技術要約：距離空間における共形およびkNN予測不確実性定量化アルゴリズム

1. 問題の定義と動機

本論文は、応答変数 $Y$ が一般的な可分な距離空間 $(\mathcal{Y}, d_1)$ に存在し、予測子 $X$ が $\mathbb{R}^p$ に存在する回帰モデルにおける**予測不確一定量化（Predictive Uncertainty Quantification）**の課題に取り組んでいる。目的は、$X=x$ が与えられたときに、真の応答 $Y$ が確率少なくとも $1-\alpha$ で領域 $C_\alpha(x) \subset \mathcal{Y}$ 内に収まるような予測領域 $C_\alpha(x)$ を構築することである。

著者らは、既存の手法、特に**共形推論（Conformal Inference）**における特定の限界を特定している：

• 保守性（Conservatism）: 標準的な共形手法は、特に不均一分散（heteroscedastic）の設定や高次元空間において、過度に保守的な区間を生成することが多く、統計的効率の低下を招く。
• 滑らかさの仮定（Smoothness Assumptions）: 既存の距離空間アプローチ（例：Zhou and Müller [2025]）は、カーネル平滑化や微分可能性の仮定に依存しており、離散データや複雑な非ユークリッド構造に対しては制約が強い。
• スケーラビリティ（Scalability）: フル共形法や深さプロファイル（depth-profile）アプローチは、大規模なデータセットに対して計算コストが高い。
• 適用可能性（Applicability）: 多くの手法は、スカラー応答またはユークリッド予測子に限定されており、デジタルヘルスで一般的な「ランダムオブジェクト」（確率分布やグラフなど）を扱うことができない。

本論文は、強い滑らかさの仮定を課すことなく、有限標本での周辺被覆保証（均一分散の場合）および局所適応的な予測半径（不均一分散の場合）を提供し、かつ計算量的にスケーラブルなフレームワークを開発することを目的としている。

2. 手法

フレームワークでは、回帰関数 $m(x)$ を**条件付きフレシェ平均（Conditional Fréchet Mean）**として定義する：
$$m(x) = \arg\min_{y \in \mathcal{Y}} \mathbb{E}[d_1^2(Y, y) \mid X = x]$$
予測領域は、半径 $r(x)$ を持つ距離球 $C_\alpha(x) = B(m(x), r(x))$ として定義される。ここで、半径 $r(x)$ は距離 $d_2(Y, m(x))$ の条件付き分位点によって決定される。著者らは、二つの距離（$d_1$ は損失/回帰に使用、$d_2$ は予測領域の定義に使用）を区別することで、モデリングの柔軟性を可能にしている。

手法は、主に以下の3つのコンポーネントで構成される：

2.1 均一分散ケース：分割共形予測（Split Conformal Prediction）

著者らは、距離空間における**均一分散性（Homoscedasticity）**の概念を導入する：すなわち、距離 $d_2(Y, m(x))$ の分布が $x$ に依存しないことである。

• アルゴリズム: 分割共形アプローチが使用される。データを、中心 $\hat{m}(x)$ を推定するための訓練セット（$D_{train}$）と、グローバルな半径を推定するための較正セット（$D_{test}$）に分割する。
• 半径の推定: 半径は、較正スコア $\{d_2(Y_i, \hat{m}(X_i))\}_{i \in D_{test}}$ の経験的分位点として設定される。
• 保証: これにより、有限標本での周辺被覆保証 $P(Y \in \hat{C}_\alpha(X)) \geq 1-\alpha$ が得られる。
• 収束: 著者らは、フレシェ平均の推定の一貫性のみを要求するという緩やかな条件下で、一貫性と高速な収束率を証明している。

2.2 不均一分散ケース：局所kNN手順

誤差の条件付き分布が $x$ に依存する設定（不均一分散）では、グローバルな半径は非効率的である。

• アルゴリズム: **k近傍法（k-Nearest Neighbors, kNN）**アプローチが提案されている。新しい点 $x$ に対して、予測半径は $x$ の $k$ 近傍にある較正点のみを用いて推定される。
• データ駆動型の $k$ の選択: $k$（近傍サイズ）を選択するための新しい基準が導入されている。これは、グローバルな経験的被覆（全体の被覆が $1-\alpha$ に近いことを保証する）とローカルな経験的被覆（局所的な偏差を最小化する）のバランスを取るものである。アルゴリズムは、これらの制約を満たす最小の $k$ を選択する。
• 保証: この手法は有限標本での共形保証は提供しないが、著者らは漸近的一貫性を確立し、期待誤差に関する有限標本の理論的上界を導出している。この手法は、平滑化の仮定を回避し、予測子の局所的な幾何学的構造に適応する。

2.3 時系列への逐次的拡張

フレームワークは、定常性とエルゴード性の仮定の下で、距離空間値の時系列へと拡張される。

• 手法: **近傍探索によるエキスパート集約（Nearest-neighbor expert aggregation）**法が用いられる。履歴のラグブロックが現在の状態と比較され、条件付き残差の分位数を推定する。
• 集約: ローカルな分位点エキスパートを、ピンボール損失（pinball loss）に基づく指数重みを用いて組み合わせ、データ適応的な半径を生成する。
• 保証: この手法は、有限標本での保証ではなく、漸近的な時間平均較正（$\frac{1}{n}\sum P(Y_{t+1} \in \hat{C}_t) \to 1-\alpha$）の保証を提供する。

3. 主な貢献

1. 新しい均一分散性の定義: 距離空間に特化した均一分散性の定義を提供し、高速な収束率を持つ効率的な共形アルゴリズムの構築を可能にした。
2. 3つのアルゴリズムフレームワーク:
   • 均一分散距離空間のための分割共形アルゴリズム（有限標本での周辺保証付き）。
   • 平滑化の仮定なしに良好な条件付き較正を実現する、不均一分散設定のための局所kNNアルゴリズム。
   • 距離空間における時系列のための逐次的エキスパート集約法。
3. 理論的一貫性: 最小限の条件下での提案手法の一貫性と収束率の証明。
4. 計算効率: 提案手法は計算量的にスケーラブルであり、数百万の観測値を数秒で処理できる。これは、数時間の計算を要する深さプロファイル法とは対照的である。
5. 柔軟性: 提案フレームワークはあらゆる回帰アルゴリズム（例：ランダムフォレスト、グローバル・フレシェ回帰、kNN）と互換性があり、非ユークリッドな応答（分布、グラフ）および予測子を扱える。

4. 結果

4.1 シミュレーション研究

著者らは、スカラー対スカラー回帰および距離空間値の出力を用いてフレームワークを評価した。

• 性能: 不均一分散の設定（線形および非線形）において、提案された適応型kNN法は、CQR（Conformalized Quantile Regression）やZhou and Müller [2025] の深さプロファイル法と比較して、最も低い統合二乗条件付き誤差（ISCE）および最も高い最悪スライス被覆（WSC）を達成した。
• 均一分散の設定: グローバルな共形法はCQRと同等の性能を示し、均一分散の仮定が成立する場合の効率性を裏付けた。
• 効率性: 提案手法は、深さプロファイル法（$n=3000$ で50分）よりも大幅に高速（数秒）であった。
• 堅牢性: 不均一分散法は、共形較正が行われていない場合でも良好な周辺較正を維持したが、最悪スライス被覆に関する小標本での安定性が課題として指摘された。

4.2 実世界への応用

フレームワークは2つの生物医学データセットに適用された：

1. 形状解析（パーキンソン病）: 手書きの軌跡をランダムオブジェクトとして扱った。フレシェ中心を持つ参照領域を健康な対照群に対して構築した。パーキンソン病患者の軌跡は頻繁にこれらの領域の外側に位置しており、形状ベースのデジタルバイオマーカーとしての可能性を示した。
2. 分布値の血糖モニタリング: 連続血糖測定（CGM）データを2-ワッサースタイン空間における確率分布として表現した。グローバル・フレシェ回帰とkNN半径推定器を用い、年齢特異的な予測領域を構築した。結果として、予測領域（変動性）は加齢とともに拡大し、スカラーの要約統計量では見えない分布の変化を捉えていることが示された。

5. 意義と主張

本論文は、距離空間における不確実性定量化のための一般的、柔軟、かつ計算効率の高いフレームワークを提供すると主張している。その意義は以下の通りである：

• ギャップの解消: 既存の距離空間手法が持つ制約的な滑らかさの仮定に頼ることなく、共形予測と局所較正技術を非ユークリッド設定へと拡張した。
• 実用的な有用性: 複雑なランダムオブジェクト（分布、グラフ）を高速に処理できる能力は、現代のデジタルヘルスや個別化医療への適用に適している。
• 理論的な厳密性: 最小限の仮定の下で一貫性と収束率を確立し、漸近的のみの手法に対する堅牢な代替案を提供している。
• 適応性: データ駆動型の近傍サイズの選択により、局所的な不均一分散に適応でき、グローバルな手法が失敗する場面でも良好な条件付き較正を実現する。

著者らは、本手法が均一分散の場合には強い周辺保証を提供し、不均一分散の場合には良好な条件付き較引を実現するものの、高度に非球形の分布に対しては距離球の使用が保守的になる可能性があると謙虚に述べている。今後は、距離球を超えたより柔軟な予測領域の探索が示唆されている。