Riepilogo Tecnico: Inferenza Predittiva Condizionale per Dati Strutturati Generali con Simmetrie di Gruppo

Enunciato del Problema

Il lavoro affronta una limitazione fondamentale nell'inferenza predittiva libera da distribuzioni: la dipendenza da garanzie di copertura marginale contrapposta alla necessità pratica di copertura condizionale. Mentre la previsione conformale standard (Vovk et al., 2005) garantisce che un insieme di previsioni copra il vero target con probabilità $1-\alpha$ in media su tutte le realizzazioni dei dati (copertura marginale), spesso fallisce nel fornire una quantificazione valida dell'incertezza per sottogruppi specifici o realizzazioni locali dei dati, specialmente in contesti eterogenei.

I metodi esistenti che tentano di raggiungere una copertura quasi-condizionale (ad esempio, Gibbs et al., 2025; Hore and Barber, 2024) si basano tipicamente sull'assunzione di scambiabilità (o dati i.i.d.). Tuttavia, molti dataset strutturati del mondo reale—come reti, dati clusterizzati e modelli gerarchici—violano la scambiabilità globale. Sebbene un lavoro recente di Dobriban e Yu (2024) abbia introdotto il framework SymmPI per gestire simmetrie di gruppo generali oltre la scambiabilità, questo fornisce solo garanzie di copertura marginale. Ciò lascia un vuoto: non esiste un metodo che gestisca simultaneamente strutture complesse simmetriche rispetto a un gruppo (come reti o cluster) e fornisca garanzie di copertura condizionale che si adattino all'eterogeneità locale.

Metodologia: C-SymmPI

Gli autori propongono C-SymmPI (Inferenza Predittiva Simmetrica Condizionale), un framework unificato che estende l'approccio SymmPI per raggiungere una copertura quasi-condizionale sotto simmetrie di gruppo generali.

Framework Principale

1. Impostazione Teorico-Gruppo: Si assume che i dati $Z$ siano invarianti distribuzionalmente sotto un'azione di gruppo $\rho$ di un gruppo $G$ (cioè $Z \stackrel{d}{=} \rho(G)Z$ dove $G \sim U$, la misura di Haar). Questo generalizza la scambiabilità (dove $G$ è il gruppo simmetrico $S_n$) a strutture come reti (gruppi di automorfismi) e dati gerarchici (gruppi di permutazione nidificati).
2. Apprendimento Adattivo della Soglia: A differenza di SymmPI, che calcola una singola soglia globale di quantile sull'orbita del gruppo, C-SymmPI apprende una funzione di soglia adattiva $t_z(\cdot)$. Questa funzione mappa le caratteristiche dei dati osservati a una soglia, permettendo all'insieme di previsioni di adattarsi all'eterogeneità locale.
3. Prospettiva di Multi-accuratezza Rilassata: Il metodo riformula il requisito di copertura condizionale utilizzando la prospettiva della multi-accuratezza (Hébert-Johnson et al., 2018). Invece di richiedere una copertura condizionale esatta per ogni realizzazione (spesso impossibile senza assunzioni distribuzionali), C-SymmPI minimizza l'errore di mancata copertura su una classe di funzioni specificata dall'utente $\mathcal{F}$. Nello specifico, garantisce:
   $$\left| \mathbb{E}_Z \left[ f(Z_{\text{oss}}) \left( \mathbb{1}\{Z \in \hat{C}(Z_{\text{oss}})\} - (1-\alpha) \right) \right] \right| \leq \varepsilon$$
   per ogni $f \in \mathcal{F}$. Ciò è ottenuto risolvendo un problema di regressione quantilica regolarizzata sull'orbita del gruppo.

Varianti Algoritmiche per l'Efficienza

Per affrontare le sfide computazionali negli spazi ad alta dimensionalità e con gruppi grandi, vengono introdotte due varianti:

• C-SymmPI Proiettato: Proietta i dati osservati ad alta dimensionalità $Z_{\text{oss}}$ su un embedding a dimensionalità inferiore $\eta(Z_{\text{oss}})$ prima di apprendere la soglia. Questo riduce la complessità del problema di apprendimento della funzione.
• C-SymmPI Campionato: Approssima l'aspettativa di Haar (media sul gruppo) utilizzando un campione Monte Carlo finito di elementi del gruppo. Ciò è cruciale per gruppi infiniti o molto grandi (ad esempio, gruppi di rotazione).

Garanzie Teoriche

Il lavoro stabilisce limiti di copertura quasi-condizionale in due scenari:

1. Invarianza Distribuzionale: Quando i dati soddisfano rigorosamente l'assunzione di invarianza di gruppo.
2. Shift Distribuzionale: Quando l'invarianza è violata, il limite include un termine aggiuntivo proporzionale alla distanza di Variazione Totale (TV) tra la distribuzione vera e la distribuzione permutata.

Vengono derivate velocità di convergenza per specifiche classi di funzioni:

• Classi di Funzioni Lineari: L'errore decade con una velocità di $O(d |H| / |G|)$, dove $d$ è la dimensionalità, $|G|$ è la dimensione del gruppo e $|H|$ è la dimensione del sottogruppo stabilizzatore.
• RKHS (Spazio di Hilbert a Kernel Riproduttivo): L'errore decade con una velocità di $O(1/\sqrt{|G|/|H|})$.

Contributi Chiave

1. Framework Unificato per l'Inferenza Quasi-Condizionale: C-SymmPI è il primo framework ad estendere le garanzie di copertura quasi-condizionale oltre il contesto i.i.d./scambiabile a strutture di dati generali con simmetrie di gruppo (ad esempio, reti, cluster gerarchici).
2. Generalizzazione Teorica: Recupera i risultati esistenti all'avanguardia per dati i.i.d. (Gibbs et al., 2025) come casi speciali, fornendo al contempo nuove garanzie per strutture non scambiabili.
3. Scalabilità Computazionale: Lo sviluppo delle varianti Proiettata e Campionata consente l'applicazione dell'inferenza condizionale a osservazioni ad alta dimensionalità e a gruppi di simmetria grandi/infiniti.
4. Ampia Applicabilità: Il framework è istanziato per:
   • Dati Scambiabili: Recupero della previsione conformale condizionale.
   • Modelli Gerarchici a Due Livelli: Inclusi trial randomizzati a cluster (CRT), fornendo garanzie condizionali sia a livello di cluster che individuale.
   • Dati Strutturati a Rete: Adattamento alla topologia di rete per inferenza a livello di nodo.

Risultati Empirici

Gli autori validano C-SymmPI attraverso simulazioni numeriche e applicazioni nel mondo reale:

• Simulazioni (Dati Gerarchici): In un modello gerarchico a due livelli con rumore eterogeneo, C-SymmPI produce intervalli di previsione che si adattano alla varianza locale (più stretti nelle regioni a bassa varianza, più ampi nelle regioni ad alta varianza). I metodi concorrenti (SymmPI standard, CP condizionale standard, metodi ad albero singolo) o falliscono nel coprire le regioni ad alta varianza (sottocopertura) o producono intervalli eccessivamente conservativi e ampi.
• Trial Randomizzato a Cluster PPACT: Applicato a un trial reale sulla gestione del dolore. C-SymmPI supera il metodo Split-CCI (Wang et al., 2024) producendo intervalli di previsione più brevi per gli effetti del trattamento, mantenendo una copertura valida e raggiungendo una frazione più alta di trattamenti benefici identificati (intervalli negativi).
• Rete di Citazioni Cora: In un'attività di classificazione assistita da rete, C-SymmPI produce insiemi di previsione più brevi rispetto alla previsione conformale split standard, mantenendo una copertura valida, dimostrando adattabilità all'incertezza predittiva (intervalli più brevi per previsioni ad alta confidenza).

Significato e Affermazioni

Il lavoro afferma che C-SymmPI colma un vuoto critico nella quantificazione dell'incertezza per dati strutturati. Passando dalla copertura marginale alla copertura quasi-condizionale sotto simmetrie di gruppo, il metodo fornisce insiemi di previsione più informativi e stabili che rispettano l'eterogeneità intrinseca di strutture di dati complesse (reti, cluster).

Gli autori sottolineano che il loro approccio non richiede forti assunzioni distribuzionali, rimanendo libero da distribuzioni mentre sfrutta le simmetrie strutturali dei dati. I risultati suggeriscono che per i professionisti che trattano dati gerarchici o in rete, C-SymmPI offre un'alternativa robusta ai metodi marginali esistenti, prevenendo l'occultamento dell'eterogeneità locale che si verifica spesso quando si media sull'intero dataset. Il framework è presentato come uno strumento generale che può essere adattato ad altri contesti strutturati (ad esempio, alberi, immagini) dove sono presenti simmetrie di gruppo.