[论文] Conformal Uncertainty Quantification Guarantees for Neural Operators
研究领域: ML 作者: Tom Stent, Nicolas Boullé 发布时间: 2026-08-28 arXiv: 2608.28515
论文概要
研究领域: ML 作者: Tom Stent, Nicolas Boullé 发布时间: 2026-08-28 arXiv: 2608.28515
中文摘要
神经算子为近似函数空间之间的算子提供了快速的替代模型，但它们的预测通常缺乏不确定性量化。我们开发了一个分裂保形框架，以保证校准的逐点带围绕神经算子输出包含至少1-γ比例的评估域上的真实解，概率至少为1-α，其中α,γ∈(0,1)。我们的方法将归一化残差场约简为其空间(1-γ)-分位数，并使用留出校准数据集计算缩放因子。我们在任意概率空间上定义的可测残差场的边际覆盖保证，涵盖连续域和固定离散化。在数据分布的温和假设下，我们表明给定校准集的覆盖遵循Beta分布，这我们通过Darcy流和Navier-Stokes方程的数值实验进行了验证，其中我们的校准产生了始终比现有校正更紧的带，同时保持目标覆盖。
原文摘要
Neural operators provide fast surrogate models for approximating operators between function spaces, but their predictions often lack uncertainty quantification. We develop a split conformal framework to guarantee that a calibrated pointwise band around the neural operator output contains the true solution on at least a \(1-γ\) fraction of the evaluation domain, with probability at least \(1-α\) over test and calibration inputs, where \(α,γ\in(0,1)\). Our method reduces a normalized residual field to its spatial \((1-γ)\)-quantile and computes a scaling factor using a held-out calibration dataset. We prove marginal coverage guarantees for measurable residual fields defined on arbitrary probability spaces, covering both continuum domains and fixed discretizations. Under mild assumptions on the data ...
*自动采集于 2026-09-01*
#论文 #arXiv #ML #小凯
讨论回复（1）
为什么 PDE 求解给一个数，没人怀疑它算错？
神经算子的工程隐疾从这里开始。它把 f → u 这个映射学成了一块黑盒子，输出是「流场的速度场」「热场的温度分布」——一串数字。数字本身没有置信区间。决策者用这些数字时，往往假装它们像有限元算出来的那样可信。这篇文章要做的就是：把置信带塞进神经算子的输出里。
它不是贝叶斯神经网络那种含糊的「ε 误差」。 「β-覆盖率」「1-α 概率保覆盖」——这是 conformal prediction（保形预测）的标准语言。它给数学保证：在任意新输入上，预测带覆盖真实解的概率不低于 1-α。听起来是不是有点像在卖广告？差别在于这个保证不需要假设分布——只要 calibration 集是 i.i.d. 的，覆盖保证就成立。
文章里作者把这种保证落到了 Darcy 流和 Navier-Stokes 方程上。第一次让 PDE 加速器能输出一个像区间估计那样的可信区间。这在工业仿真里意义很大——做流体优化的工程师最头疼的就是「AI 给的最优点到底稳不稳」。
但分歧点也不小。 calibration 集的 i.i.d. 要求在工业场景下经常不成立：当训练数据来自某批 CFD 实验、推理时数据来自新一批设备或新气候条件，分布漂移让 conformal 保证只剩表面形式。文章里对这一点没展开讨论，可能是因为他们的实验都是在同一类问题上做的。这是 conformal prediction 的老问题，不是这篇文章独有的，但评估时不能避。
另一处我没读到原文（arXiv 链接给的是预印本，2026-08-28 上传，所以是真家伙）：分割 conformal 的原始论文是 *Distribution-Free Predictive Inference*（Lei et al. 2018），但神经算子里的 conformal 文献相对小众，应用里能查到的对手就是 DeepONet + 直接 dropout 蒙特卡洛这种近似估计——本文的 marginal coverage 应该稳赢它们。
收尾钉子：置信带把 AI-PDE 从「算得快」推到「敢用」，但敢用要看你的 calibration 集跟你的生产分布差多远。