Resumo Técnico: Predição Conformal Auto-Organizada (SOCP)

1. Definição do Problema

A predição conformal (CP) fornece garantias de cobertura marginal livre de distribuição e de amostra finita para qualquer escore de não conformidade fixo sob troca de ordem (exchangeability). No entanto, a validade marginal faz uma média sobre toda a distribuição de características, o que pode mascarar subcoberturas severas em subgrupos de segurança crítica (ex: diagnósticos raros ou regimes operacionais específicos). Embora métodos exatos de cobertura condicional livre de distribuição para cada valor de característica $x$ sejam teoricamente impossíveis sem produzir conjuntos não informativos, métodos práticos devem encontrar uma noção intermediária de localidade. As abordagens existentes geralmente dependem de distribuições ponderadas por kernel (introduzindo sensibilidade à largura de banda e alto custo computacional) ou agrupamentos supervisionados (que exigem rótulos). O desafio é descobrir grupos no espaço de entrada de forma não supervisionada para permitir a calibração local sem retreinar o preditor ou alterar o escore de não conformidade.

2. Metodologia: Predição Conformal Auto-Organizada (SOCP)

SOCP é um esquema de calibração que desacopla a descoberta de grupos do processo de calibração. Ele utiliza um Mapa Auto-Organizável (SOM) treinado de forma não supervisionada na representação de entrada fixa para particionar o espaço de características em uma grade finita de células protótipo.

Pipeline Central

1. Descoberta de Grupos Não Supervisionada: Um SOM é treinado no espaço de representação de entrada $\mathcal{X}$ (independente dos rótulos de calibração). Isso mapeia as entradas para uma grade de $K$ células protótipo $\{w_k\}_{k=1}^K$.
2. Atribuição da Unidade de Melhor Correspondência (BMU): Para qualquer entrada $x$, a BMU é determinada pelo protótipo que minimiza a distância $\|x - w_k\|^2$. Isso define uma partição rígida do espaço de entrada.
3. Recuperação do Buffer de Calibração Local: No tempo de teste, para uma consulta $x_{n+1}$, o SOCP recupera um buffer de calibração baseado em sua BMU $k^*$. Três regimes de recuperação são definidos:
   • Regime 1 (Apenas Célula BMU): Recupera pontos de calibração estritamente dentro da célula BMU $k^*$.
   • Regime 2 (Vizinhança Topológica Fixa): Recupera pontos da célula BMU e de seus vizinhos de grade fixos $N(k^*, r)$ (definidos pela distância de Chebyshev na grade).
   • Regime 3 (Ampliação de Protótipo): Recupera pontos baseados em uma ampliação de $L$-vizinhos mais próximos no espaço de protótipos.
4. Computação de Limiar: O limiar conformal é computado como o quantil de split-conformal padrão no buffer recuperado, em vez do conjunto de calibração agrupado total. O preditor e o escore de não conformidade permanecem inalterados.

Garantias Estatísticas

O artigo estabelece garantias de amostra finita baseadas no regime de recuperação:

• Validade Condicional à Célula (Regime 1): A validade exata mantém-se condicional à BMU $k^*$, desde que a célula esteja ativa (tenha pontos de calibração suficientes).
• Validez Condicional ao Conjunto de Recuperação (Regimes 2 e 3): A validade exata mantém-se condicional ao evento de que o ponto de teste caia dentro do conjunto de recuperação específico (ex: $k^* \in N(k, r)$).
• Validade Aproximada da Célula Central: Quando o limiar implantado (baseado em um buffer de vizinhança) é avaliado na célula central $k^*$, a garantia de cobertura é aproximada. O desvio da cobertura nominal é limitado por um termo de viés Kolmogorov-Smirnov (KS) $\varepsilon_k$, que mede a discrepância entre a distribuição do escore na célula central e a distribuição de mistura do vizinhança recuperada.
• Extensão de Roteamento Dividido (Split-Routed): Uma extensão é proposta onde um "roteamento de divisão" independente seleciona a ampliação do buffer antes da calibração, recuperando a validade exata condicional ao roteamento de divisão.

3. Principais Contribuições

1. Estrutura Algorítmica: Introdução do SOCP, um procedimento agnóstico a modelo e escore que combina o agrupamento não supervisionado do espaço de entrada (via SOM) com buffers de calibração por consulta. Ele suporta características tabulares e embeddings de imagem sem modificar o preditor subjacente.
2. Garantias Teóricas: Prova de validade de amostra finita para recuperação de célula única e validade de conjunto de recuperação fixo para buffers de vizinhança. O artigo quantifica explicitamente o compromisso entre estabilidade local e incompatibilidade distributiva via um termo de viés KS para cobertura da célula central.
3. Eficiência: Diferente dos localizadores baseados em kernel (ex: LCP) que exigem $O(n_{cal})$ operações por consulta, a recuperação do SOCP é $O(K)$ (onde $K$ é o número de células SOM), tornando-a independente do tamanho do conjunto de calibração no tempo de teste.
4. Suíte de Diagnóstico: Um framework de diagnóstico por célula, incluindo mapas de viés KS, mapas de hits de cobertura e mapas de buffer recuperado para identificar se as falhas regionais decorrem do erro do preditor, escassez de massa de calibração ou incompatibilidade da distribuição do escore.

4. Resultados Experimentais

O método foi avaliado em oito benchmarks (cinco regressão, três classificação) incluindo Bio, Bike Sharing, California Housing, Concrete, Auto MPG, CIFAR-10, Covertype e MNIST.

• Cobertura Regional: O SO-SCP (SOCP com escores de resíduo absoluto) reduziu a lacuna de cobertura ponderada regional (WCovGap) em 7 de 8 datasets em comparação com a Predição Conformal Dividida (SCP) padrão. A mudança relativa média pareada foi de $-7,1\%$.
• Tamanho do Conjunto de Predição: A redução na lacuna de cobertura veio acompanhada de um aumento médio no tamanho do conjunto de predição de $6,2\%$. No entanto, excluindo dois datasets com dados de calibração limitados (Concrete e Auto MPG), o aumento de tamanho caiu para $1,2\%$.
• Comparação com CQR: O SO-CQR (SOCP aplicado à Regressão de Quantis Conformalizada) mostrou resultados mistos. Como o CQR já absorve grande parte da heterogeneidade no escore, os ganhos marginais da recuperação local foram menores (mudança média de WCovGap de $-0,3\%$).
• Comparação com LCP: O SOCP superou a Predição Conformal Localizada (LCP) em uniformidade regional sem incorrer no overhead computacional da ponderação por kernel. Em tarefas de classificação, o SOCP reduziu significativamente o WCovGap mantendo tamanhos de conjunto comparáveis ao LCP.
• Modos de Falha: O artigo identifica um "regime de buffer esparso" (observado em Concrete e Auto MPG) onde pequenos conjuntos de calibração por vizinhança levam a limiares conservadores ou infinitos, anulando os ganhos de WCovGap.

5. Significância e Alegações

O artigo afirma que o SOCP fornece um mecanismo prático para calibração local por grupo com garantias de grupo fixo exatas e garantias de célula central aproximadas sem exigir partições supervisionadas ou retreinamento do preditor.

• Modéstia nas Alegações: Os autores afirmam explicitamente que a validade da célula central é aproximada, controlada pelo viés KS. Eles enfatizam que a grade SOM fornece uma "estrutura de localidade fixa" que é menos expressiva que a ponderação de kernel contínua, mas oferece inspetabilidade e eficiência computacional.
• Valor de Diagnóstico: A significância reside não apenas na melhoria da cobertura, mas na capacidade de diagnosticar onde e por que as falhas regionais ocorrem (ex: distinguindo problemas de variância em buffers pequenos de problemas de viés provenientes de incompatibilidades de escore).
• Limitações: Os autores reconhecem que a eficácia depende do design do mecanismo de localidade (tamanho da grade, raio de vizinhança, qualidade da representação). Eles observam que os mapas de KS empíricos são ferramentas diagnósticas e não garantias estritas, e que o método pode ter dificuldades em regimes com dados de calibração extremamente esparsos por grupo.

O trabalho posiciona o SOCP como uma ponte entre a calibração totalmente agrupada (que mascara erros regionais) e a cobertura condicional ponto a ponto (que é teoricamente impossível sem conjuntos não informativos), oferecendo uma abordagem ajustável e não supervisionada para melhorar a confiabilidade em regimes operacionais específicos.