Self-Supervised Conformal Prediction with Equivariant Bootstrapping for Image Uncertainty Quantification

Resumo Técnico: Predição Conformal Auto-supervisionada com Bootstrap Equivariante para Quantificação de Incerteza em Imagens

Enunciado do Problema
Problemas de imageamento inverso, definidos como a recuperação de um sinal subjacente $x^\star$ a partir de observações ruidosas $y = Ax^\star + \epsilon$, são ubíquos em campos científicos como astronomia e diagnósticos médicos. Esses problemas são frequentemente mal-postos, levando a múltiplas soluções plausíveis e incerteza significativa de reconstrução. Embora a Quantificação de Incerteza (UQ) precisa seja crítica para uma análise científica confiável, os métodos existentes enfrentam duas limitações primárias:

1. Falta de Garantias de Precisão: Muitos métodos heurísticos de UQ carecem de rigor estatístico.
2. Dependência de Verdade Terrena: Métodos estatisticamente rigorosos, como a Predição Conformal, tipicamente requerem dados de verdade terrena trocáveis para calibração. Em muitos domínios (por exemplo, cosmologia), a verdade terrena está indisponível, é cara para simular ou é propensa a desvios de distribuição em relação às observações reais. Confiar em dados de calibração simulados pode introduzir vieses ocultos nas inferências científicas a jusante.

Metodologia
Os autores propõem um quadro de UQ totalmente auto-supervisionado que combina Bootstrap Equivariante com Conjuntos de Predição com Controle de Risco (RCPS) calibrados via Estimador de Risco Não Viesado de Stein (SURE). A metodologia procede da seguinte forma:

1. Bootstrap Equivariante:

   • Em vez do bootstrap paramétrico padrão (que sofre de viés ao fazer bootstrap a partir de uma única estimativa pontual), o método aproveita as simetrias na tarefa de imageamento.
   • Utiliza um conjunto de transformações invertíveis $\mathcal{G}$ (por exemplo, rotações, reflexões, deslocamentos cíclicos) que deixam o espaço de sinais invariante, mas não comutam com o operador direto $A$ ou com o método de reconstrução.
   • Observações de bootstrap são geradas aplicando transformações aleatórias $T_{g_i} \in \mathcal{G}$ ao estimador $\hat{x}(y)$, passando-as pelo modelo de ruído e invertendo a transformação. Isso gera uma distribuição de amostras de bootstrap $\{\tilde{x}_i\}$ que reflete a variabilidade de reconstrução sem exigir verdade terrena.

2. Calibração Auto-supervisionada (RCPS com SURE):

   • Para converter regiões de bootstrap heurísticas em conjuntos de confiança estatisticamente rigorosos com cobertura garantida, o quadro emprega RCPS.
   • O Desafio: O RCPS requer um conjunto de dados de calibração para estimar o risco (taxa de erro). Como a verdade terrena está indisponível, os autores substituem a pontuação de não-conformidade verdadeira $s(x^\star, \hat{x})$ por uma estimativa não viesada derivada do Estimador de Risco Não Viesado de Stein (SURE).
   • Pontuação de Não-Conformidade: A pontuação é definida no espaço de medição como $s_{A^\top A}(x^\star, \hat{x}(y)) = \frac{1}{m}\|Ax^\star - A\hat{x}(y)\|_2^2$.
   • Estimação SURE: A fórmula SURE fornece uma estimativa não viesada dessa pontuação usando apenas a observação $y$ e o operador de reconstrução $\hat{x}(y)$:
     $$\text{SURE}(y) = \frac{1}{m}\|y - A\hat{x}(y)\|_2^2 - \text{tr}(\Sigma) + \frac{2}{m}\text{tr}\left(\Sigma \frac{\partial}{\partial y} A\hat{x}(y)\right)$$
   • Calibração: Um fator de escala $\lambda$ é determinado via um algoritmo de busca de raiz para garantir que o conjunto de predição $C_{\lambda; \alpha}$ satisfaça a restrição de risco $P(R(C) \le \alpha) \ge 1 - \delta$, onde o risco é estimado empiricamente usando os valores SURE.

Principais Contribuições

• Quadro de UQ Auto-supervisionado: O artigo introduz um método que gera quantificação de incerteza por imagem estatisticamente rigorosa sem qualquer dado de calibração de verdade terrena, eliminando assim vieses de desvio de distribuição entre os conjuntos de calibração e observação.
• Integração de Bootstrap Equivariante e RCPS: O trabalho combina a geração de incerteza agnóstica ao método do bootstrap equivariante com as garantias estatísticas do RCPS, refinadas pelo SURE.
• Aplicação a Mapeamento de Massa por Lente Fraca: O quadro é demonstrado no problema inverso cosmológico de reconstruir campos de convergência de matéria escura a partir de medições de cisalhamento de galáxias. Esta aplicação é particularmente sensível a vieses de calibração, pois os métodos existentes frequentemente dependem de dados simulados vinculados a modelos cosmológicos específicos.
• Agnosticismo Metodológico: O quadro de UQ é independente do algoritmo de reconstrução específico utilizado (por exemplo, Kaiser-Squires, aprendizado profundo, esparsidade em wavelets), servindo como uma camada de calibração post-hoc.

Resultados Experimentais
O método foi avaliado em uma tarefa de mapeamento de massa por lente gravitacional fraca usando mapas de convergência simulados do levantamento COSMOS de 300$\times$300 pixels.

• Configuração: As reconstruções foram realizadas usando o método Kaiser-Squires. O bootstrap equivariante gerou 100 amostras por imagem usando transformações geométricas e filtros de prateleira de frequência.
• Calibração: O RCPS foi aplicado com uma taxa de erro alvo $\delta = 0.1$ usando SURE para calibração.
• Desempenho: Os conjuntos de predição conformalizados rastrearam de perto a diagonal de cobertura ideal em vários níveis de confiança.
• Comparação: A abordagem conformalizada auto-supervisionada superou significativamente o bootstrap equivariante não conformalizado e o bootstrap paramétrico. O bootstrap paramétrico forneceu cobertura negligenciável, falhando em capturar variabilidade de reconstrução adequada.

Significado e Alegações
Os autores afirmam que este quadro fornece uma solução robusta para UQ em imageamento inverso onde a verdade terrena é inacessível. Ao evitar dados de calibração simulados, o método previne a introdução de vieses ocultos que poderiam comprometer a inferência científica a jusante, como a estimativa de parâmetros cosmológicos. A abordagem oferece uma alternativa estatisticamente rigorosa aos métodos existentes que ou carecem de garantias de precisão ou dependem de conjuntos de dados simulados potencialmente enviesados.

Limitações
O artigo reconhece várias limitações:

• Pressuposto de Trocabilidade: A etapa de calibração assume acesso a múltiplas observações extraídas da mesma distribuição. No mapeamento de massa do mundo real, frequentemente é usada uma única grande observação do céu, e gerar emulações trocáveis a partir dela pode não satisfazer perfeitamente este pressuposto.
• Insensibilidade ao Núcleo: A pontuação baseada em SURE é cega a erros no núcleo do operador direto $A$. Embora isso seja menos crítico para mapeamento de massa (onde $A$ é quase de posto completo), pode levar a uma subestimação da incerteza em problemas inversos severamente de posto deficiente.
• Granularidade: O quadro atual quantifica a incerteza no nível da imagem (MSE) em vez de fornecer estimativas de incerteza por pixel, que são comuns em abordagens supervisionadas.
• Custo Computacional: A geração de numerosas amostras de bootstrap requer algoritmos de reconstrução eficientes.