CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression

Each language version is independently generated for its own context, not a direct translation.

Imagine que você está pedindo uma previsão do tempo para amanhã. Um modelo de inteligência artificial (IA) tradicional diria: "Choverá com 90% de certeza". Mas ele não diria por que tem tanta certeza ou se está apenas chutando porque nunca viu chuva naquele dia.

O artigo CREDO apresenta uma nova maneira de fazer previsões que não apenas tenta adivinhar o futuro, mas também admite honestamente: "Eu não tenho certeza sobre isso porque falta informação".

Aqui está a explicação do método, usando analogias do dia a dia:

1. O Problema: A "Confiança Exagerada"

Imagine um professor que ensina matemática apenas com exemplos de números pares. Se você perguntar sobre números ímpares, ele pode tentar adivinhar e dar uma resposta muito específica, como se soubesse tudo. Isso é o que muitas IAs fazem em áreas onde não têm dados suficientes (chamado de extrapolação). Elas parecem confiantes, mas podem estar erradas.

Métodos antigos (Conformal Prediction): São como um guarda-chuva que sempre tem o mesmo tamanho. Se você está em uma tempestade forte (dados ruins), o guarda-chuva pode ser pequeno demais e você se molha. Se está num dia calmo, ele é enorme e desnecessário. Eles garantem que você não se molhe "em média", mas não avisam quando você está em perigo real.
Métodos de "Credal" (Imprecisão): São como um grupo de especialistas que diz: "Acho que vai chover, mas pode ser um aguaceiro ou uma garoa". Eles mostram uma faixa de possibilidades. O problema é que, às vezes, essa faixa é muito larga e não é confiável estatisticamente.

2. A Solução: O "Credal-then-Conformalize" (CREDO)

O CREDO combina o melhor dos dois mundos em duas etapas simples:

Etapa 1: O "Círculo de Especialistas" (Credal Envelope)

Primeiro, o sistema cria um "círculo de especialistas" (um conjunto de previsões possíveis).

A Analogia: Imagine que você quer saber o preço de uma casa em um bairro novo.
- Se há muitas casas vendidas por perto (muitos dados), os especialistas concordam: "Custa entre R $500k e R$ 550k". O intervalo é estreito.
- Se é um bairro deserto onde ninguém vendeu nada (poucos dados), os especialistas começam a divergir: "Pode ser R $300k, pode ser R$ 800k, depende de como o mercado vai". O intervalo se alarga.
O Truque do CREDO: Ele usa uma técnica de "poda" (trimming). Ele olha para todas as previsões possíveis e corta as mais extremas e bizarras, mantendo apenas as previsões "razoáveis" dos especialistas. Isso cria uma faixa de segurança que cresce automaticamente onde há menos dados.

Etapa 2: O "Seguro Estatístico" (Conformal Calibration)

Agora, o CREDO pega essa faixa que cresceu e aplica um "seguro" final.

A Analogia: Pense em um cinto de segurança. Mesmo que o carro tenha um sistema de segurança inteligente (o círculo de especialistas), você ainda precisa do cinto para garantir que, em caso de acidente, você estará protegido.
O CREDO usa dados de teste para calcular um "fator de segurança" extra. Ele garante que, matematicamente, a previsão final vai cobrir a realidade 90% das vezes (ou qualquer porcentagem que você escolher), não importa o quão estranhos sejam os dados.

3. O Grande Diferencial: "Decomposição da Incerteza"

A parte mais genial do CREDO é que ele não apenas dá a resposta final, mas explica por que a resposta é grande.

Ele divide o tamanho da previsão em três partes, como se fosse uma conta de luz:

Ruído Aleatório (Aleatoric): A parte que é impossível de prever (ex: o clima é naturalmente instável). É o "barulho de fundo".
Inflação Epistêmica (Epistemic): A parte que cresce porque falta informação. É o sinal de alerta: "Ei, estamos em um lugar onde não temos dados, então estamos aumentando a margem de erro por segurança".
Margem de Segurança (Calibration Slack): O pequeno extra que o "seguro estatístico" adiciona para garantir que a matemática funcione perfeitamente.

Por que isso é importante?

Em situações críticas (como prever o preço de ações, diagnosticar doenças ou dirigir carros autônomos), saber onde a IA está insegura é tão importante quanto a previsão em si.

Se o CREDO diz: "O preço será R$ 500k, mas nossa margem de erro é enorme porque não temos dados sobre esse tipo de carro", o usuário sabe que deve ter cautela.
Se o método antigo dissesse "R$ 500k" com uma margem pequena, o usuário poderia confiar cegamente e tomar uma decisão errada.

Resumo

O CREDO é como um navegador de GPS inteligente que não apenas diz "vire à direita", mas também avisa: "Estou dizendo para virar à direita porque os mapas mostram isso, mas se você estiver em uma estrada de terra onde não há sinal de GPS, eu vou aumentar o alerta e dizer 'vire à direita com muita cautela, pois não tenho certeza'".

Ele combina a honestidade de admitir o que não sabe (Credal) com a garantia matemática de que não vai falhar (Conformal), tudo isso de forma transparente e explicável.

Each language version is independently generated for its own context, not a direct translation.

Título: CREDO: Envelopes Credais Conformalizados Conscientes de Epistemicidade para Regressão

1. O Problema

A quantificação de incerteza (UQ) é fundamental em sistemas de aprendizado de máquina, especialmente quando as previsões orientam decisões críticas. No contexto de regressão, o objetivo é construir intervalos de previsão para uma resposta futura $Y_{n+1}$ dada uma covariável $X_{n+1}$ .

Existem duas abordagens principais que, tradicionalmente, operam de forma separada:

Previsão Conformal (CP): Oferece garantia de cobertura marginal livre de distribuição (distribution-free), mas seus intervalos podem parecer excessivamente confiantes (overconfident) em regiões onde o modelo está extrapolando ou onde há poucos dados de suporte. Isso ocorre porque as pontuações de não-conformidade padrão não representam explicitamente a incerteza epistêmica (incerteza devido à falta de informação), focando apenas na incerteza aleatória (ruído inerente aos dados).
Métodos Credais (Imprecise Probabilities): Representam a incerteza epistêmica através de conjuntos de distribuições plausíveis, tornando os efeitos epistêmicos visíveis (alargando o conjunto em regiões com pouca informação). No entanto, esses métodos são tipicamente baseados em modelos e carecem de garantias de calibração livre de distribuição.

O problema central abordado pelo artigo é a falta de um método que combine a interpretabilidade epistêmica dos métodos credais com as garantias de calibração rigorosas da previsão conformal, resultando em intervalos que se alargam adaptativamente em regiões de baixa densidade de dados sem perder a validade estatística.

2. Metodologia: O Framework CREDO

O CREDO (Conformalized Regression with Epistemic-aware creDal envelOpes) propõe uma receita de "credal-então-conformalize" (credal-then-conformalize). O método separa as funções de modelagem da incerteza epistêmica e da calibração estatística.

Passos Principais:

Construção do Envelope Credal (Incerteza Epistêmica):
- Parte-se de um conjunto credal local de distribuições preditivas condicionais, $\mathcal{F}_0(x)$ , que representa a incerteza sobre os parâmetros do modelo.
- O artigo propõe uma construção leve baseada em recorte de extremos posteriores (endpoint-trimmed posterior). Utilizando amostras do posterior (via Monte Carlo, por exemplo, com Dropout em Redes Neurais), calculam-se os extremos inferiores e superiores dos intervalos de quantis.
- Remove-se uma fração $\gamma$ dos extremos mais distantes (os mais "confiantes" ou "extremos") para formar um envelope credal $[\ell(x), u(x)]$ .
- Adaptatividade: O nível de recorte $\gamma$ pode ser fixo ou adaptativo, denotado por $\gamma(x)$ . Em regiões de baixa densidade de dados (escassez), $\gamma(x)$ é reduzido, mantendo mais massa posterior e alargando o envelope para refletir maior incerteza epistêmica. Em regiões densas, $\gamma(x)$ aumenta, resultando em envelopes mais estreitos e eficientes.
Calibração Conformal (Garantia de Cobertura):
- O envelope credal $[\ell(x), u(x)]$ não garante cobertura finita por si só.
- Aplica-se a calibração conformal dividida (split conformal) sobre este envelope.
- Define-se uma pontuação de não-conformidade baseada na distância ao envelope: $s(x, y) = \max\{\ell(x) - y, y - u(x)\}$ .
- Calcula-se o quantil de calibração $\hat{\tau}$ a partir de um conjunto de calibração separado.
- O intervalo final é dado por: $C(x) = [\ell(x) - \hat{\tau}, u(x) + \hat{\tau}]$ .

Decomposição da Incerteza

Uma característica inovadora é a capacidade de decompor a largura do intervalo final em três componentes interpretáveis:

Base Aleatória (Aleatoric Core): A incerteza inerente aos dados, estimada pela média posterior dos comprimentos dos intervalos centrais.
Inflação Epistêmica: O alargamento causado pelo conjunto credal (incerteza sobre o modelo/parâmetros).
Folga de Calibração: O termo $2\hat{\tau}$, que garante a cobertura marginal livre de distribuição.

3. Contribuições Chave

Abordagem Credal-para-Conformal: Propõe o primeiro framework que constrói explicitamente um conjunto credal dependente da covariável para modelar incerteza epistêmica local e, subsequentemente, aplica calibração conformal para garantir validade.
Construção Leve via Recorte de Extremos: Introduz um mecanismo escalável para gerar conjuntos credais a partir de amostras posteriores, sem modificar a maquinaria conformal subjacente.
Diagnóstico Interpretável: Permite decompor a incerteza do intervalo, distinguindo claramente entre ruído aleatório, ambiguidade do modelo (epistêmica) e ajuste estatístico.
Adaptatividade à Densidade de Dados: O uso de um $\gamma(x)$ baseado em uma pontuação de escassez (calculada via k-NN) permite que o método se adapte dinamicamente, alargando-se onde os dados são escassos e estreitando-se onde são abundantes.

4. Resultados Experimentais

O método foi avaliado em 12 benchmarks de regressão padrão, comparado com métodos de ponta como CQR (Conformalized Quantile Regression), UACQR e EPICScore.

Cobertura Marginal: O CREDO atingiu consistentemente o nível de cobertura alvo (90%), confirmando a validade conformal na prática.
Eficiência (SMIS): O CREDO (especialmente a variante adaptativa) foi competitivo ou superior em termos de Scaled Mean Interval Score (SMIS), indicando um melhor equilíbrio entre largura do intervalo e cobertura.
Adaptatividade a Outliers (ILR): O CREDO demonstrou superioridade na razão de comprimento de intervalos para outliers versus inliers (ILR). Ele alargou seletivamente os intervalos em regiões de baixa densidade de dados (outliers/extrapolação), enquanto mantinha intervalos estreitos em regiões densas, superando métodos que tratam a incerteza de forma uniforme.
Validação da Decomposição: A análise mostrou que, em regiões de escassez de dados, a proporção de incerteza epistêmica no intervalo total aumenta significativamente, validando a capacidade do método de isolar a ambiguidade do modelo do ruído aleatório.

5. Significado e Impacto

O CREDO representa um avanço significativo na interseção entre Probabilidade Imprecisa e Previsão Conformal.

Interpretabilidade: Resolve o problema de "caixa preta" em intervalos de previsão conformal, permitindo que os usuários entendam por que um intervalo é largo (devido a ruído, falta de dados ou calibração).
Segurança em Extrapolção: Ao explicitar a incerteza epistêmica, o método evita a falsa confiança em regiões onde o modelo está extrapolando, um risco crítico em aplicações de alto risco (saúde, finanças, controle autônomo).
Generalidade: A metodologia é agnóstica ao modelo base (funciona com QNN, BART, etc.) e pode ser estendida para classificação e saídas estruturadas.

Em resumo, o CREDO oferece uma solução prática e teoricamente fundamentada para gerar intervalos de previsão que são simultaneamente validados estatisticamente e interpretáveis epistemicamente, adaptando-se inteligentemente à disponibilidade de dados locais.