Resumo Técnico: Inferência Preditiva Condicional para Dados Estruturados Gerais com Simetrias de Grupo

Declaração do Problema

O artigo aborda uma limitação fundamental na inferência preditiva livre de distribuições: a dependência de garantias de cobertura marginal versus a necessidade prática de cobertura condicional. Embora a previsão conformal padrão (Vovk et al., 2005) garanta que um conjunto de previsões cubra o alvo verdadeiro com probabilidade $1-\alpha$ em média sobre todas as realizações dos dados (cobertura marginal), ela frequentemente falha em fornecer uma quantificação válida da incerteza para subgrupos específicos ou realizações locais dos dados, particularmente em cenários heterogêneos.

Métodos existentes que tentam alcançar cobertura quase-condicional (por exemplo, Gibbs et al., 2025; Hore e Barber, 2024) geralmente dependem da suposição de troca (ou dados i.i.d.). No entanto, muitos conjuntos de dados estruturados do mundo real — como redes, dados agrupados e modelos hierárquicos — violam a troca global. Embora trabalhos recentes de Dobriban e Yu (2024) tenham introduzido o framework SymmPI para lidar com simetrias de grupo gerais além da troca, ele fornece apenas garantias de cobertura marginal. Isso deixa uma lacuna: não há nenhum método que simultaneamente lide com estruturas complexas de simetria de grupo (como redes ou clusters) e forneça garantias de cobertura condicional que se adaptem à heterogeneidade local.

Metodologia: C-SymmPI

Os autores propõem o C-SymmPI (Inferência Preditiva Simétrica Condicional), um framework unificado que estende a abordagem SymmPI para alcançar cobertura quase-condicional sob simetrias de grupo gerais.

Framework Central

1. Configuração Teórica de Grupos: Assume-se que os dados $Z$ são invariantes distribucionalmente sob uma ação de grupo $\rho$ de um grupo $G$ (ou seja, $Z \stackrel{d}{=} \rho(G)Z$ onde $G \sim U$, a medida de Haar). Isso generaliza a troca (onde $G$ é o grupo simétrico $S_n$) para estruturas como redes (grupos de automorfismo) e dados hierárquicos (grupos de permutação aninhados).
2. Aprendizado Adaptativo de Limiar: Diferentemente do SymmPI, que calcula um único limiar de quantil global sobre a órbita do grupo, o C-SymmPI aprende uma função de limiar adaptativa $t_z(\cdot)$. Esta função mapeia características de dados observados para um limiar, permitindo que o conjunto de previsões se adapte à heterogeneidade local.
3. Perspectiva de Multi-precisão Relaxada: O método reformula o requisito de cobertura condicional usando a perspectiva de multi-precisão (Hébert-Johnson et al., 2018). Em vez de exigir cobertura condicional exata para cada realização (o que é frequentemente impossível sem suposições distribucionais), o C-SymmPI minimiza o erro de não-cobertura sobre uma classe de funções especificada pelo usuário $\mathcal{F}$. Especificamente, ele garante:
   $$\left| \mathbb{E}_Z \left[ f(Z_{\text{obs}}) \left( \mathbb{1}\{Z \in \hat{C}(Z_{\text{obs}})\} - (1-\alpha) \right) \right] \right| \leq \varepsilon$$
   para todo $f \in \mathcal{F}$. Isso é alcançado resolvendo um problema de regressão de quantil regularizada sobre a órbita do grupo.

Variantes Algorítmicas para Eficiência

Para abordar desafios computacionais em espaços de alta dimensão e grupos grandes, duas variantes são introduzidas:

• C-SymmPI Projetado: Projeta os dados observados de alta dimensão $Z_{\text{obs}}$ em uma incorporação de dimensão inferior $\eta(Z_{\text{obs}})$ antes de aprender o limiar. Isso reduz a complexidade do problema de aprendizado de função.
• C-SymmPI Amostrado: Aproxima a expectativa de Haar (média de grupo) usando uma amostra finita de Monte Carlo de elementos do grupo. Isso é crucial para grupos infinitos ou muito grandes (por exemplo, grupos de rotação).

Garantias Teóricas

O artigo estabelece limites de cobertura quase-condicional sob duas configurações:

1. Invariância Distribucional: Quando os dados satisfazem estritamente a suposição de invariância de grupo.
2. Mudança de Distribuição: Quando a invariância é violada, o limite inclui um termo adicional proporcional à distância de Variação Total (TV) entre a distribuição verdadeira e a distribuição permutada.

Taxas de convergência são derivadas para classes de funções específicas:

• Classes de Funções Lineares: O erro decai a uma taxa de $O(d |H| / |G|)$, onde $d$ é a dimensão, $|G|$ é o tamanho do grupo e $|H|$ é o tamanho do subgrupo estabilizador.
• RKHS (Espaço de Hilbert de Funções de Núcleo Reprodutor): O erro decai a uma taxa de $O(1/\sqrt{|G|/|H|})$.

Contribuições Principais

1. Framework Unificado para Inferência Quase-Condicionada: O C-SymmPI é o primeiro framework a estender garantias de cobertura quase-condicional além do cenário i.i.d./troca para estruturas de dados gerais com simetrias de grupo (por exemplo, redes, clusters hierárquicos).
2. Generalização Teórica: Ele recupera resultados existentes de última geração para dados i.i.d. (Gibbs et al., 2025) como casos especiais, enquanto fornece novas garantias para estruturas não-trocaáveis.
3. Escalabilidade Computacional: O desenvolvimento de variantes Projetada e Amostrada permite a aplicação da inferência condicional a observações de alta dimensão e grandes/grupos de simetria infinitos.
4. Ampla Aplicabilidade: O framework é instanciado para:
   • Dados Trocaáveis: Recuperando a previsão conformal condicional.
   • Modelos Hierárquicos de Duas Camadas: Incluindo ensaios randomizados por cluster (ERCs), fornecendo garantias condicionais em ambos os níveis de cluster e individual.
   • Dados Estruturados em Rede: Adaptando-se à topologia da rede para inferência em nível de nó.

Resultados Empíricos

Os autores validam o C-SymmPI através de simulações numéricas e aplicações do mundo real:

• Simulações (Dados Hierárquicos): Em um modelo hierárquico de duas camadas com ruído heterogêneo, o C-SymmPI produz intervalos de previsão que se adaptam à variância local (mais estreitos em regiões de baixa variância, mais amplos em regiões de alta variância). Métodos concorrentes (SymmPI padrão, CP condicional padrão, métodos de árvore única) ou falham em cobrir regiões de alta variância (subcobertura) ou produzem intervalos excessivamente conservadores e amplos.
• Ensaio Randomizado por Cluster PPACT: Aplicado a um ensaio real sobre gerenciamento de dor. O C-SymmPI supera o método Split-CCI (Wang et al., 2024) produzindo intervalos de previsão mais curtos para efeitos de tratamento, mantendo cobertura válida e alcançando uma fração maior de tratamentos benéficos identificados (intervalos negativos).
• Rede de Citação Cora: Em uma tarefa de classificação assistida por rede, o C-SymmPI gera conjuntos de previsão mais curtos em comparação com a previsão conformal padrão dividida, mantendo cobertura válida, demonstrando adaptabilidade à incerteza de previsão (intervalos mais curtos para previsões de alta confiança).

Significado e Afirmações

O artigo afirma que o C-SymmPI preenche uma lacuna crítica na quantificação de incerteza para dados estruturados. Ao migrar da cobertura marginal para a cobertura quase-condicional sob simetrias de grupo, o método fornece conjuntos de previsão mais informativos e estáveis que respeitam a heterogeneidade inerente de estruturas de dados complexas (redes, clusters).

Os autores enfatizam que sua abordagem não requer suposições distribucionais fortes, permanecendo livre de distribuições enquanto aproveita as simetrias estruturais dos dados. Os resultados sugerem que, para profissionais lidando com dados hierárquicos ou em rede, o C-SymmPI oferece uma alternativa robusta aos métodos marginais existentes, prevenindo o mascaramento da heterogeneidade local que frequentemente ocorre ao fazer médias sobre todo o conjunto de dados. O framework é apresentado como uma ferramenta geral que pode ser adaptada a outros cenários estruturados (por exemplo, árvores, imagens) onde simetrias de grupo estão presentes.