Resumo Técnico: Predição Conformal para Efeitos Causais de Tratamentos Contínuos

1. Formulação do Problema

O artigo aborda a necessidade crítica de Quantificação de Incerteza (UQ) em aprendizado de máquina causal, especificamente para tratamentos contínuos. Embora o ML causal seja amplamente utilizado em domínios críticos de segurança, como a medicina personalizada (ex: dosagem de quimioterapia), os métodos existentes tipicamente fornecem apenas estimativas pontuais, negligenciando a incerteza da predição.

Os autores identificam três desafios específicos ao aplicar a Predição Conformal (CP) a efeitos causais contínuos:

1. Mudança de Distribuição (Desafio a): Intervir em uma variável de tratamento altera a distribuição das covariáveis (especificamente o escore de propensão). Isso viola a suposição de permutabilidade (exchangeability) inerente à CP padrão, tornando os intervalos padrão inválidos entre as distribuições observacional e intervencional.
2. Escores de Propensão Desconhecidos (Desafio b): Em dados observacionais, o escore de propensão é desconhecido e deve ser estimado. Essa estimativa introduz incerteza adicional que os métodos de CP padrão não consideram, podendo levar à subcobertura.
3. Escassez de Dados para Valores Contínuos (Desafio c): Ao contrário de tratamentos binários, valores de tratamento contínuos específicos são raramente observados nos dados, tornando impossível a aplicação direta de métodos de CP discretos.

O objetivo é derivar intervalos de predição válidos em amostra finita $C(X_{n+1}, \diamond)$ para resultados potenciais $Y_{n+1}(\diamond)$ sob intervenções rígidas ($a^*$) ou intervenções suaves ($A^*(X_{n+1})$), mesmo quando o escore de propensão é desconhecido e estimado.

2. Metodologia

O método proposto estende a Predição Conformal de Divisão (Split Conformal Prediction) para lidar com mudanças de distribuição induzidas por intervenções e com a incerteza da estimativa de propensão.

Estrutura Central

O método utiliza um escore de não conformidade, tipicamente o resíduo $S_i = |Y_i - \phi(X_i, A_i)|$, onde $\phi$ é um modelo de aprendizado de máquina arbitrário. O objetivo é construir um intervalo tal que $P(Y_{n+1}(\diamond) \in C) \geq 1 - \alpha$.

Os autores distinguem dois cenários baseados na disponibilidade do escore de propensão $\pi(a|x)$:

Cenário 1: Escore de Propensão Conhecido

Quando a política observacional é conhecida (ex: em um ensaio randomizado ou configuração de política conhecida), a mudança é modelada como uma transição de $\pi(a|x)$ para $\pi(a+\Delta A|x)$.

• Abordagem: Os autores reformulam o problema como uma regressão de quantil aumentada. Eles definem uma classe de funções $\mathcal{F}$ que representa a mudança de propensão.
• Otimização: Eles derivam um problema de otimização dual (Teorema 4.2) para encontrar o $(1-\alpha)$-quantil dos escores de não conformidade sob a distribuição deslocada. Isso evita a inviabilidade de resolver para todos os possíveis escores imputados, aproveitando propriedades de dualidade forte.
• Resultado: O Teorema 4.2 fornece garantias de cobertura em amostra finita para resultados potenciais sob mudanças de propensão conhecidas.

Cenário 2: Escore de Propensão Desconhecido

Quando a política é desconhecida, o método deve lidar com intervenções rígidas ($a^*$) onde a propensão torna-se uma função delta de Dirac, e o escore $\pi$ deve ser estimado ($\hat{\pi}$).

• Suposição: O erro de estimativa é limitado de tal forma que a razão $c_a = \hat{\pi}/\pi$ reside em $[1/M, M]$ para alguma constante $M$.
• Suavização: Para lidar com a descontinuidade da função delta de Dirac, os autores a aproximam usando um kernel Gaussiano com variância $\sigma^2 \to 0$.
• Otimização: O problema é formulado como uma otimização não convexa (Eq. 18) envolvendo o parâmetro de suavização $\sigma$ e o limite de erro $c_a$.
• Garantia Teórica: Os autores provam (Lema 4.4) que o problema é invex do Tipo-I e satisfaz a Qualificação de Independência Linear de Restrições (LICQ). Isso permite o uso das condições de Karush-Kuhn-Tucker (KKT) para derivar a otimalidade global.
• Resultado: O Teorema 4.5 estabelece garantias de cobertura em amostra finita para escores de propensão desconhecidos, otimizando sobre os limites de incerteza e parâmetros de suavização.

3. Principais Contribuições

1. Método Inédito para Tratamentos Contínuos: A primeira proposta de intervalos de predição conformal para resultados potenciais de tratamentos contínuos, preenchendo a lacuna deixada pelos métodos existentes limitados a tratamentos binários/discretos.
2. Garantias de Amostra Finita sob Propensão Desconhecida: Derivação de intervalos de predição válidos que consideram a incerteza introduzida pela estimativa de escores de propensão, sem exigir suposições assintóticas.
3. Implementação Algorítmica: Um algoritmo eficiente (Alg. 1) para calcular esses intervalos usando formulações duais e condições KKT, evitando a busca por força bruta sobre escores imputados.
4. Validação Empírica: Demonstração de eficácia em conjuntos de dados sintéticos e do mundo real.

4. Resultados Experimentais

Os autores avaliaram seu método contra baselines incluindo MC Dropout, Deep Ensembles e regressão por Processos Gaussianos (GP).

• Datasets Sintéticos:

  • Fidelidade (Faithfulness): Os intervalos de CP propostos alcançaram cobertura empírica consistente com o nível de significância alvo ($1-\alpha$) através de várias intervenções suaves e rígidas.
  • Baselines: MC Dropout e Deep Ensembles mostraram cobertura significativamente menor (intervalos infiéis), frequentemente falhando em capturar o resultado real. A regressão GP forneceu cobertura válida apenas para mudanças de distribuição muito pequenas, mas falhou sob mudanças maiores devido aos intervalos estreitos.
  • Estabilidade: O método proposto exibiu baixa variabilidade na cobertura empírica em comparação com a alta variância observada no MC Dropout.

• Dataset do Mundo Real (MIMIC-III):

  • Tarefa: Predição de resultados de pressão arterial sob variações de duração de ventilação mecânica.
  • Observação: Os intervalos de CP refletiram corretamente a maior incerteza em regiões de tratamento com dados de treinamento esparsos (durações de ventilação elevadas). Em contraste, os intervalos de MC Dropout foram mais estreitos, sugerindo subcobertura nessas regiões críticas.

5. Significância e Alegações

O artigo afirma ser o primeiro a propor predição conformal para tratamentos contínuos onde o escore de propensão é desconhecido e deve ser estimado a partir dos dados.

• Aplicabilidade em Segurança Crítica: O método fornece garantias de validade em amostra finita, tornando-o adequado para aplicações de segurança crítica, como a medicina personalizada, onde garantias assintóticas (que podem falhar em amostras pequenas) são insuficientes.
• Agnosticismo de Modelo: A abordagem funciona com qualquer modelo de aprendizado de máquina $\phi$ para predição de resultados.
• Robustez à Mudança de Distribuição: Diferente da CP padrão, o método contabiliza explicitamente a mudança de distribuição causada pela intervenção, garantindo validade mesmo quando a distribuição de teste difere da distribuição de treinamento.
• Utilidade Prática: Os autores observam que, embora o método seja conservador (potencialmente gerando intervalos mais largos) quando a estimativa de propensão é ruim ou os dados são esparsos, esse conservadorismo garante a confiabilidade, prevenindo a perigosa subcobertura vista em outros métodos de UQ.

O trabalho preenche uma lacuna crítica no ML causal, permitindo a tomada de decisão confiável sob incerteza para variáveis de tratamento contínuas tanto em ambientes experimentais quanto observacionais.