技術要約：空間事象に対する多様体制約付き共形予測

問題定義

熱帯低気圧、地震、森林火災などの自然災害は、連続的な場（フィールド）としてではなく、離散的で空間的に組織化された事象の構成（点群）として現れる。これらの事象の数、位置、および空間的配置は、複合災害や極端な災害のリスク評価において極めて重要である。しかし、これらの現象の予測には特有の課題が存在する：

1. 可変的なカーディナリティ（個数）: 事象の構成に含まれる個数が変化するため、標準的な残差ベースの適合度スコア（例：$y - \hat{y}$）を定義することが困難である。
2. 較正（キャリブレーション）の欠如: 現代の予測システム（気候モデル、深層学習アンサンブルなど）は、構成の分布を生成するが、それらが較正されている保証はない。例えば、90パーセンタイル値のアンサンブルが、必ずしも真のイベント雲に対して90%の被覆率を持つとは限らない。
3. 物理的な非妥当性: すべての分布の空間上で定義される標準的な共形予測領域は、基礎となるデータ多様体に由来する制約を欠いているため、物理的に不可能な構成（例：海洋の真ん中で発生する地震や、非熱帯緯度で形成されるサイクロン）を含んでしまうことが多い。

最高密度領域（HDR）エスティメータやベイズ事後分布などの既存手法は、任意のモデルに対して事後的な被覆保証を提供できないか、あるいは、成立しているとは限らない特定のパラメトリックな仮定を必要とする。

手法

著者らは、空間的な点群に対して較正された予測セットを生成するために、確率測度の空間上で動作する**多様体制約付き共形予測（Manifold Constrained Conformal Prediction）**フレームワークを提案している。

1. 表現とスコアリング

• 経験的測度: 点群 $Y$ は経験的測度 $\mu_Y = \frac{1}{|Y|}\sum \delta_y$ として表現され、これをワッサースタイン空間 $P_2(S^2)$ へ埋め込む。これにより、異なるカーディナリティを持つ点群同士の比較が可能になる。
• 適合度スコア: 観測されたターゲットとモデル予測との間の不一致は、**球面スライス・ワッサースタイン（SSW）**距離 $SSW_2(\mu_Y, f(X))$ を用いて測定される。この指標は球面の測地学的幾何学を尊重し、モンテカルロ法による大円への投影を通じて計算量 $O(n \log n)$ で実行可能である。
• 周囲領域: 標準的な分割共形予測領域は、予測値の周囲に半径 $\tau_\alpha$ のSSW球として構築される：$C^{amb}_\alpha = \{Y : S(Y, f(X)) \leq \tau_\alpha\}$。これは、交換可能性の下で被覆 $P(Y_{n+1} \in C^{amb}_\alpha) \geq 1-\alpha$ を保証する。

2. 多様体による制限

物理的に不適切な構成を排除するため、本手法は予測セットを、訓練データの近傍に支持される空間のサブセットである多様体 $\mathcal{M}$ に制限する。

• 経験的多様体: 真の多様体は未知であるため、訓練ターゲット $D_0$ によって近似される。「多様体不一致」$d_M(Y)$ は、候補となるクラウド $Y$ から訓練クラウド $D_0$ 内のいずれかのクラウドへの最小SSW距離として定義される。
• チューブ制約: 経験的なチューブを定義するために許容誤差 $\epsilon$ が導入される。最終的な予測セットは、周囲の共形球とこのチューブの積集合となる：
  $$C_\alpha(X) = \{Y : S(Y, f(X)) \leq \tau_\alpha, \ d_M(Y) \leq \epsilon\}$$
• 被覆保証: 著者らは、この積集合の被覆に関する下界を導出している。積集合によって集合のサイズは減少するものの、$\epsilon$ が訓練データを適切にカバーするように選択されている限り、被覆のギャップは小さく、訓練データのサイズに対して指数関数的に減衰することが示されている。

3. 制約付きフローベース・サンプリング

得られる集合 $C_\alpha$ は解析的に扱いやすいため、著者らはその境界からサンプリングするための**制約付き勾配流（constrained gradient flow）**を導入している。

• 速度場: 時間インデックスを持つ候補クラウド $Y(t)$ は、常微分方程式（ODE）を介して進化する。速度場 $v(y)$ は、適合度スコア $S(y)$ を $\tau_\alpha$ へ、そして多様体不一致 $d_M(y)$ を $\epsilon$（外側にある場合）へと同時に駆動するように導出される。
• 最適化: 速度は、スコアと多様体不一致の勾配によって定義される線形システムの最小ノルム解であり、これにより、余分なドリフトを引き起こすことなく、軌道が多様体制限領域の境界に収束することを保証する。
• アンサンブル生成: これらのサンプラーのシーケンスを周辺化することで、本手法は、地理学的に一貫したイベントクラウドのアンサンブルとして表現される、較正された予測分布を生成する。

主な貢献

1. 新しい共形フレームワーク: 最適輸送（SSW）を用いた、球面上での空間的点群に特化した初の共形予測手法。
2. 多様体制約: 予測セットを物理的に妥当な領域に制限するための経験的多様体制約の導入。これは、分布予測において一般的な「オフ・マニフォールド（多様体外）」のサンプル問題に対処するものである。
3. 理論的保証: 多様体制約付き集合の被覆下界を導出し、制約の許容誤差 $\epsilon$ と被覆確率とのトレードオフを定量化した。
4. サンプリングアルゴリズム: 共形被覆保証と多様体制約の両方を満たすアンサンブルを生成する、改良されたフローベース・サンプリング手順。

結果

手法は、合成データ（均質ポアソン過程、スパイラル、非均質ポアソン過程、ホークス過程）および実世界の地球物理学的データ（熱帯低気圧の発生およびカリフォルニアの地震）を用いて評価された。

• 被覆率: 本手法は、すべての合成および実世界の環境において、ほぼ名目通りの被覆率（例：$\alpha=0.1$ に対して ~90%）を達成する。経験的な被覆率は、$\epsilon$ が訓練データをカバーするように保守的に設定されている限り、SSWのスライス数や較正サイズに対して頑健であることが示されている。
• 予測スキル（エネルギー距離）: 制約付き速度場（CVF）は、制約なしのフローベース手法（VF）および標準的なベースライン（HDR、拡散モデル、正規化流、VAE）と比較して、一貫して低いエネルギー距離（ED）を達成している。
• 多様体への適合性: CVFは、制約なしの手法（Diffusion等）と比較して、大幅に低い多様体距離（MD）を実現している。
  • 熱帯低気圧の予測において、CVFは観測された海域に予測を集中させるが、制約なしの手法（Diffusionなど）は、EDを最小化するために無効な領域（例：大西洋中央部）へ質量を広げる傾向があり、結果として高いMDを示す。
  • 地震予測において、イベントが断層線に厳密に限定される中、CVFは制約なしのフロー（1.79）と比較して低いMD（0.19）を維持し、予測が地球物理学的に妥当であることを保証する。
• ベースラインとの比較: 生成モデル（Diffusion）は、時に競争力のあるEDを示すこともあるが、物理的な多様体を尊重することには失敗することが多い。HDR手法は有効な領域を提供するが、提案された共形アプローチのような柔軟な較正保証を欠いている。

意義

空間的事象の不確実性を定量化するには、スカラーの要約や制約なしの分布予測を超えたアプローチが必要であると本論文は主張している。提案された手法は、あらゆる予測モデルに対して適用可能な事後的な較正手順を提供し、交換可能性の下での被覆を保証し、かつ予測セットが地球物理学的に一貫していることを保証する。予測をデータ多様体に制約することで、本手法は、制約なしの生成モデルが陥りがちな「物理的に不可能なシナリオ」の包含を避け、統計的に妥当であるだけでなく、リスク評価において実行可能な不確実性集合を生成する。このアプローチは、厳格な統計的被覆保証と、自然災害モデリングに内在する物理的制約との間の溝を埋めるものである。