Riepilogo Tecnico: ACOPULA – Inferenza di Copule Archimedee tramite AD in Modalità Taylor

Enunciato del Problema

Il documento affronta tre limitazioni critiche negli strumenti esistenti per l'adattamento di copule Archimedee nidificate, una classe di modelli essenziale per catturare la dipendenza gerarchica nell'analisi di sopravvivenza, in finanza e in contesti di rischio clinico:

1. Censura per Variabile: Gli strumenti esistenti gestiscono generalmente solo problemi bivariati, tempi di censura condivisi o casi a bassa dimensionalità ($d \le 10$). Non riescono ad accommodare maschere di censura destra arbitrarie $\delta \in \{0, 1\}^d$ in cui variabili diverse in una singola osservazione possono essere censurate indipendentemente. Questo è comune nei dati delle terapie intensive (ad es. MIMIC-IV) dove le misurazioni di laboratorio sono censurate alla dimissione a tempi diversi.
2. Nidificazione e Generatori Arbitrari: Le implementazioni attuali (ad es. il pacchetto copula di R) si basano su tabelle di numeri di Stirling derivate manualmente per un insieme fisso di cinque generatori classici e supportano solo due livelli di nidificazione. Non possono gestire strutture ad albero arbitrarie, nidificazioni di famiglie miste o generatori definiti dall'utente (come le copule Archimedee neurali).
3. Gradienti Esatti dei Parametri: L'adattamento di modelli ad alta dimensionalità senza differenziazione automatica esatta costringe a fare affidamento su metodi privi di derivata, differenze finite o approssimazioni Monte Carlo (ad es. Stima di Massima Verosimiglianza Simulata, SMLE). Questi approcci soffrono di scarsa scalabilità, bias o alta varianza, in particolare all'aumentare della dimensionalità.

L'ostacolo matematico fondamentale è che la verosimiglianza per una copula nidificata con censura richiede la valutazione di una derivata parziale mista della funzione di distribuzione cumulativa (CDF) della copula. Per un albero di generatori composti, ciò comporta il calcolo di polinomi di Bell parziali di derivate di ordine superiore di composizioni di generatori. I metodi esistenti o codificano questi polinomi per famiglie specifiche o ricorrono a un'enumerazione combinatoria che scala esponenzialmente.

Metodologia: ACOPULA

Gli autori presentano ACOPULA, un framework nativo JAX che risolve queste barriere tramite Differenziazione Automatica (AD) in Modalità Taylor e potenziamento polinomiale.

Algoritmo Principale

Il framework calcola la densità della copula nidificata e i suoi gradienti tramite una ricorsione dal basso verso l'alto che sostituisce le tabelle di polinomi di Bell derivate manualmente con un singolo calcolo differenziabile:

1. AD in Modalità Taylor (Propagazione dei Jet): Invece di chiamate AD del primo ordine nidificate (che scalano come $O(2^n)$), il framework utilizza l'AD in modalità Taylor per calcolare il vettore delle derivate di ordine superiore (jet) di ogni composizione di generatori $h = \psi^{-1}_{outer} \circ \psi_{inner}$ in un singolo passaggio in avanti. Ciò produce i coefficienti dello sviluppo in serie di Taylor della composizione dell'arco.
2. Potenziamento Polinomiale per i Polinomi di Bell: I polinomi di Bell parziali $B_{n,k}$ richiesti dalla formula di densità di Hofert e Pham [2013] sono calcolati elevando il vettore dei coefficienti di Taylor a potenze successive tramite convoluzione troncata.
   • Sia $p(\epsilon)$ la funzione generatrice esponenziale delle derivate dell'arco.
   • Il coefficiente di $\epsilon^n$ in $p(\epsilon)^k$ è proporzionale a $B_{n,k}$.
   • Convolgendo iterativamente il vettore di Taylor con se stesso, il framework recupera tutti i valori necessari dei polinomi di Bell senza enumerazione combinatoria o tabelle specifiche per famiglia.
3. Gestione della Censura: La censura è trattata come un'operazione di primo livello. Una foglia censura inizializza il suo vettore di contributo come $\alpha = [1]$ (l'identità per i prodotti di Cauchy), mentre una foglia non censura utilizza $\alpha = [0, 1]$. Questo meccanismo riduce automaticamente la dimensionalità effettiva dei passaggi di potenziamento polinomiale e prodotto di Cauchy in ogni nodo antenato, permettendo all'algoritmo di gestire maschere di censura arbitrarie $\delta$ senza ricompilazione.
4. Stabilità Numerica: Per prevenire underflow/overflow in alte dimensioni (ad es. $d=98$), l'implementazione opera nel dominio logaritmico utilizzando aritmetica log-sum-exp con segno e ridimensionamento per indice. Per coppie di generatori senza inversi in forma chiusa, risolve equazioni implicite utilizzando gradienti del teorema della funzione implicita per evitare cancellazioni catastrofiche.

Complessità

• Caso peggiore: $O(d^3)$ per alberi a profondità fissa.
• Ottimizzato: $O(d^2)$ per alberi decomposti in $\sqrt{d}$ (dove ogni sottoalbero non radice ha al massimo $O(\sqrt{d})$ foglie non censurate).
• Il framework scala quadraticamente nella pratica per topologie bilanciate, raggiungendo dimensioni fino a $d=8.000$.

Contributi Chiave

1. Inferenza Agnostica rispetto alla Famiglia: Il framework deriva densità e gradienti esatti automaticamente per qualsiasi generatore definito dall'utente (classico o neurale), eliminando la necessità di formule derivate manualmente.
2. Censura per Variabile: Supporta maschere di censura per osservazione arbitrarie direttamente nella ricorrenza principale, superando le restrizioni bivariate o a tempo condiviso degli strumenti precedenti.
3. Scalabilità: Raggiunge una scalabilità $O(d^2)$ per alberi bilanciati, validata empiricamente fino a $d=8.000$, e fornisce un'accelerazione di $\sim 650\times$ rispetto al nacLL di R a $d=35$.
4. Implementazione Open-Source: ACOPULA è rilasciato come pacchetto JAX con un'API semplice per densità di copule nidificate, gradienti e diagnostica di validità.
5. Campionamento: Come sottoprodotto, il framework abilita il campionamento pratico della distribuzione condizionata (campionamento di Rosenblatt) per queste copule, precedentemente bloccato dalla difficoltà di calcolare derivate di ordine superiore.

Risultati Sperimentali

Gli autori validano ACOPULA attraverso estese simulazioni e quattro esperimenti su dati reali:

• Correttezza: Il recupero dei parametri su copule Clayton nidificate simulate ($d \in \{10, 20, 50\}$) mostra un bias $< 2,7\%$ e errori standard empirici corrispondenti agli errori standard osservati-Fisher. I valori di densità concordano con il nacLL di R entro $< 10^{-14}$ e con le derivate simboliche di Mathematica fino a $d=60$.
• MIMIC-IV ($d=53$): Adattamento di copule Archimedee nidificate su 85.229 ricoveri in terapia intensiva con censura per variabile. Sono state adattate con successo sia famiglie classiche (Clayton, Frank, Gumbel) che copule Archimedee nidificate neurali (ACNet, Gen-AC). I generatori neurali hanno superato quelli classici, con ACNet che ha ottenuto la migliore verosimiglianza negativa di holdout (NLL) con soli 70 parametri.
• S&P 500 ($d=98$): Adattamento di un modello gerarchico a 11 settori sui rendimenti giornalieri. Questa dimensione è oltre la portata del nacLL di R (che si interrompe oltre $d=40$). Il modello Gumbel nidificato ha catturato la dipendenza di coda a livello di settore coerente con i dati empirici.
• Studio sulla Retinopatia: Ha dimostrato la stima di massima verosimiglianza (MLE) censurata agnostica rispetto alla famiglia su dieci famiglie Archimedee, cinque delle quali non avevano alcuna implementazione censurata precedente.
• Riproduzione di HACSurv: Il framework ha riprodotto esattamente i risultati della pipeline di copule neurali HACSurv sul dataset di Framingham, validando il meccanismo di densità contro un solver iterativo basato sul teorema della funzione inversa.

Significato

Il documento afferma che ACOPULA unifica l'inferenza delle copule Archimedee nidificate sotto un'unica pipeline differenziabile. Sostituendo slice limitate e codificate manualmente con famiglie arbitrarie, profondità di nidificazione arbitrarie e derivate parziali miste ad alta dimensionalità, abbassa la barriera per i praticanti in sopravvivenza, finanza e affidabilità per costruire modelli di dipendenza espressivi, interpretabili e consapevoli della censura. Il lavoro abilita l'inferenza di verosimiglianza esatta in regimi in cui gli strumenti precedenti si basavano su approssimazioni biasate o fallivano completamente a causa della dimensionalità.