Resumo Técnico: Algoritmos de Quantificação de Incerteza Preditiva Conformes e kNN em Espaços Métricos

1. Definição do Problema e Motivação

O artigo aborda o desafio da quantificação de incerteza preditiva para modelos de regressão onde a variável resposta $Y$ reside em um espaço métrico separável geral $(\mathcal{Y}, d_1)$, e o preditor $X$ está em $\mathbb{R}^p$. O objetivo é construir uma região de predição $C_\alpha(x) \subset \mathcal{Y}$ tal que a verdadeira resposta $Y$ caia dentro desta região com probabilidade de pelo menos $1-\alpha$, dado $X=x$.

Os autores identificam limitações específicas em métodos existentes, particularmente na inferência conforme:

• Conservadorismo: Métodos conformes padrão frequentemente produzem intervalos excessivamente conservadores, especialmente em configurações heterocedásticas ou espaços de alta dimensão, levando a uma perda de eficiência estatística.
• Suposições de Suavidade: Abordagens de espaço métrico existentes (ex: Zhou e Müller [2025]) dependem de suavização por kernel e suposições de diferenciabilidade, que são restritivas para dados discretos ou estruturas não euclidianas complexas.
• Escalabilidade: Métodos conformes completos e abordagens de perfil de profundidade (depth-profile) são computacionalmente caros para grandes conjuntos de dados.
• Aplicabilidade: Muitos métodos são limitados a respostas escalares ou preditores euclidianos, falhando em lidar com "objetos aleatórios" como distribuições de probabilidade ou grafos, comuns na saúde digital.

O artigo visa desenvolver um framework que forneça garantias de cobertura marginal em amostra finita (em casos homocedásticos) e raios de predição localmente adaptáveis (em casos heterocedásticos) sem impor suposições fortes de suavidade, mantendo-se computacionalmente escalável.

2. Metodologia

O framework define a função de regressão $m(x)$ como a média de Fréchet condicional:
$$m(x) = \arg\min_{y \in \mathcal{Y}} \mathbb{E}[d_1^2(Y, y) \mid X = x]$$
A região de predição é definida como uma bola métrica $C_\alpha(x) = B(m(x), r(x))$, onde o raio $r(x)$ é determinado pelo quantil condicional da distância $d_2(Y, m(x))$. Os autores distinguem entre duas métricas: $d_1$ (usada para perda/regressão) e $d_2$ (usada para definir a região de predição), permitindo flexibilidade de modelagem.

A metodologia é dividida em três componentes principais:

2.1 Caso Homocedástico: Predição Conforme Dividida (Split Conformal Prediction)

Os autores introduzem uma noção de homocedasticidade em espaços métricos: a distribuição da distância $d_2(Y, m(x))$ é independente de $x$.

• Algoritmo: É utilizado um método de predição conforme dividida. Os dados são divididos em um conjunto de treinamento ($D_{train}$) para estimar o centro $\hat{m}(x)$ e um conjunto de calibração ($D_{test}$) para estimar um raio global.
• Estimativa do Raio: O raio é definido pelo quantil empírico dos escores de calibração $\{d_2(Y_i, \hat{m}(X_i))\}_{i \in D_{test}}$.
• Garantias: Isso resulta em uma garantia de cobertura marginal em amostra finita: $P(Y \in \hat{C}_\alpha(X)) \geq 1-\alpha$.
• Convergência: Os autores provam consistência e taxas de convergência rápidas (impulsionadas pelo erro de estimativa da média de Fréchet e do quantil) sob condições brandas, exigindo especificamente apenas a consistência do estimador da média de Fréchet.

2.2 Caso Heterocedástico: Procedimento kNN Local

Para configurações onde a distribuição condicional dos erros depende de $x$ (heterocedasticidade), um raio global é ineficiente.

• Algoritmo: Um método de k-Vizinhos Mais Próximos (kNN) é proposto. Para um novo ponto $x$, o raio de predição é estimado usando apenas os pontos de calibração no vizinhança de $k$-vizinhos mais próximos de $x$.
• Seleção de $k$ Baseada em Dados: Um novo critério é introduzido para selecionar o tamanho da vizinhança $k$. Ele equilibra a cobertura empírica global (garantindo que a cobertura total esteja próxima de $1-\alpha$) e a cobertura empírica local (garantindo que desvios locais sejam minimizados). O algoritmo seleciona o menor $k$ que satisfaz essas restrições.
• Garantias: Embora este método não forneça garantias conformes de amostra finita, os autores estabelecem consistência assintótica e derivam limites superiores de erro esperado em amostra finita. O método evita suposições de suavidade e se adapta à estrutura geométrica local do espaço do preditor.

2.3 Extensão Sequencial para Séries Temporais

O framework é estendido para séries temporais com valores em espaços métricos sob suposições de estacionariedade e ergodicidade.

• Método: Um método de agregação de especialistas de vizinho mais próximo é utilizado. Blocos de defasagem histórica (lag blocks) são comparados ao estado atual para estimar os quantis de resíduos condicionais.
• Agregação: Especialistas de quantis locais são combinados usando pesos exponenciais baseados na perda pinball para produzir um raio adaptável aos dados.
• Garantias: O método fornece uma garantia de calibração de média temporal assintótica ($\frac{1}{n}\sum P(Y_{t+1} \in \hat{C}_t) \to 1-\alpha$), em vez de garantias de amostra finita.

3. Principais Contribuições

1. Nova Definição de Homocedasticidade: Uma definição de homocedasticidade adaptada para espaços métricos, permitindo a construção de algoritmos conformes eficientes com taxas de convergência rápidas.
2. Três Frameworks Algorítmicos:
   • Um algoritmo de predição conforme dividida para espaços métricos homocedásticos com garantias marginais de amostra finita.
   • Um algoritmo kNN local para configurações heterocedásticas que alcança boa calibração condicional sem suposições de suavidade.
   • Um método de agregação de especialistas sequencial para séries temporais em espaços métricos.
3. Consistência Teórica: Provas de consistência para os estimadores propostos sob condições mínimas (mais fracas do que as exigidas na literatura euclidiana).
4. Eficiência Computacional: Os métodos propostos são computacionalmente escaláveis, capazes de processar milhões de observações em segundos, contrastando com métodos de perfil de profundidade que exigem horas para conjuntos de dados menores.
5. Flexibilidade: O framework é compatível com qualquer algoritmo de regressão (ex: Florestas Aleatórias, Regressão de Fréchet Global, kNN) e lida com respostas não euclidianas (distribuições, grafos) e preditores.

4. Resultados

4.1 Estudo de Simulação

Os autores avaliaram o framework em regressão escalar-sobre-escalar e resultados com valores em espaços métricos.

• Desempenho: Em configurações heterocedásticas (lineares e não lineares), o método kNN adaptativo proposto alcançou o menor Erro Condicional Quadrático Integrado (ISCE) e a maior Cobertura de Pior Fatia (WSC) em comparação com competidores como a Regressão Quantílica Conformalizada (CQR) e o método de perfil de profundidade de Zhou e Müller [2025].
• Configurações Homocedásticas: O método conforme global apresentou desempenho competitivo com o CQR, confirmando sua eficiência quando a suposição de homocedasticidade é válida.
• Eficiência: Os métodos propostos foram significativamente mais rápidos (segundos vs. 50 minutos para $n=3000$) que a abordagem de perfil de profundidade.
• Robustez: O método heterocedástico manteve uma boa calibração marginal mesmo sem calibração conforme, embora a estabilidade de amostra pequena para a cobertura de pior fatia tenha sido notada como uma limitação.

4.2 Aplicações no Mundo Real

O framework foi aplicado a dois conjuntos de dados biomédicos:

1. Análise de Forma (Doença de Parkinson): Trajetórias de escrita foram tratadas como objetos aleatórios. O método construiu regiões de referência centradas em Fréchet para controles saudáveis. Trajetórias de pacientes com Parkinson frequentemente caíram fora dessas regiões, ilustrando o potencial de biomarcadores digitais baseados em forma.
2. Monitoramento de Glicose com Valores de Distribuição: Dados de Monitoramento Contínuo de Glicose (CGM) foram representados como distribuições de probabilidade no espaço 2-Wasserstein. Usando regressão de Fréchet Global e o estimador de raio kNN, os autores construíram regiões de predição específicas para a idade. Os resultados mostraram que as regiões de predição (variabilidade) se alargam com a idade, capturando mudanças distributivas não visíveis em resumos escalares.

5. Significância e Alegações

O artigo afirma fornecer um framework geral, flexível e computacionalmente eficiente para quantificação de incerteza em espaços métricos. Sua significância reside em:

• Preenchimento da Lacuna: Estende a predição conforme e técnicas de calibração local para configurações não euclidianas sem depender das restritivas suposições de suavidade dos métodos de espaço métrico existentes.
• Utilidade Prática: A capacidade de lidar com objetos aleatórios complexos (distribuições, grafos) com computação rápida torna o framework adequado para aplicações modernas de saúde digital e medicina personalizada.
• Rigor Teórico: Estabelece consistência e taxas de convergência sob condições mínimas, ofereando uma alternativa robusta aos métodos puramente assintóticos.
• Adaptabilidade: A seleção de dados para o tamanho da vizinhança permite que o método se adapte à heterocedasticidade local, melhorando a calibração condicional onde métodos globais falham.

Os autores notam modestamente que, embora o método forneça fortes garantias marginais em casos homocedásticos e boa calibração condicional em casos heterocedásticos, o uso de bolas métricas pode ser conservador para distribuições altamente não esféricas. Sugere-se que trabalhos futuros explorem regiões de predição mais flexíveis além das bolas métricas.