📊 statistics

Conditional Predictive Inference for General Structured Data with Group Symmetries

本文介绍了 C-SymmPI，这是一个新颖的框架，能够为具有群对称性的通用结构化数据上的预测推断提供近条件覆盖保证，从而有效解决了现有基于交换性的方法在应对总体异质性和分布偏移时的失效问题。

原作者： Yichen Shen, Mengxin Yu

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Yichen Shen, Mengxin Yu

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

想象你是一名天气预报员。你的工作是预测明天的天气，并给出一个“置信区间”——即实际气温很可能落入的温度范围。

大多数传统方法提供的是边际保证。这就像说：“在未来 100 年里，我的预测有 90% 的时间是准确的。”这是一个很好的平均值，但如果你正站在一个特定街区，而该街区正经历异常热浪，而城市其他地方却处于冰冻状态，这种平均值对你帮助不大。你的“平均”预测对于热浪来说可能太窄（覆盖不足），而对于冰冻区域来说又可能太宽（覆盖过度）。

你真正需要的是条件覆盖：“鉴于这个特定街区目前正处于热浪中，我的预测有 90% 的可能性是准确的。”

然而，实现这种“完美的局部准确性”极其困难，尤其是当你的数据不仅仅是一串随机数字（如掷骰子），而是具有复杂结构时，例如社交网络、家谱或医院试验中的一组患者。

本文介绍了一种名为C-SymmPI（基于条件对称性的预测推断）的新工具来解决这个问题。以下是其工作原理，使用简单的类比说明：

1. 问题：“一刀切”的陷阱

想象你试图猜测篮子里苹果的重量。

旧方法（边际）：你称量了整篮子里的 100 个苹果，找出平均值，然后说："90% 的苹果重量在 100 克到 150 克之间。”这在平均意义上效果很好。但如果你拿出一个微小的樱桃番茄（一种特定的数据点），你的范围就毫无用处了。
新挑战：在现实世界中，数据通常以群组形式出现。想想整群随机试验（例如在不同学校测试新药）或社交网络（朋友之间相互影响）。在这些情况下，A 学校的“苹果”可能很大，而 B 学校的“苹果”可能很小。单一的平均范围无法捕捉这些局部差异。

2. 解决方案：“变形网”（C-SymmPI）

作者创建了 C-SymmPI，它就像一个智能的、可变形的网。它不是对所有人都使用一个僵化的尺寸，而是根据它所捕捉到的数据的具体形状进行拉伸或收缩。

群对称性（隐藏规则）：该论文依赖于这样一个观点，即许多数据结构具有“对称性”。
- 类比：想象一片雪花。如果你旋转它，它看起来是一样的。或者想象一个家谱：如果你交换两个表亲，家庭结构保持不变。
- C-SymmPI 利用这些隐藏规则（称为群对称性）来理解数据的结构，而无需知道其背后的确切数学公式。它知道“交换这两个人”或“旋转这个网络”不应改变游戏的基本规则。

3. 如何学习：“自适应阈值”

为了让网完美贴合，C-SymmPI 使用了一种受分位数回归（一种寻找数据“截断”点的方法）启发的技术。

旧方法：它选择一个单一的截断点（例如，“任何超过 150 克的东西都是异常值”），并将其应用于所有人。
C-SymmPI 方法：它学习一个自适应阈值。它会问：“鉴于这个苹果（或这个患者，或网络中的这个节点）的具体特征，正确的截断点是什么？”
- 如果数据嘈杂且混乱（高方差），网会变宽以确保安全。
- 如果数据干净且可预测（低方差），网会变紧以提高精度。

4. “多精度”技巧

该论文承认，在某些情况下，获得完美的条件准确性在数学上是不可能的。因此，他们使用了一种巧妙的变通方法，称为多精度。

类比：与其要求网对每一个特定的苹果都完美，他们要求它对具有相似特征的苹果组（如“所有红苹果”或“树北侧的所有苹果”）在平均意义上是完美的。
他们定义了一系列“特征”（函数），并确保预测对所有这些特征同时准确。这为他们提供了一个“近乎完美”的保证，足以满足现实世界的使用需求。

5. 加速方法：“投影”和“采样”技巧

为海量数据集（如整个互联网或庞大的医院系统）进行计算可能会很慢。作者添加了两个加速方法：

投影式 C-SymmPI：它不是查看复杂对象（如高分辨率照片）的每一个细节，而是查看简化的“草图”（低维投影），以使数学运算更快。
采样式 C-SymmPI：它不是检查旋转或打乱数据的每一种可能方式（这可能是无限的），而是检查它们的随机样本，这要快得多，且仍然非常准确。

6. 测试对象

作者不仅做了数学推导，还在两个现实世界场景中进行了测试：

整群随机试验（PPACT 研究）：他们研究了一项关于疼痛管理的研究，其中不同的诊所（群组）尝试了不同的治疗方法。C-SymmPI 成功识别了哪些具体患者受益，而旧方法只是给出了整个群体的模糊平均值。
网络数据（Cora 数据集）：他们查看了一个相互引用的研究论文网络。C-SymmPI 能够根据邻居预测论文的类别，并根据该论文在网络中的“中心”或“孤立”程度调整其置信区间。

结论

C-SymmPI 是一种新的预测方法，它是分布无关的（不假设数据遵循特定的钟形曲线）且结构感知的（理解网络和群组）。

它将我们从说“我们在平均意义上有 90% 的把握”，转变为说“鉴于这个数据点及其与他人的具体关系，我们有 90% 的把握”。它使预测区间变得自适应，在数据清晰时收缩，在数据混乱时扩展，确保为每一种具体情况正确量化不确定性。

技术摘要：具有群对称性的通用结构化数据的条件预测推断

问题陈述

本文解决了分布无关预测推断中的一个根本性局限：即对边际覆盖保证的依赖与对条件覆盖的实际需求之间的矛盾。虽然标准共形预测（Vovk 等人，2005）确保预测集以概率 $1-\alpha$ 覆盖真实目标（在所有数据实现上的平均，即边际覆盖），但它通常无法为特定子群或数据的局部实现提供有效的不确定性量化，特别是在异质性设置中。

现有试图实现近条件覆盖的方法（例如 Gibbs 等人，2025；Hore 和 Barber，2024）通常依赖于可交换性（或独立同分布数据）的假设。然而，许多现实世界的结构化数据集——如网络、聚类数据和分层模型——违反了全局可交换性。虽然 Dobriban 和 Yu（2024）最近提出的SymmPI框架旨在处理超越可交换性的通用群对称性，但它仅提供边际覆盖保证。这留下了一个空白：目前尚无一种方法能同时处理复杂的群对称结构（如网络或聚类）并提供适应局部异质性的条件覆盖保证。

方法论：C-SymmPI

作者提出了C-SymmPI（条件对称预测推断），这是一个统一的框架，将 SymmPI 方法扩展，以在通用群对称性下实现近条件覆盖。

核心框架

群论设置：假设数据 $Z$ 在群 $G$ 的群作用 $\rho$ 下是分布不变的（即 $Z \stackrel{d}{=} \rho(G)Z$ ，其中 $G \sim U$ ， $U$ 为哈尔测度）。这将可交换性（其中 $G$ 为对称群 $S_n$ ）推广到了网络（自同构群）和分层数据（嵌套置换群）等结构。
自适应阈值学习：与 SymmPI 在整个群轨道上计算单个全局分位数阈值不同，C-SymmPI 学习一个自适应阈值函数 $t_z(\cdot)$ 。该函数将观测到的数据特征映射到阈值，使预测集能够适应局部异质性。
松弛的多精度视角：该方法利用多精度视角（Hébert-Johnson 等人，2018）重新表述条件覆盖要求。C-SymmPI 不要求对每个实现都实现精确的条件覆盖（在没有分布假设的情况下这通常是不可能的），而是最小化用户指定函数类 $\mathcal{F}$ 上的覆盖误差。具体而言，它确保对于所有 $f \in \mathcal{F}$ ：
$\left| \mathbb{E}_Z \left[ f(Z_{\text{obs}}) \left( \mathbb{1}\{Z \in \hat{C}(Z_{\text{obs}})\} - (1-\alpha) \right) \right] \right| \leq \varepsilon$
这是通过求解群轨道上的正则化分位数回归问题来实现的。

用于效率的算法变体

为了解决高维空间和大型群中的计算挑战，引入了两种变体：

投影 C-SymmPI：在学习阈值之前，将高维观测数据 $Z_{\text{obs}}$ 投影到较低维的嵌入 $\eta(Z_{\text{obs}})$ 上。这降低了函数学习问题的复杂度。
采样 C-SymmPI：使用有限蒙特卡洛群元素样本来近似哈尔期望（群平均）。这对于无限或非常大的群（如旋转群）至关重要。

理论保证

本文在两种设置下建立了近条件覆盖界限：

分布不变性：当数据严格满足群不变性假设时。
分布偏移：当不变性被违反时，界限包含一个与真实分布和置换分布之间的总变差（TV）距离成正比的额外项。

针对特定函数类推导了收敛率：

线性函数类：误差以 $O(d |H| / |G|)$ 的速率衰减，其中 $d$ 是维度， $|G|$ 是群大小， $|H|$ 是稳定子群的大小。
RKHS（再生核希尔伯特空间）：误差以 $O(1/\sqrt{|G|/|H|})$ 的速率衰减。

主要贡献

近条件推断的统一框架：C-SymmPI 是第一个将近条件覆盖保证从独立同分布/可交换设置扩展到具有群对称性（如网络、分层聚类）的通用数据结构的框架。
理论泛化：它将现有的独立同分布数据的最先进结果（Gibbs 等人，2025）作为特例恢复，同时为不可交换结构提供了新的保证。
计算可扩展性：投影和采样变体的开发使得条件推断能够应用于高维观测和大型/无限对称群。
广泛的适用性：该框架已实例化用于：
- 可交换数据：恢复条件共形预测。
- 双层分层模型：包括集群随机试验（CRTs），在集群和个体层面均提供条件保证。
- 网络结构化数据：适应网络拓扑以进行节点级推断。

实证结果

作者通过数值模拟和现实世界应用验证了 C-SymmPI：

模拟（分层数据）：在具有异质噪声的双层分层模型中，C-SymmPI 产生的预测区间能够适应局部方差（在低方差区域较窄，在高方差区域较宽）。竞争方法（标准 SymmPI、标准条件 CP、单树方法）要么无法覆盖高方差区域（覆盖不足），要么产生过于保守的宽区间。
PPACT 集群随机试验：应用于疼痛管理的真实试验。C-SymmPI 优于 Split-CCI 方法（Wang 等人，2024），它在保持有效覆盖的同时产生了更短的治疗效应预测区间，并实现了更高比例的已识别有益治疗（负区间）。
Cora 引用网络：在网络辅助分类任务中，与标准分裂共形预测相比，C-SymmPI 产生了更短的预测集，同时保持了有效的覆盖，展示了对预测不确定性的适应性（对高置信度预测的区间更短）。

意义与主张

本文声称，C-SymmPI 填补了结构化数据不确定性量化中的一个关键空白。通过在群对称性下从边际覆盖转向近条件覆盖，该方法提供了更具信息量和稳定性的预测集，尊重了复杂数据结构（网络、聚类）固有的异质性。

作者强调，他们的方法不需要强分布假设，在利用数据结构对称性的同时保持分布无关。结果表明，对于处理分层或网络数据的从业者而言，C-SymmPI 提供了现有边际方法的稳健替代方案，防止了在对整个数据集进行平均时经常发生的局部异质性被掩盖的问题。该框架被呈现为一个通用工具，可适应于其他具有群对称性的结构化设置（例如树、图像）。