs experts fournissent des probabilités sur un événement binaire, mais que l'agrégateur (le décideur) est dans l'ignorance la plus totale.

Contrairement aux travaux antérieurs (comme Arieli et al., 2018) qui supposent que l'espace d'états est connu et fixé à $\{0, 1\}$, ce papier introduit une généralisation cruciale : l'espace d'états est inconnu. L'agrégateur ne connaît ni les valeurs réelles des probabilités sous-jacentes (les états $\theta_1, \theta_2$), ni la distribution a priori (la prior), ni la structure d'information (la corrélation entre les signaux des experts).

Dans un contexte réel (météo, médecine, finance), les experts basent leurs prévisions sur des caractéristiques latentes (ex: pression atmosphérique) qui ne sont pas directement observables. L'agrégateur doit donc combiner des rapports sans savoir si l'incertitude provient de la variabilité de l'événement lui-même ou de la nature des signaux des experts.

2. Méthodologie

Les auteurs formulent le problème comme un problème de minimisation du regret minimax sous une perte quadratique (squared-error loss). Le regret est mesuré par rapport à un agrégateur omniscient (bayésien) qui connaîtrait toute la structure du monde.

Pour répondre à ce défi, ils proposent une nouvelle famille de fonctions d'agrégation : l'agrégateur en log-odds (log-odds aggregator).

La règle de décision :
L'agrégateur effectue une combinaison linéaire des prévisions des experts dans l'espace des logits (log-odds). Pour deux experts avec des rapports $x_1$ et $x_2$, la fonction est définie par :
$$\text{logit}(f_\alpha(x_1, x_2)) = \alpha \cdot \text{logit}(x_1) + \alpha \cdot \text{logit}(x_2)$$
Où $\alpha \in [0, 1]$ est un paramètre de pondération qui contrôle la confiance accordée à l'indépendance des signaux et compense l'absence de connaissance de la prior.

3. Contributions Clés

• Généralisation du modèle : Passage d'un espace d'états connu $\{0, 1\}$ à un espace d'états inconnu $\Theta \subset [0, 1]^2$.
• Nouvel agrégateur explicite : Proposition d'une règle de calcul en forme fermée (closed-form) simple et efficace, contrairement aux approches algorithmiques complexes de la littérature existante.
• Caractérisation des bornes de regret : Établissement de bornes de regret (inférieures et supérieures) pour trois régimes de connaissance :
  1. Signaux conditionnellement indépendants (CI).
  2. Structures ordonnées au sens de Blackwell.
  3. Structures d'information générales (sans restrictions).
• Analyse de l'information marginale : Étude de l'impact de la connaissance des distributions marginales des prévisions sur la performance de l'agrégateur.

4. Résultats Principaux

Les résultats démontrent que l'ignorance de l'espace d'états rend l'agrégation intrinsèquement plus difficile.

• Régime de l'indépendance conditionnelle (CI) :
  • L'agrégateur proposé avec $\alpha \approx 0.585$ atteint un regret maximal de 0,0255.
  • Ils prouvent une borne inférieure de 0,0234, montrant que l'écart avec l'optimalité est très faible.
  • Ils démontrent que l'agrégation est strictement plus difficile que dans le cas classique (où le regret peut descendre sous 0,0226).
• Régime de Blackwell :
  • L'ignorance de l'espace d'états ne pénalise pas l'agrégateur ; le regret minimax reste identique au cas classique ($\approx 0,0225$).
• Régime Général (Corrélation inconnue) :
  • L'agrégation est quasi impossible : le regret minimax est de 0,25 (ce qui correspond à la règle triviale de prédire toujours $1/2$).
• Connaissance des marginales :
  • Étonnamment, connaître la distribution des rapports des experts ne résout pas totalement le problème dans le cas des états inconnus, car l'adversaire peut choisir des espaces d'états différents qui produisent les mêmes marginales.

5. Signification et Impact

Ce travail est significatif car il comble un fossé entre la théorie de l'agrégation de prévisions (souvent trop simpliste) et la réalité des systèmes de décision complexes.

En prouvant qu'une règle simple de type "log-odds" est presque optimale même sans connaître la structure du monde, les auteurs offrent un outil robuste pour les décideurs (médecins, analystes financiers, gestionnaires de risques) qui doivent fusionner des avis d'experts sans avoir accès aux données brutes ou aux modèles internes de ces experts. L'article établit également les limites fondamentales de ce que l'on peut espérer accomplir en situation d'incertitude totale.