📊 statistics

Locally Adaptive Conformal Inference for Operator Models

本文引入了局部切片共形推理（Local Sliced Conformal Inference, LSCI），这是一种无分布假设的框架，为算子模型提供了具有有限样本有效性且局部自适应的函数值预测集，并在时空预测和物理仿真任务中展示出比现有共形基准模型更优越的紧凑性和鲁棒性。

原作者： Trevor Harris, Yan Liu

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Trevor Harris, Yan Liu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你是一名气象预报员。你不仅仅是预测“气温为 70°F”，而是需要预测未来 24 小时内地图上每一个点的温度。这是一个整个“场”（field）的预测，而不仅仅是一个数字。

问题在于，你的预测模型并不完美。有时它会差一点，有时会差很多。而且，这些“错误”并不是随机产生的；它们会根据你所处的位置以及当时的天气情况而变化。在某些地方，模型的精度很高；而在另一些地方，模型则表现得捉摸不定。

这篇论文介绍了一种名为 LSCI（局部切片符合推断，Local Sliced Conformal Inference） 的新工具，旨在帮助这些模型更诚实、更准确地承认自己的错误。以下是它的工作原理，通过简单的解释说明：

1. 问题所在：“一刀切”的雨伞

想象一下，你正在尝试预测天气，于是你决定使用一把巨大的、单一的雨伞，来覆盖你所有可能的错误。

标准方法（旧方法） 会观察模型过去在所有地方犯下的所有错误，并围绕它们画一个巨大的圆圈。它们会说：“我们有 90% 的把握确定真实的温度在这个大圆圈之内。”
缺陷在于： 这个圆圈在模型表现其实非常出色的地方往往太大了（浪费了空间），而在模型感到困惑的地方可能又显得太小了。它将平静的晴天与混乱的风暴同等对待，尽管模型在不同情况下的置信度应该是不同的。

2. 解决方案：一把“智能、变形”的雨伞

作者提出了 LSCI，它就像一把智能的、可以变形的雨伞，会根据你所处的精确位置以及当地的天气情况来改变其大小和形状。

LSCI 不再通过观察所有过去的错误来画一个大圆圈，而是只观察那些与你当前正在预测的情况相似的错误表现。

“局部”（Local）的部分： 如果你正在预测山谷中的一场风暴，LSCI 只会观察模型在其他山谷风暴中的表现。它会忽略模型在沙漠晴天里的表现。
“切片”（Sliced）的部分： 这是其中的巧妙之处。LSCI 衡量错误“大小”的方式不是像用尺子测量距离那样简单，而是从许多不同的角度（切片）去观察错误，就像从正面、侧面和顶面观察一朵云。
- 类比： 想象一团代表过去错误的弹珠云。标准的尺子可能只是测量它距离中心的距离。但 LSCI 意识到这团云在某个方向上像一根细长的香肠，而在另一个方向上像一个圆滚滚的球。通过“切片”，LCI 可以围绕它缠绕出一个紧凑的、定制形状的网，而不是一个松散的、圆形的毯子。

3. 它是如何工作的（“克诺克效应/替身”技巧）

为了确保这种局部方法在数学上是公平且不作弊的，作者使用了一个涉及“统计学替身（statistical knockoffs）”的巧妙技巧。

假设你有一个测试对象（你想预测的新天气模式）。
为了决定哪些过去的错误“足够相似”以供使用，该方法会为你的测试对象创建一个略微模糊的、“幽灵”版本。
然后它会询问：“哪些过去的错误看起来最像这个幽灵？”
通过使用这个幽灵，该方法确保不会意外地挑选出过于不同的错误，从而保持数学上的诚实和预测的可靠性。

4. 他们的发现

作者在几个现实世界的问题上测试了它：

空气质量： 预测城市内的污染水平。
能源需求： 预测全天电力使用曲线。
天气： 预测全球气温。

结果显示：

更紧密的网： LSCI 创建的预测“网”比旧方法要紧凑得多（更精确）。它不会在模型很有信心的区域浪费空间。
更好的形状： 网能够适应误差的形状。如果模型倾向于以特定的模式（如波动）出错，LSCI 会围绕这个波动进行缠绕。
鲁棒性（稳健性）： 即使当模型存在轻微偏差（总是猜高了一点）或数据发生意外变化时，LSCI 的表现也比其他方法更稳健。

总结

可以将 LSCI 理解为一种为气象预报员提供定制化盔甲，而不是一件巨大的、沉重的雨衣。

旧方法给了他们一件到处都太大、导致行动笨拙且不确定的雨衣。
LSCI 则在危险之处提供紧凑且具有保护性的盔甲，在安全之处提供轻便的装备。

这使得科学家和工程师能够更信任他们的预测，因为他们清楚地知道不确定性在哪里，以及不确定性的程度有多大，而不必被过度谨慎的猜测所困扰。

技术摘要：针对算子模型的局部自适应符合推理

问题陈述

算子模型是映射于巴拿赫函数空间之间的回归算法（ $\Gamma: \mathcal{F} \to \mathcal{G}$ ），广泛应用于时空预测、物理仿真和偏微分方程（PDE）逼近。这些应用中的一个关键挑战是不确定性量化（UQ）。与标量回归不同，算子模型需要函数值的预测集，而非标量区间。

标准的符合预测（Conformal Prediction, CP）依赖于数据的全局可交换性（global exchangeability）假设。然而，在现实世界的函数数据（如气候、能源需求、天气）中，这一假设经常被违反，表现为非平稳性、季节性漂移以及变化的输入结构。虽然现有的自适应 CP 方法通过加权校准得分或修改分位数来应对非平稳性，但它们通常假设一个全局得分几何结构（例如残差范数）。这种方法对于函数残差是失效的，因为函数的残差具有各向异性和结构化特征；基于范数的得分会产生球形预测区域，无法与残差变异性的真实形状相匹配。

方法论：局部切片符合推理 (LSCI)

作者提出了局部切片符合推理（Local Sliced Conformal Inference, LSCI），这是一个能够生成局部自适应、函数值预测集的无分布假设框架。与以往仅对分位数进行局部化的方法不同，LSCI 对**符合度得分分布（conformity score distribution）**本身进行局部化。

核心组件

局部可交换性框架：
该方法假设残差过程是局部可交换的（Campbell 等人，2019）。这意味着，尽管全局分布可能会发生漂移，但与相似输入（在预度量空间中）相关的残差具有近似可交换的分布。
$\Phi$ -深度得分：
LSCI 不使用标量范数，而是利用**函数数据深度（functional data depth）**来衡量残差的中心性。具体而言，它使用了 $\Phi$ -深度（Mosler & Polyakova, 2012），这是一种基于投影的深度。
- 将残差 $r$ 投影到一组线性泛函 $\Phi$ 上（例如，随机高斯切片）。
- 深度定义为这些投影中一元深度（例如，Tukey 半空间深度）的下确界：
  $D_\Phi(r | P) = \inf_{\phi \in \Phi} D(\phi(r) | \phi(P))$
- 这使得得分能够适应局部残差云的各向异性形状，而不是强制使用各向同性的（球形）几何结构。
局部得分构建：
对于测试输入 $f_{n+1}$ ，LSCI 使用相似性权重构建一个针对测试特定的经验残差分布。
- 敲克效应局部化（Knockoff Localization）：为了保持有限样本保证，权重是基于校准输入与测试输入的统计敲克效应（ $\tilde{f}_{n+1} = f_{n+1} + \epsilon$ ）之间的距离计算的，而非基于测试输入本身。
- 特征映射：局部化可以在原始输入空间或学习到的/转换后的特征空间（如 FPCA、傅里叶模态）中进行，以捕捉语义相似性。
- 切片方差归一化：为了处理异方差性，投影切片在进行深度计算前会使用测试特定的权重进行重缩放。
预测集形成：
- 该方法计算校准残差的局部符合度得分。
- 通过局部得分的第 $k$ 个顺序统计量来确定阈值（其中 $k = \lfloor \alpha(n+1) \rfloor$ ）。
- 预测集被定义为残差落在局部深度分布相应中心区域内的函数集合：
  $C_\alpha(f_{n+1}) = \{ \hat{\Gamma}(f_{n+1}) + r : D_\Phi(r | \hat{P}_{n+1}) \geq q_\alpha(f_{n+1}) \}$
采样：
由于预测集是函数空间中的隐式子集，作者使用一种结合了局部自适应函数主成分分析（FPCA）基底的采样算法（算法 1）。通过在加权投影坐标上进行逆变换采样，并剔除落在深度阈值之外的样本。

理论保证

论文在局部可交换性的条件下建立了有限样本有效性。

覆盖边界：作者推导出了一个关于覆盖差距的与数据相关的上界。该差距受残差的联合分布与其排列之间全变差距离的控制，而该距离由输入的预度量距离所限制（命题 3.1）。
有效性：在完全可交换的情况下，该方法实现精确的边际覆盖。在局部可交换的情况下，只要残差过程随输入预度量变化平滑，其覆盖率将保持在接近标称水平 $1-\alpha$ 的范围内。

实验结果

作者在合成高斯过程任务和三个现实应用场景（空气质量监测 PM2.5、能源需求预测、天气预测 ERA5 温度）上评估了 LSCI。

合成任务：LSCI 在各种局部化核函数、特征映射和带宽下均实现了接近标称的覆盖率。它展示了对超参数选择的鲁棒性。
与基准对比：与标准符合预测基准（Conf）、符合化集成带（Supr）以及深度算子模型（PONet, QONet, UQNO）相比，LSCI 在保持有效覆盖的同时，始终能产生更紧凑的预测集（较低的区间得分和带宽）。
- 在异方差设置中，LSCI 能够适应局部方差结构，而全局方法要么过于保守（过度覆盖），要么覆盖不足。
现实应用：
- 天气-ERA5：LSCI 捕捉到了全局阈值会平均掉的季节性和区域性误差结构，从而比非自适应方法产生了显著更低的区间得分。
- 鲁棒性：LSCI 在面对偏差预测和特定分布外噪声机制时表现出韧性，而基准方法在这些情况下会失效或需要过度扩张区间。
空间自适应性：可视化证实，LSCI 带状会变形以匹配局部的残差各向异性和季节性，从而提供符合物理现实的函数值不确定性。

重要性与主张

论文声称 LSCI 代表了算子学习领域的重大进展，原因如下：

弥合差距：它成功地将符合推理应用于标准范数得分失效的函数数据领域（因其存在各向异性）。
在得分层面实现局部化：通过对得分分布而非仅仅是对分位数进行局部化，LSCI 比现有的自适应 CP 方法更准确地建模了不确定性的几何结构。
无分布假设保证：即使在非平稳环境中，只要满足局部可交换性，它仍保留了符合推理严谨的、无分布假设的有限样本保证。
实际效用：它为从业者提供了函数值预测集，允许评估全局可靠性并识别不确定性集中的区域，这对于高风险的科学和工程应用至关重要。

局限性

作者承认存在以下局限性：

计算开销：测试时的局部化和采样（尤其是对于高分辨率场）会引入计算成本，尽管可以通过批处理和 GPU 计算来缓解。
隐式集合：预测集是通过深度隐式定义的；实际应用依赖于蒙特卡洛采样。虽然在实验中表现稳定，但复杂的或高分辨率的场可能需要改进的采样机制以避免伪影（例如，过度集中的样本）。
平滑性假设：该方法假设条件分布的变化是平滑的。突发性的变化或转折点可能会被局部核函数过度平滑，导致在这些特定区域的自适应性变差。