Conflict Forecasting via Conformal Prediction for Markov Processes

以下是论文《基于共形预测的马尔可夫过程冲突预测》的详细技术总结。

1. 问题陈述

本文解决了随时间推移预测国家冲突动态（如和平、升级、战争、降级）的挑战。

• 核心问题： 传统的点预测（预测单一的未来状态序列）不足以支持高风险的政策决策，因为错误的代价极其巨大。决策者需要以预测集（合理结果的集合）形式提供的不确定性量化。
• 统计挑战： 大多数现有的不确定性量化方法（如共形预测 (CP)）依赖于数据点可交换性的假设。然而，冲突数据具有时间性，被建模为马尔可夫过程，其中观测值依赖于先前的状态，从而违反了可交换性假设。
• 目标： 开发一种利用马尔可夫过程生成未来冲突状态序列有效预测集的方法，相较于传统的基于似然的方法，该方法对模型误设具有更强的鲁棒性。

2. 方法论

作者提出了一种框架，通过利用部分可交换性的概念，将共形预测适配于离散状态马尔可夫过程。

A. 数据表示

• 状态： 冲突被建模为具有四个状态的离散状态马尔可夫过程：(1) 和平时期，(2) 升级，(3) 战争，(4) 降级。
• 数据： 输入是观测状态序列 $\{X_t\}_{t=1}^T$。目标是预测长度为 $T_1$ 的未来序列。

B. 共形预测 (CP) 的适配

标准 CP 假设单个观测值具有可交换性。由于马尔可夫数据不可交换，作者采用了 Nettasinghe 等人 (2023) 的方法：

1. 部分可交换性： 算法不再对单个时间点进行排列，而是将状态序列作为可交换性的单位。
2. i-块 (i-Blocks)： 增强序列（校准数据 + 提议的未来序列）被分解为"i-块”。i-块是指以状态 $i$ 开始且不再包含状态 $i$ 的序列片段。
3. 置换群： 算法生成这些 i-块的置换群。如果提议的未来序列与校准数据结合后，可以通过置换使其看起来像原始数据且不改变转移计数，则它在部分意义上被视为“可交换的”。
4. 算法：
   • 对于每一个可能的未来序列，算法基于估计的转移矩阵下该序列的似然性计算非一致性分数。
   • 它置换增强序列的 i-块以生成分数分布。
   • 通过将原始序列的分数与置换后的分数进行比较，计算p 值。
   • p 值大于显著性水平 $\alpha$ 的序列被包含在预测集 $C_{1-\alpha}$ 中。

C. 基线比较：基于似然的预测

作者将他们的 CP 方法与标准的基于似然的方法进行了比较：

• 将马尔可夫模型拟合到校准数据以估计转移概率矩阵 ($\hat{P}$)。
• 通过选择最高概率的序列，直到累积概率质量达到 $1-\alpha$，来构建预测集。
• 局限性： 该方法假设模型被正确设定，如果模型被误设，则无法提供有限样本保证。

3. 主要贡献

1. CP 对马尔可夫过程的适配： 本文通过利用 i-块置换实现部分可交换性，成功将共形预测应用于时间依赖数据，绕过了严格的可交换性要求。
2. 对模型误设的鲁棒性： 与基于似然的方法不同，CP 方法无论底层马尔可夫模型是否被完美设定，都能提供有限样本边际覆盖保证。
3. 处理长期不确定性： 研究表明，CP 在长期预测范围内保留了轨迹不确定性，而基于似然的方法倾向于收敛到平稳分布，可能会遗漏罕见但关键的事件（如突然升级）。
4. 实证验证： 该方法通过蒙特卡洛模拟进行了验证，并应用于乌普萨拉冲突数据项目 (UCDP) 的真实世界冲突数据，涵盖 191 个国家（1990–2025 年）。

4. 结果

模拟研究

• 校准： CP 方法产生的经验覆盖率与目标置信水平高度吻合（例如，90% 目标 $\approx$ 90% 实际），适用于所有预测长度 ($T_1$)。
• 似然过度覆盖： 在较低置信水平下，基于似然的方法倾向于过度覆盖（产生比必要更大的集合），因为状态空间的离散性意味着少数高概率序列捕获了大部分质量。
• 集合构成： 随着预测范围 ($T_1$) 的增加，基于似然的集合收敛于马尔可夫链的平稳分布，丢失了关于特定起始轨迹的信息。CP 集合保持多样化，反映了特定路径的不确定性。

真实数据分析 (UCDP)

• 覆盖率： 应用于 86 个拥有足够冲突数据的国家，CP 保持了接近名义的覆盖率。基于似然的方法再次在低置信水平下显示出过度覆盖。
• “零概率”问题： 一个关键发现在于 $1-\alpha = 1.00$ 时。如果估计的转移矩阵对训练数据中未出现的转移分配了零概率，基于似然的方法将无法覆盖真实序列（覆盖不足）。CP 避免了这一点，因为它基于置换有效性而非严格的模型概率来评估序列，从而能够包含“未见过的”但合理的转移。
• 案例研究（埃塞俄比亚、中非共和国等）：
  • 对于处于持续冲突中的国家，随着预测范围延长（例如 12 个月），基于似然的方法预测冲突将迅速回归和平（收敛于平稳分布）。
  • CP 方法保持了冲突持续的高概率，更好地符合这些地区观察到的冲突持久性。

5. 局限性与未来工作

• 主导状态下的效率： 当校准数据几乎完全由单一状态组成时（例如，处于永久和平的国家），CP 方法的效率会降低。在这些情况下，非主导状态的"i-块”数量降至零或一，导致算法为了满足覆盖保证而接受大量不太可能的序列。
• 拟议的缓解措施： 作者建议一种“朴素”的修复方法，即添加一个人工的未来时间点以强制回归主导状态，从而提高效率，尽管这会改变预测的解释。
• 协变量： 目前的研究未将协变量（如经济指标、政治体制）纳入转移概率，尽管该框架在理论上可扩展到此类场景。

6. 意义

本文对于冲突预测和统计机器学习具有重要意义，因为：

1. 政策相关性： 它为决策者提供了有效、校准的不确定性集合，而非单点猜测，这对于地缘政治中的风险管理至关重要。
2. 方法论进步： 它通过将部分可交换性应用于马尔可夫链，解决了时间序列中可交换性这一根本理论障碍，为可能被误设的参数模型提供了鲁棒的替代方案。
3. 长期预测： 它强调了在非平稳环境（如战争）中依赖平稳分布进行长期预测的危险性，主张采用保留特定轨迹不确定性的方法。