CoCoNet: : Convex Conformal Network for Multi-Dimensional Uncertainty Regions

Dans le monde de la science des données, prédire un chiffre unique est souvent une tâche simple, mais prédire un groupe de résultats liés est un défi tout à fait différent. Lorsqu'un modèle prévoit l'avenir, il offre rarement un point unique et parfait ; il doit plutôt fournir un éventail de résultats plausibles pour tenir compte de l'incertitude. Pour des prédictions simples, cet éventail peut être un intervalle unique. Cependant, lorsqu'on prédit plusieurs éléments à la fois — comme la position future d'une voiture en trois dimensions, ou la température, l'humidité et la vitesse du vent dans une station météorologique — l'incertitude forme une forme multidimensionnelle complexe. L'objectif est de tracer une limite autour de ces possibilités qui soit assez serrée pour être utile à la prise de décision, mais assez large pour être digne de confiance. Si la limite est trop lâche, elle n'offre aucune orientation pratique ; si elle est trop serrée, elle risque de manquer le résultat réel. Le défi consiste à façonner cette limite de manière à ce qu'elle corresponde à la géométrie réelle, souvent irrégulière, de l'incertitude, plutôt que de la contraindre dans une forme rigide et prédéfinie comme une boîte ou une sphère.

Une équipe de chercheurs de l'Institut de technologie de Géorgie a développé une nouvelle méthode appelée CoCoNet pour résoudre ce problème. Leurs travaux se concentrent sur la création de régions de prédiction qui sont non seulement mathématiquement garanties d'être correctes un certain pourcentage du temps, mais qui sont aussi aussi petites et efficaces que possible. Les méthodes traditionnelles reposent souvent sur des modèles géométriques fixes, comme l'étirement d'une ellipse ou d'un rectangle pour s'adapter aux données. Bien que ces formes soient faciles à manipuler, elles échouent lorsque l'incertitude réelle est asymétrique, décentrée ou possède une forme irrégulière et complexe. Les chercheurs ont découvert qu'en apprenant à un ordinateur à apprendre la forme de l'incertitude directement à partir des données, tout en imposant strictement la règle que la forme doit être convexe — c'est-à-dire qu'elle ne présente pas de creux ou de trous vers l'intérieur — ils pouvaient créer des zones de prédiction qui s'adaptent parfaitement à la structure des données.

Le cœur de leur approche repose sur un processus en deux étapes. Premièrement, le système apprend une fonction de score qui mesure à quel point un résultat potentiel est « surprenant » par rapport à une prédiction standard. Crucialement, cette fonction de score est conçue pour être convexe, garantissant que la région de résultats plausibles qui en résulte est une forme unique et pleine. Les chercheurs ont testé deux versions de ce système : une qui construit des formes à l'aide d'une série de plans plats connectés, semblable à une feuille de papier pliée, et une autre utilisant une architecture de réseau neuronal hautement flexible capable de mouler la forme de presque n'importe quelle manière. Ils ont ensuite calibré ces formes apprises à l'aide d'un ensemble de données distinct pour s'assurer qu'elles respectaient la garantie de couverture requise. Cela signifie que si le système est réglé sur une confiance de 90 %, le résultat réel tombera à l'intérieur de la région prédite 90 % du temps, quelle que soit la distribution sous-jacente des données.

Pour tester leur méthode, les chercheurs l'ont appliquée à trente problèmes différents du monde réel, allant de la prédiction du mouvement de véhicules autonomes à l'estimation de la consommation d'énergie dans les bâtiments et l'analyse des propriétés chimiques de molécules. Ces tâches consistaient à prédire n'importe où de deux à seize résultats différents simultanément. Ils ont comparé leur nouvelle méthode à plusieurs techniques existantes, y compris celles qui produisent des rectangles, des ellipses ou d'autres formes standards. Les résultats ont été frappants. La version la plus flexible de leur système, qui utilise le réseau neuronal pour apprendre la forme, a produit les régions de prédiction les plus efficaces dans vingt-deux des trente tâches. Dans de nombreux cas, les régions qu'elle a générées étaient nettement plus petites que celles produites par les meilleures méthodes existantes, ce qui signifie qu'elle pouvait fournir des limites beaucoup plus serrées et utiles sur l'incertitude sans sacrifier la fiabilité.

L'étude a également exploré ce qui se passe lorsque l'incertitude sous-jacente ne correspond pas à un motif net. Dans des tests synthétiques où l'incertitude réelle prenait la forme d'un triangle ou d'un trapèze, les méthodes standards ont peiné, produisant souvent des régions larges et inefficaces qui gaspillaient de l'espace pour couvrir la zone correcte. En revanche, la nouvelle méthode a appris la géométrie exacte de ces formes, créant des régions de prédiction qui épousent étroitement les données. Même dans les cas où l'incertitude était approximativement elliptique, la nouvelle méthode a performé aussi bien ou mieux que les méthodes spécifiquement conçues pour les ellipses, prouvant sa polyvalence. Les chercheurs ont démontré qu'en permettant à la forme d'être apprise à partir des données plutôt que d'être imposée de l'extérieur, le système pouvait capturer les asymétries subtiles et les dépendances entre les différents résultats que les autres méthodes manquaient.

Ce travail est important car la qualité d'une région de prédiction impacte directement les décisions prises sur la base de celle-ci. Dans des domaines tels que la robotique, la finance ou la modélisation climatique, connaître les limites précises de l'incertitude permet une planification plus sûre et plus efficace. Une région de prédiction inutilement large force les décideurs à se préparer à des scénarios les plus défavorables qui sont peu probables, entraînant une utilisation inefficace des ressources. Inversement, une région trop petite pourrait manquer le résultat réel, menant à des échecs catastrophiques. En fournissant un moyen de générer des régions de prédiction qui sont à la fois mathématiquement fondées et géométriquement efficaces, cette nouvelle méthode offre un outil plus fiable pour naviguer dans l'incertitude au sein d'environnements multidimensionnels complexes. Les chercheurs ont rendu leur code et leurs données disponibles, permettant à d'autres d'appliquer cette approche à leurs propres problèmes, comblant ainsi le fossé entre les garanties théoriques et la quantification de l'incertitude de haute performance et pratique.