A Category-Theoretic Analysis of Conformal Prediction

Resumo Técnico: Uma Análise Categorical da Predição Conformal

Enunciado do Problema
A Predição Conformal (PC) é uma ferramenta estatística amplamente utilizada que gera regiões de previsão com garantias de cobertura de distribuição livre e amostra finita. No entanto, sua interpretação como uma ferramenta quantitativa de incerteza é frequentemente implícita. Embora a PC produza uma saída de valor de conjunto (a região de previsão), os mecanismos estruturais subjacentes a essa saída e sua relação com outros frameworks probabilísticos (Bayesiano, frequentista e probabilidade imprecisa) nem sempre são formalizados explicitamente. Além disso, a "quantidade" de incerteza é frequentemente reduzida ao tamanho geométrico da região, ignorando estruturas probabilísticas mais ricas que a PC pode codificar implicitamente.

Metodologia
O artigo emprega a Teoria das Categorias (TC) para fornecer uma análise estrutural da Predição Conformal Completa (PCC). O autor trata a PC não meramente como um algoritmo, mas como um morfismo (um mapa que preserva estrutura) dentro de categorias específicas de funções de valor de conjunto (correspondências). A análise repousa sobre três pilares matemáticos principais:

1. Teoria das Categorias: Utilizando conceitos de categorias, morfismos, funtores e diagramas comutativos para formalizar a composição de procedimentos estatísticos.
2. Análise de Valor de Conjunto: Analisando a PC através da lente da semicontinuidade superior (estabilidade) e mensurabilidade fraca (bom posicionamento probabilístico).
3. Probabilidade Imprecisa (PI): Utilizando conjuntos credais (conjuntos convexos e fechados de medidas de probabilidade) e Regiões de Densidade Mais Alta Imprecisas (IHDR) para representar incerteza além de distribuições de probabilidade únicas.

A inovação metodológica central é a decomposição do procedimento de PC em um diagrama comutativo, fatorando a construção direta de uma região de previsão em um processo indireto de dois passos: (1) extrair um conjunto credal dos dados e (2) derivar uma região de previsão a partir desse conjunto credal.

Principais Contribuições e Resultados

1. PC como um Morfismo e Fatoração Estrutural (Seção 3)
O artigo define duas categorias:

• $\mathbf{UHCont}$: Objetos são espaços topológicos; morfismos são correspondências semicontínuas superiores (capturando estabilidade).
• $\mathbf{WMeasuc}$: Objetos são espaços poloneses compactos; morfismos são correspondências mensuráveis fracamente, com valores uniformemente compactos (capturando mensurabilidade).

Teorema 7 estabelece que, sob condições de regularidade leves (espaço de resultados Hausdorff compacto, medidas de não-conformidade contínuas e uma condição de "sem empate" no nível de confiança $\alpha$), a correspondência de Predição Conformal Completa é um morfismo em ambas as categorias. Crucialmente, o artigo prova um resultado de diagrama comutativo:
$$\kappa_\alpha = \text{IHDR}_\alpha \circ \text{CRED}$$
onde:

• $\kappa_\alpha$ é a construção conformal direta.
• $\text{CRED}$ extrai um conjunto credal (um conjunto de medidas de probabilidade) dos dados.
• $\text{IHDR}_\alpha$ extrai a Região de Densidade Mais Alta Imprecisa de nível $\alpha$ do conjunto credal.

Significado: Esta fatoração demonstra que a PC é intrinsecamente equivalente a um procedimento indireto envolvendo um conjunto credal. Isso revela que a PC carrega uma camada "cardinal" implícita de quantificação de incerteza. Além do tamanho do conjunto de previsão, pode-se derivar resumos relevantes para decisão (por exemplo, probabilidades inferiores/superiores, perdas esperadas robustas) do conjunto credal induzido.

2. Unificando Raciocínio Bayesiano, Frequentista e Impreciso (Seção 4)
O artigo investiga a relação assintótica entre PC e previsão Bayesiana.
Teorema 11 mostra que, se a medida de não-conformidade for derivada de uma densidade preditiva posterior Bayesiana, a região de previsão conformal converge na distância de Hausdorff para o conjunto de nível correspondente da densidade preditiva Bayesiana.

• Resultado: Assintoticamente, o conjunto de nível da densidade Bayesiana, a região conformal direta e a rota indireta credal-IHDR tornam-se equivalentes não apenas como conjuntos, mas como procedimentos preditivos.
• Taxas Quantitativas: Proposição 14 fornece taxas de convergência quantitativas da ordem $O_P(n^{-1/2})$ sob suposições de regularidade de processo empírico local e fronteira.
• Significado: Isso formaliza a intuição de que a PC atua como um invólucro de validade de amostra finita em torno da previsão Bayesiana, conectando garantias de cobertura frequentistas com interpretabilidade Bayesiana e semânticas de probabilidade imprecisa.

3. Conexão com e-Posteriores (Seção 4.5)
O artigo identifica condições sob as quais construções de posterior superior se relacionam com e-posteriores (Grünwald [44]). Proposição 15 caracteriza quando um posterior superior é um e-posterior, esclarecendo as condições sob as quais representações baseadas em valores-e e conformais-imprecisas coincidem. Proposição 16 mostra ainda que, se o preditivo posterior superior coincidir com uma medida de probabilidade aditiva, o sistema deve degenerar para uma massa pontual, destacando a natureza distinta das representações baseadas em possibilidade (conformais) versus representações de probabilidade aditiva.

4. Functorialidade e Agregação Compatível com Privacidade (Seção 5)
O artigo formaliza o extrator IHDR como um funtor covariante da categoria de conjuntos credais (com morfismos de inclusão) para a categoria de subconjuntos do espaço de resultados.

• Teorema 17: O mapa $\text{IHDR}_\alpha$ é um funtor.
• Implicação: Isso produz um princípio de agregação compatível com privacidade. Em configurações federadas, agentes podem compartilhar objetos de resumo (conjuntos credais) em vez de dados brutos. Se esses resumos forem privatizados via aproximações externas (superconjuntos), a propriedade functorial garante que as regiões de previsão globais resultantes sejam conservadoras (elas não encolhem), preservando assim as garantias de cobertura sem expor dados brutos.

Significado e Alegações
O artigo alega que sua contribuição primária é uma unificação estrutural da Predição Conformal. Ao enquadrar a PC como um morfismo em categorias de correspondências, o trabalho:

• Torna explícita a incerteza quantitativa inerente à PC, indo além do mero tamanho da região para funcionais relevantes para decisão derivados de conjuntos credais.
• Fornece uma ponte principista entre frameworks probabilísticos Bayesiano, frequentista e impreciso, mostrando sua equivalência assintótica como procedimentos preditivos sob condições de regularidade.
• Oferece uma perspectiva modular e compatível com privacidade para aprendizado federado, onde a quantificação de incerteza é preservada através das propriedades functoriais de objetos de resumo em vez da troca de dados brutos.

O autor observa que, embora o framework seja desenvolvido para Predição Conformal Completa (o cenário mais limpo para fatoração categórica), os autores esperam que essas ideias se estendam à Predição Conformal Dividida/Indutiva, embora um tratamento sistemático seja deixado para trabalhos futuros. O artigo conclui sugerindo que essa abordagem baseada em teoria das categorias abre novas vias para estudar a estabilidade, aproximação e composição de funcionais estatísticos de valor de conjunto.