Self-Supervised Conformal Prediction with Equivariant Bootstrapping for Image Uncertainty Quantification

Riepilogo Tecnico: Predizione Conformale Auto-Supervisionata con Bootstrap Equivariante per la Quantificazione dell'Incertezza nelle Immagini

Enunciato del Problema
I problemi di imaging inverso, definiti come il recupero di un segnale sottostante $x^\star$ da osservazioni rumorose $y = Ax^\star + \epsilon$, sono onnipresenti in campi scientifici come l'astronomia e la diagnostica medica. Questi problemi sono spesso mal posti, portando a soluzioni multiple plausibili e a un'incertezza significativa nella ricostruzione. Sebbene una Quantificazione dell'Incertezza (UQ) accurata sia fondamentale per un'analisi scientifica affidabile, i metodi esistenti affrontano due limitazioni principali:

1. Mancanza di Garanzie di Accuratezza: Molti metodi euristici di UQ mancano di rigore statistico.
2. Dipendenza dai Dati di Verità Terrena: I metodi statisticamente rigorosi, come la Predizione Conformale, richiedono tipicamente dati di verità terrena scambiabili per la calibrazione. In molti domini (ad esempio, la cosmologia), la verità terrena non è disponibile, è costosa da simulare o è soggetta a spostamenti di distribuzione rispetto alle osservazioni reali. Affidarsi a dati di calibrazione simulati può introdurre bias nascosti nelle inferenze scientifiche a valle.

Metodologia
Gli autori propongono un framework di UQ completamente auto-supervisionato che combina il Bootstrap Equivariante con gli Insiemi di Predizione a Controllo del Rischio (RCPS) calibrati tramite il Stimatore di Rischio Non Sbagliato di Stein (SURE). La metodologia procede come segue:

1. Bootstrap Equivariante:

   • Invece del bootstrap parametrico standard (che soffre di bias quando viene eseguito a partire da una singola stima puntuale), il metodo sfrutta le simmetrie nel compito di imaging.
   • Utilizza un insieme di trasformazioni invertibili $\mathcal{G}$ (ad esempio, rotazioni, riflessioni, spostamenti ciclici) che lasciano invariato lo spazio del segnale ma non commutano con l'operatore diretto $A$ o con il metodo di ricostruzione.
   • Le osservazioni di bootstrap vengono generate applicando trasformazioni casuali $T_{g_i} \in \mathcal{G}$ allo stimatore $\hat{x}(y)$, passandole attraverso il modello di rumore e invertendo la trasformazione. Ciò genera una distribuzione di campioni di bootstrap $\{\tilde{x}_i\}$ che riflette la variabilità della ricostruzione senza richiedere la verità terrena.

2. Calibrazione Auto-Supervisionata (RCPS con SURE):

   • Per convertire le regioni di bootstrap euristiche in insiemi di confidenza statisticamente rigorosi con copertura garantita, il framework impiega gli RCPS.
   • La Sfida: Gli RCPS richiedono un dataset di calibrazione per stimare il rischio (tasso di errore). Poiché la verità terrena non è disponibile, gli autori sostituiscono il vero punteggio di non conformità $s(x^\star, \hat{x})$ con una stima non distorta derivata dallo Stimatore di Rischio Non Sbagliato di Stein (SURE).
   • Punteggio di Non Conformità: Il punteggio è definito nello spazio delle misurazioni come $s_{A^\top A}(x^\star, \hat{x}(y)) = \frac{1}{m}\|Ax^\star - A\hat{x}(y)\|_2^2$.
   • Stima SURE: La formula SURE fornisce una stima non distorta di questo punteggio utilizzando solo l'osservazione $y$ e l'operatore di ricostruzione $\hat{x}(y)$:
     $$\text{SURE}(y) = \frac{1}{m}\|y - A\hat{x}(y)\|_2^2 - \text{tr}(\Sigma) + \frac{2}{m}\text{tr}\left(\Sigma \frac{\partial}{\partial y} A\hat{x}(y)\right)$$
   • Calibrazione: Un fattore di scala $\lambda$ viene determinato tramite un algoritmo di ricerca della radice per garantire che l'insieme di predizione $C_{\lambda; \alpha}$ soddisfi il vincolo di rischio $P(R(C) \le \alpha) \ge 1 - \delta$, dove il rischio è stimato empiricamente utilizzando i valori SURE.

Contributi Chiave

• Framework di UQ Auto-Supervisionato: Il documento introduce un metodo che genera una quantificazione dell'incertezza per immagine, statisticamente rigorosa, senza alcun dato di calibrazione di verità terrena, eliminando così i bias di spostamento di distribuzione tra gli insiemi di calibrazione e di osservazione.
• Integrazione di Bootstrap Equivariante e RCPS: Il lavoro combina la generazione di incertezza agnostica rispetto al metodo del bootstrap equivariante con le garanzie statistiche degli RCPS, raffinati dal SURE.
• Applicazione alla Mappatura di Massa per Lente Debole: Il framework è dimostrato sul problema inverso cosmologico di ricostruire i campi di convergenza della materia oscura dalle misurazioni di shear delle galassie. Questa applicazione è particolarmente sensibile ai bias di calibrazione, poiché i metodi esistenti spesso fanno affidamento su dati simulati legati a specifici modelli cosmologici.
• Agnosticismo Metodologico: Il framework di UQ è indipendente dal particolare algoritmo di ricostruzione utilizzato (ad esempio, Kaiser-Squires, deep learning, sparsità wavelet), fungendo da strato di calibrazione post-hoc.

Risultati Sperimentali
Il metodo è stato valutato su un compito di mappatura di massa per lente gravitazionale debole utilizzando mappe di convergenza fittizie del sondaggio COSMOS di 300$\times$300 pixel.

• Configurazione: Le ricostruzioni sono state eseguite utilizzando il metodo Kaiser-Squires. Il bootstrap equivariante ha generato 100 campioni per immagine utilizzando trasformazioni geometriche e filtri di shelving in frequenza.
• Calibrazione: Gli RCPS sono stati applicati con un tasso di errore target $\delta = 0.1$ utilizzando il SURE per la calibrazione.
• Prestazioni: Gli insiemi di predizione conformalizzati hanno tracciato da vicino la diagonale di copertura ideale attraverso vari livelli di confidenza.
• Confronto: L'approccio conformalizzato auto-supervisionato ha superato significativamente il bootstrap equivariante non conformalizzato e il bootstrap parametrico. Il bootstrap parametrico ha fornito una copertura trascurabile, non riuscendo a catturare un'adeguata variabilità di ricostruzione.

Significato e Affermazioni
Gli autori affermano che questo framework fornisce una soluzione robusta per l'UQ nell'imaging inverso in cui la verità terrena è inaccessibile. Evitando i dati di calibrazione simulati, il metodo previene l'introduzione di bias nascosti che potrebbero compromettere l'inferenza scientifica a valle, come la stima dei parametri cosmologici. L'approccio offre un'alternativa statisticamente rigorosa ai metodi esistenti che mancano di garanzie di accuratezza o che fanno affidamento su dataset simulati potenzialmente distorti.

Limitazioni
Il documento riconosce diverse limitazioni:

• Assunzione di Scambiabilità: Il passaggio di calibrazione presuppone l'accesso a multiple osservazioni estratte dalla stessa distribuzione. Nella mappatura di massa reale, viene spesso utilizzata una singola grande osservazione del cielo, e la generazione di emulazioni scambiabili da essa potrebbe non soddisfare perfettamente questa assunzione.
• Insensibilità allo Spazio Nullo: Il punteggio basato sul SURE è cieco agli errori nello spazio nullo dell'operatore diretto $A$. Sebbene questo sia meno critico per la mappatura di massa (dove $A$ è quasi a rango completo), potrebbe portare a una sottostima dell'incertezza in problemi inversi gravemente carenti di rango.
• Granularità: L'attuale framework quantifica l'incertezza a livello di immagine (MSE) piuttosto che fornire stime di incertezza per pixel, che sono comuni negli approcci supervisionati.
• Costo Computazionale: La generazione di numerosi campioni di bootstrap richiede algoritmi di ricostruzione efficienti.