📊 statistics

Manifold Constrained Conformal Prediction for Spatial Events

Cet article introduit une nouvelle méthode de prédiction conforme sous contrainte de variété qui utilise la distance de Wasserstein et l'échantillonnage par flux pour générer des ensembles de prédiction calibrés et de faible énergie pour des événements spatiaux tels que les cyclones tropicaux et les tremblements de terre, surpassant les bases de référence existantes tant en précision de couverture qu'en fidélité géométrique.

Auteurs originaux : Collin Nill, Trevor Harris, Jason Adams

Publié 2026-07-14

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Collin Nill, Trevor Harris, Jason Adams

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 essayiez de prédire où une tempête va naître, ou où le prochain séisme va frapper. Vous ne voulez pas seulement un point sur une carte ; vous voulez connaître tout le « nuage » de possibilités. Y aura-t-il une seule grande tempête ou dix petites ? Se concentreront-elles près de l'équateur ou se disperseront-elles ?

Pendant longtemps, les scientifiques ont essayé de dessiner un filet de sécurité autour de ces prédictions. Ils veulent pouvoir dire : « Nous sommes sûrs à 90 % que l'événement réel se trouvera à l'intérieur de ce filet ». Mais voici le problème : les filets qu'ils ont utilisés jusqu'à présent sont souvent trop larges. Ils incluent des endroits où des tempêtes pourraient mathématiquement se produire, mais où la nature n'en enverrait jamais. C'est comme dessiner un filet de sécurité autour d'une ville qui inclurait la lune parce que, techniquement, une fusée pourrait s'y rendre.

Ce document présente une nouvelle façon de resserrer ce filet. Les auteurs, Collin Nill, Trevor A. Harris et Jason Adams, proposent une méthode appelée Prédiction Conforme sur Variété Contrainte (Manifold Constrained Conformal Prediction).

Le problème du « Nuage »

Considérez une saison de cyclones tropicaux ou une séquence de séismes non pas comme un point unique, mais comme un nuage de points flottant sur un globe géant. Certains nuages ont 50 points ; d'autres en ont 200. Ils peuvent être dispersés ou regroupés.

Les anciennes méthodes tentaient de mesurer la distance entre un nuage prédit et un nuage réel en les soustrayant l'un de l'autre. Mais on ne peut pas soustraire facilement un nuage de 50 points d'un nuage de 200 points. C'est comme essayer de soustraire une poignée de billes d'un seau de sable. Le calcul devient complexe, et le « filet de sécurité » qui en résulte finit par être une énorme boule floue qui couvre presque tout, y compris des endroits qui n'ont aucun sens physique.

La nouvelle astuce : Mesurer la « Forme »

Les auteurs suggèrent une manière plus intelligente de mesurer la distance entre ces nuages. Au lieu de compter les points, ils traitent les nuages comme des distributions de poids. Imaginez verser du sable sur un globe pour représenter l'endroit où les tempêtes pourraient se trouver.

Ils utilisent un outil mathématique appelé distance de Wasserstein sphérique découpée (Spherical Sliced Wasserstein distance). Imaginez cela comme prendre un découpeur géant et invisible et couper le globe en tranches fines (comme un pain de mie). Ils comparent la façon dont le « sable » est distribué sur chaque tranche. Si deux nuages se ressemblent, leurs tranches correspondent. S'ils sont différents, leurs tranches paraissent très différentes. Cela leur permet de mesurer la distance entre des nuages de tailles ou de formes différentes sans être perturbés.

La contrainte de « Variété » : Rester sur les rails

Voici le véritable exploit. Même avec ce meilleur outil de mesure, le « filet de sécurité » (l'ensemble de prédiction) qu'ils construisent est encore trop grand. Il inclut des formes étranges et impossibles — comme un nuage de tempête flottant au milieu d'un océan là où aucun océan n'existe, ou un séisme se produisant au milieu d'une chaîne de montagnes solide.

Dans le monde réel, la nature suit des règles. Les séismes se produisent le long de failles (fissures dans la croûte terrestre). Les cyclones tropicaux naissent dans des bassins océaniques spécifiques avec de l'eau chaude. Ces règles forment une « piste » cachée ou une variété (manifold).

La méthode des auteurs ajoute un « rail » spécial à leur prédiction. Ils disent : « Nous allons construire notre filet de sécurité, mais nous ne permettrons au filet d'exister que là où les données d'entraînement nous ont montré que la nature se rend réellement. »

Ils font cela en vérifiant chaque prédiction possible par rapport aux données d'entraînement (l'historique des tempêtes et séismes passés). Si un nuage prédit est trop éloigné de tout nuage observé par le passé, ils l'éliminent. Cela force la prédiction à rester « sur les rails » de la réalité physique.

Ce qu'ils ont trouvé (et ce qu'ils n'ont pas trouvé)

Les auteurs ont testé cette idée de trois manières :

Données fictives : Ils ont créé des simulations informatiques de points aléatoires, de spirales et de motifs auto-excitateurs (comme des séismes qui en déclenchent d'autres).
Tempêtes réelles : Ils ont étudié la genèse des cyclones tropicaux (où les tempêtes naissent) en utilisant des données de 1980 à 2025.
Séismes réels : Ils ont étudié les séismes en Californie (magnitude 4.0 et plus) de 1976 à 2025.

Les résultats :

Couverture : Dans leurs simulations, la méthode a réussi à capturer les événements réels environ 90 % du temps (lorsqu'ils demandaient une garantie de 90 %). Cela correspond parfaitement à la théorie.
Meilleure que les autres : Lorsqu'ils ont comparé leur méthode à d'autres techniques populaires (comme les « Régions de Densité Maximale » ou des modèles d'IA sophistiqués comme la Diffusion et les VAE), leur méthode a produit des ensembles de prédiction qui étaient bien plus proches des données réelles.
- Pour les séismes en Californie, leur méthode présentait une « distance de variété » (la distance par rapport aux lignes de faille) de 0,19 (échelle de 100), tandis qu'une méthode de flux standard affichait 1,79. Cela signifie que leur méthode maintenait les prédictions étroitement collées aux lignes de faille, tandis que les autres laissaient les prédictions dériver vers des lieux impossibles.
- Pour les cyclones tropicaux, leur méthode a maintenu les prédictions concentrées dans les bassins océaniques connus, alors que les autres méthodes laissaient les prédictions s'étendre sur les terres et les eaux froides.

Ce qu'ils écartent :
Le papier argumente explicitement contre l'utilisation des méthodes standard de « Région de Densité Maximale » (HDR) ou des modèles génératifs non contraints pour cette tâche spécifique. Ils ont constaté que bien que certains de ces modèles (comme la Diffusion) puissent paraître statistiquement exacts sur le papier, ils génèrent souvent des résultats « physiquement invraisemblables » — comme prédire la formation d'un ouragan au milieu du désert du Sahara. Les auteurs démontrent que sans leur « contrainte de variété », ces modèles ne respectent pas les règles physiques du monde.

À quel point sont-ils sûrs ?

Les auteurs sont très confiants dans la mathématique derrière la garantie de couverture (c'est une borne inférieure prouvée), mais ils précisent avec prudence que leurs résultats de performance proviennent d'expériences et de simulations.

Ils ne prétendent pas que ceci est la « solution finale » pour tous les désastres naturels.
Ils notent que dans leurs simulations, la méthode fonctionne mieux lorsqu'ils disposent de suffisamment de données historiques pour définir les « rails » (la variété).
Ils ont découvert que si l'on règle la « tolérance » des rails de manière trop stricte, la méthode pourrait manquer l'événement réel. Mais ils ont montré qu'en choisissant une tolérance qui couvre l'ensemble des données d'entraînement, on obtient une couverture quasi parfaite.

L'essentiel

Ce document ne dit pas seulement « nous avons un meilleur calculateur ». Il dit : « Nous avons un moyen de forcer nos prédictions à respecter les lois de la physique. »

En combinant une nouvelle façon de mesurer la distance entre les nuages d'événements avec une règle stipulant de « rester proche de là où la nature est déjà passée », ils ont créé un outil de prédiction qui est à la fois statistiquement fiable (il attrape la vérité 90 % du temps) et physiquement cohérent (il ne prédit pas de séismes dans le ciel). C'est une façon de s'assurer que, lorsque nous regardons l'avenir des risques naturels, nos filets de sécurité sont assez serrés pour être utiles, mais pas trop lâches pour inclure l'impossible.

Résumé Technique : Prédiction Conforme Contrainte par une Variété pour les Événements Spatiaux

Énoncé du Problème

Les aléas naturels tels que les cyclones tropicaux, les séismes et les incendales de forêt se manifestent sous la forme de configurations d'événements discrets et spatialement organisés (nuages de points) plutôt que comme des champs continus. Le nombre, les positions et l'arrangement spatial de ces événements sont critiques pour l'évaluation des risques, particulièrement pour les phénomènes composites et extrêmes. Cependant, la prévision de ces phénomènes présente des défis uniques :

Cardinalité Variable : Le nombre d'événements dans une configuration varie, ce qui rend les scores de conformité basés sur les résidus standards (par exemple, $y - \hat{y}$ ) mal définis.
Absence de Calibration : Les systèmes de prévision modernes (modèles climatiques, ensembles de deep learning) produisent des distributions sur des configurations mais ne sont pas intrinsèquement garantis d'être calibrés ; un ensemble au 90e percentile n'implique pas intrinsèquement une couverture de 90 % du nuage d'événements réel.
Implausibilité Physique : Les régions de prédiction conformes standards, lorsqu'elles sont définies sur l'espace de toutes les distributions possibles, incluent souvent des configurations physiquement impossibles (par exemple, des séismes se produisant au milieu de l'océan ou des cyclones se formant dans des latitudes non tropicales) car elles manquent de contraintes basées sur la variété (manifold) sous-jacente des données génératrices.

Les méthodes existantes, telles que les estimateurs de Région de Haute Densité (HDR) ou les posteriors bayésiens, échouent soit à fournir des garanties de couverture a posteriori pour des modèles arbitraires, soit nécessitent des hypothèses paramétriques spécifiques qui peuvent ne pas être vérifiées.

Méthodologie

Les auteurs proposent un cadre de Prédiction Conforme Contrainte par une Variété qui opère sur l'espace des mesures de probabilité pour générer des ensembles de prédiction calibrés pour les nuages de points spatiaux.

1. Représentation et Score

Mesures Empiriques : Les nuages de points $Y$ sont représentés comme des mesures empiriques $\mu_Y = \frac{1}{|Y|}\sum \delta_y$ , les injectant dans l'espace de Wasserstein $P_2(S^2)$ . Cela permet la comparaison de nuages ayant des cardinalités différentes.
Score de Conformité : La divergence entre une cible observée et une prédiction du modèle est mesurée à l'aide de la distance Wasserstein Tranchée Sphérique (SSW), $SSW_2(\mu_Y, f(X))$ . Cette métrique respecte la géométrie géodésique de la sphère et est calculable de manière efficace ( $O(n \log n)$ ) via une projection de Monte Carlo sur des grands cercles.
Région Ambiante : Une région de prédiction conforme par partition (split conformal) standard est construite comme une boule SSW de rayon $\tau_\alpha$ autour de la prédiction : $C^{amb}_\alpha = \{Y : S(Y, f(X)) \leq \tau_\alpha\}$ . Cela garantit la couverture $P(Y_{n+1} \in C^{amb}_\alpha) \geq 1-\alpha$ sous l'hypothèse d'échangeabilité.

2. Restriction par la Variété (Manifold)

Pour éliminer les configurations physiquement implausibles, la méthode restreint l'ensemble de prédiction à un sous-ensemble de l'espace supporté à proximité de la variété des données d'entraînement $\mathcal{M}$ .

Variété Empirique : Puisque la véritable variété est inconnue, elle est approximée par les cibles d'entraînement $D_0$ . Une « divergence de variété » $d_M(Y)$ est définie comme la distance SSW minimale entre un nuage candidat $Y$ et tout nuage d'entraînement dans $D_0$ .
Contrainte de Tube : Une tolérance $\epsilon$ est introduite pour définir un tube empirique. L'ensemble de prédiction final est l'intersection de la boule conforme ambiante et de ce tube :
$C_\alpha(X) = \{Y : S(Y, f(X)) \leq \tau_\alpha, \ d_M(Y) \leq \epsilon\}$
Garantie de Couverture : Les auteurs dérivent une borne inférieure pour la couverture de cet ensemble intersecté. Bien que l'intersection réduise la taille de l'ensemble, il est démontré que l'écart de couverture est faible et décroît exponentiellement avec la taille de l'ensemble d'entraînement, à condition que $\epsilon$ soit choisi pour couvrir adéquatement les données d'entraînement.

3. Échantillonnage par Flux Contraint

Parce que l'ensemble résultant $C_\alpha$ n'est pas analytiquement traçable, les auteurs introduisent un flux de gradient contraint pour échantillonner à partir de sa frontière.

Champ de Vélocité : Un nuage de points candidat indexé par le temps $Y(t)$ est évolué via une ODE. Le champ de vélocité $v(y)$ est dérivé pour diriger simultanément le score de conformité $S(y)$ vers le quantile $\tau_\alpha$ et la divergence de la variété $d_M(y)$ vers la limite $\epsilon$ (si elle est à l'extérieur).
Optimisation : La vélocité est la solution de norme minimale d'un système linéaire défini par les gradients du score et de la divergence de la variété, garantissant que la trajectoire converge vers la frontière de la région restreinte par la variété sans introduire de dérive inutile.
Génération d'Ensembles : En marginalisant sur une séquence de ces échantillonneurs, la méthode produit une distribution prédictive calibrée représentée par un ensemble de nuages d'événements géophysiquement cohérents.

Contributions Clés

Nouveau Cadre Conforme : La première méthode de prédiction conforme spécifiquement conçue pour les nuages de points spatiaux sur une sphère, utilisant le transport optimal (SSW) pour le scoring.
Contrainte de Variété : L'introduction d'une contrainte de variété empirique qui restreint les ensembles de prédiction à des régions physiquement plausibles, répondant au problème des échantillons « hors-variété » courants dans la prédiction distributionnelle non contrainte.
Garanties Théoriques : Dérivation d'une borne inférieure de couverture pour les ensembles contraints par la variété, quantifiant le compromis entre la tolérance de la contrainte $\epsilon$ et la probabilité de couverture.
Algorithme d'Échantillonnage : Une procédure d'échantillonnage par flux modifiée qui génère des ensembles satisfaisant à la fois la garantie de couverture conforme et la contrainte de la variété.

Résultats

La méthode a été évaluée sur des données synthétiques (Poisson Homogène, Spirale, Poisson Inhomogène, processus de Hawkes) et des données géophysiques réelles (genèse de cyclones tropicaux et séismes en Californie).

Couverture : La méthode atteint une couverture quasi nominale (par exemple, ~90 % pour $\alpha=0,1$ ) dans tous les contextes synthétiques et réels. La couverture empirique est montrée comme étant robuste au nombre de tranches SSW et à la taille de calibration, pourvu que $\epsilon$ soit défini de manière conservatrice pour couvrir les données d'entraînement.
Compétence de Prévision (Distance d'Énergie) : Le champ de vélocité contraint (CVF) atteint systématiquement une Distance d'Énergie (ED) plus faible que les méthodes de flux non contraintes (VF) et les baselines standards (HDR, Diffusion, Normalizing Flows, VAE).
Adhérence à la Variété : Le CVF réduit significativement la Distance de Variété (MD) par rapport aux méthodes non contraintes.
- Dans la prévision des Cyclones Tropicaux, le CVF concentre les prédictions dans les bassins observés, tandis que les méthodes non contraintes (comme la Diffusion) dispersent souvent la masse dans des régions invalides (ex: Atlantique central) pour minimiser l'ED, entraînant une MD élevée.
- Dans la prévision des Séismes, où les événements sont strictement confinés aux lignes de faille, le CVF maintient une MD faible (0,19) comparée aux flux non contraints (1,79), garantissant que les prédictions restent géophysiquement valides.
Comparaison aux Baselines : Bien que les modèles génératifs (Diffusion) atteignent parfois une ED compétitive, ils échouent souvent à respecter la variété physique. Les méthodes HDR fournissent des régions valides mais manquent de la flexibilité et des garanties de calibration du cadre conforme proposé.

Signification

L'article soutient que quantifier l'incertitude pour les événements spatiaux nécessite d'aller au-delà des résumés scalaires ou des prédictions distributionnelles non contraintes. La méthode proposée offre une procédure de calibration a posteriori qui fonctionne avec n'importe quel modèle de prévision, garantit la couverture sous l'hypothèse d'échangeabilité, et assure que les ensembles de prédiction sont géophysiquement cohérents. En contraignant les prédictions à la variété des données, la méthode produit des ensembles d'incertitude qui sont non seulement statistiquement valides, mais aussi exploitables pour l'évaluation des risques, évitant l'inclusion de scénarios physiquement impossibles qui affectent les modèles génératifs non contraints. L'approche comble le fossé entre les garanties de couverture statistique rigoureuses et les contraintes physiques inhérentes à la modélisation des aléas naturels.