Technische Samenvatting: Conditionele Voorspellende Inferentie voor Gestructureerde Data met Groepsymmetrieën

Probleemstelling

Het artikel adresseert een fundamentele beperking in distributie-vrije voorspellende inferentie: de afhankelijkheid van marginaliteitsgaranties versus de praktische behoefte aan conditionele dekking. Waar standaard conformale voorspelling (Vovk et al., 2005) garandeert dat een voorspellingsset de ware doelwaarde met een waarschijnlijkheid van $1-\alpha$ dekt, gemiddeld over alle data-realizaties (marginaliteitsdekking), faalt het vaak om geldige onzekerheidskwantificatie te bieden voor specifieke subgroepen of lokale realizaties van de data, met name in heterogene omgevingen.

Bestaande methoden die proberen bijna-conditionele dekking te bereiken (bijv. Gibbs et al., 2025; Hore en Barber, 2024), vertrouwen doorgaans op de aanname van uitwisselbaarheid (of i.i.d.-data). Veel real-world gestructureerde datasets—zoals netwerken, geklusterde data en hiërarchische modellen—schenden echter de globale uitwisselbaarheid. Hoewel recent werk van Dobriban en Yu (2024) het SymmPI-kader introduceerde om algemene groepsymmetrieën buiten uitwisselbaarheid te hanteren, biedt dit slechts marginaliteitsgaranties. Dit laat een gat: er is geen methode die tegelijkertijd complexe groepsymmetrische structuren (zoals netwerken of clusters) hanteert én conditionele dekkinggaranties biedt die zich aanpassen aan lokale heterogeniteit.

Methodologie: C-SymmPI

De auteurs stellen C-SymmPI (Conditionele Symmetrische Voorspellende Inferentie) voor, een unificerend kader dat de SymmPI-aanpak uitbreidt om bijna-conditionele dekking te bereiken onder algemene groepsymmetrieën.

Kernkader

1. Groepstheoretische Opzet: De data $Z$ wordt verondersteld distributie-invariant te zijn onder een groepswerking $\rho$ van een groep $G$ (d.w.z. $Z \stackrel{d}{=} \rho(G)Z$ waarbij $G \sim U$, de Haar-maat). Dit generaliseert uitwisselbaarheid (waarbij $G$ de symmetrische groep $S_n$ is) naar structuren zoals netwerken (automorfismegroepen) en hiërarchische data (geneste permutatiegroepen).
2. Adaptief Drempel-Leren: In tegenstelling tot SymmPI, dat een enkele globale kwantieldrempel over de groep-orbit berekent, leert C-SymmPI een adaptieve drempelfunctie $t_z(\cdot)$. Deze functie koppelt geobserveerde datakenmerken aan een drempel, waardoor de voorspellingsset zich kan aanpassen aan lokale heterogeniteit.
3. Gereduceerd Multi-accuraatheidsperspectief: De methode herformuleert de conditionele dekkingvereiste met behulp van het multi-accuraatheidsperspectief (Hébert-Johnson et al., 2018). In plaats van exacte conditionele dekking voor elke realisatie te vereisen (wat vaak onmogelijk is zonder distributie-aannames), minimaliseert C-SymmPI de fout in dekking over een door de gebruiker gespecificeerde functieklass $\mathcal{F}$. Specifiek wordt gegarandeerd:
   $$\left| \mathbb{E}_Z \left[ f(Z_{\text{obs}}) \left( \mathbb{1}\{Z \in \hat{C}(Z_{\text{obs}})\} - (1-\alpha) \right) \right] \right| \leq \varepsilon$$
   voor alle $f \in \mathcal{F}$. Dit wordt bereikt door een geregulariseerde kwantielregressie-probleem op te lossen over de groep-orbit.

Algorithmische Varianten voor Efficiëntie

Om rekenkundige uitdagingen in hoogdimensionale ruimten en grote groepen aan te pakken, worden twee varianten geïntroduceerd:

• Geprojecteerde C-SymmPI: Projecteert de hoogdimensionale geobserveerde data $Z_{\text{obs}}$ op een lagerdimensionale embedding $\eta(Z_{\text{obs}})$ voordat de drempel wordt geleerd. Dit vermindert de complexiteit van het functieleerprobleem.
• Gesteekproefde C-SymmPI: Benadert de Haar-verwachting (groepsgemiddelde) met behulp van een eindige Monte Carlo-steekproef van groepselementen. Dit is cruciaal voor oneindige of zeer grote groepen (bijv. rotatiegroepen).

Theoretische Garanties

Het artikel stelt bijna-conditionele dekking-grenzen vast onder twee scenario's:

1. Distributie-invariantie: Wanneer de data strikt voldoet aan de groepsinvariantie-aanname.
2. Distributieverplaatsing: Wanneer de invariantie wordt geschonden, bevat de grens een extra term evenredig met de Totale Variatie (TV)-afstand tussen de ware verdeling en de verplaatste verdeling.

Convergentiesnelheden worden afgeleid voor specifieke functieklassen:

• Lineaire Functieklassen: De fout neemt af met een snelheid van $O(d |H| / |G|)$, waarbij $d$ de dimensie is, $|G|$ de groepsgrootte en $|H|$ de grootte van de stabilisator-subgroep.
• RKHS (Reproducing Kernel Hilbert Space): De fout neemt af met een snelheid van $O(1/\sqrt{|G|/|H|})$.

Belangrijkste Bijdragen

1. Unificerend Kader voor Bijna-Conditionele Inferentie: C-SymmPI is het eerste kader dat bijna-conditionele dekkinggaranties uitbreidt buiten de i.i.d./uitwisselbare setting naar algemene datastructuren met groepsymmetrieën (bijv. netwerken, hiërarchische clusters).
2. Theoretische Generalisatie: Het herstelt bestaande state-of-the-art resultaten voor i.i.d.-data (Gibbs et al., 2025) als speciale gevallen, terwijl het nieuwe garanties biedt voor niet-uitwisselbare structuren.
3. Rekenkundige Schaalbaarheid: De ontwikkeling van Geprojecteerde en Gesteekproefde varianten maakt de toepassing van conditionele inferentie mogelijk op hoogdimensionale observaties en grote/oneindige symmetriegroepen.
4. Brede Toepasbaarheid: Het kader wordt geïnstancierd voor:
   • Uitwisselbare Data: Terugwinning van conditionele conformale voorspelling.
   • Tweelaags Hiërarchische Modellen: Inclusief cluster-gesrandomiseerde trials (CRT's), met conditionele garanties op zowel cluster- als individueel niveau.
   • Netwerk-gestructureerde Data: Aanpassing aan netwerktopologie voor inferentie op knooppuntniveau.

Empirische Resultaten

De auteurs valideren C-SymmPI via numerieke simulaties en real-world toepassingen:

• Simulaties (Hiërarchische Data): In een tweelaags hiërarchisch model met heterogene ruis produceert C-SymmPI voorspellingsintervallen die zich aanpassen aan lokale variantie (smaller in gebieden met lage variantie, breder in gebieden met hoge variantie). Concurrerende methoden (standaard SymmPI, standaard conditionele CP, single-tree methoden) falen ofwel om gebieden met hoge variantie te dekken (onderdekking) of produceren overmatig conservatieve brede intervallen.
• PPACT Cluster Randomized Trial: Toegepast op een real-world trial over pijnmanagement. C-SymmPI presteert beter dan de Split-CCI-methode (Wang et al., 2024) door kortere voorspellingsintervallen voor behandelingseffecten te produceren terwijl het geldige dekking behoudt en een hoger percentage geïdentificeerde gunstige behandelingen bereikt (negatieve intervallen).
• Cora Citation Network: In een door netwerken ondersteunde classificatietaken levert C-SymmPI kortere voorspellingssets op vergeleken met standaard gesplitste conformale voorspelling, terwijl het geldige dekking behoudt, wat aanpassingsvermogen aan voorspellingsonzekerheid demonstreert (kortere intervallen voor voorspellingen met hoog vertrouwen).

Betekenis en Claims

Het artikel beweert dat C-SymmPI een kritiek gat in onzekerheidskwantificatie voor gestructureerde data overbrugt. Door te bewegen van marginaliteit naar bijna-conditionele dekking onder groepsymmetrieën, biedt de methode informatiever en stabielere voorspellingssets die de inherente heterogeniteit van complexe datastructuren (netwerken, clusters) respecteren.

De auteurs benadrukken dat hun aanpak geen sterke distributie-aannames vereist, distributie-vrij blijft terwijl het de structurele symmetrieën van de data benut. De resultaten suggereren dat voor praktici die te maken hebben met hiërarchische of genetteerde data, C-SymmPI een robuust alternatief biedt voor bestaande marginaliteitsmethoden, waardoor het maskeren van lokale heterogeniteit wordt voorkomen dat vaak optreedt bij het middelen over de volledige dataset. Het kader wordt gepresenteerd als een algemeen hulpmiddel dat kan worden aangepast aan andere gestructureerde settings (bijv. bomen, afbeeldingen) waar groepsymmetrieën aanwezig zijn.