知识卡片：神经算子的共形不确定性量化保证

一句话结论

本文提出一个分裂共形（split conformal）框架，使神经算子输出的校准逐点带能在评估域上至少 $1-\gamma$ 的比例内包含真实解，并且该覆盖保证在测试输入与校准输入上以至少 $1-\alpha$ 的概率成立（$\alpha,\gamma\in(0,1)$）。在Darcy流与Navier-Stokes方程实验中，该校准带比现有校正方法更紧，同时保持目标覆盖率。

研究问题

神经算子是函数空间之间算子的快速替代模型，但预测通常缺乏不确定性量化。该工作要解决的问题是：如何为神经算子输出构造有统计保证的逐点不确定性带。

方法/产品要点

使用分裂共形框架，为神经算子输出构造校准的逐点带。
将归一化残差场归约为其在空间上的 $(1-\gamma)$ 分位数。
利用留出校准数据集计算缩放因子，从而得到校准带。
对定义在任意概率空间上的可测残差场证明边际覆盖保证，统一覆盖连续域和固定离散化情形。
在数据分布的温和假设下，证明校准集条件下的覆盖率服从Beta分布，并通过数值实验验证。

主要结果或产业意义

在Darcy流和Navier-Stokes方程两类数值实验中，所提校准方法产生的带比现有校正方法更紧，同时保留目标覆盖率。
潜在产业意义：为科学计算与工程仿真中使用神经算子作为快速代理模型时，提供有统计保证的预测置信带工具，增强结果可信度。

为什么重要

该工作将共形预测的统计保证引入神经算子/函数空间算子学习，弥补了神经算子“预测快但缺少不确定性量化”的短板。与已有相关卡片相比，本条不是针对区间/模糊神经网络、真实-虚假分类或主观风险分解，而是直接为神经算子输出提供逐点空间覆盖保证。其增量信息在于“残差场空间分位数 + 留出校准缩放因子”的构造方式，以及连续域与固定离散化情形下统一的覆盖性质。

与既有脉络的关系

已有相关卡片分别涉及区间/模糊物理增强神经网络、无人工标签的真实-虚假分类、主观风险分解；本卡片处理的是神经算子的共形不确定性量化，属于函数空间算子学习的可信预测方向，与前述内容不重复。

局限与不确定性

摘要未说明“现有校正方法”具体指哪些方法，待核实。
摘要未说明Beta分布结论所需“温和假设”的具体条件，待核实。
数值实验的具体数据集、网络架构、误差指标及计算成本未在摘要中列出，待核实。
摘要只报告了Darcy流和Navier-Stokes方程实验；其他PDE类型或高维问题上的表现待核实。

可用于图书/PPT/简报的角度

可信科学机器学习：为神经算子预测附加可证明的覆盖带。
共形预测在函数空间中的延拓：从标量回归到残差场分位数。
代理模型落地：如何用留出校准数据让PDE神经算子给出“带保证的预测”。
一页图示意：PDE真实解场、神经算子预测、校准带与覆盖关系。

原始材料

英文标题：Conformal Uncertainty Quantification Guarantees for Neural Operators
英文关键词：Neural Operators; Uncertainty Quantification; Conformal Prediction; Operator Learning; Function Spaces
来源：https://arxiv.org/abs/2608.28515v1
arXiv ID：2608.28515v1
作者：Tom Stent, Nicolas Boullé
发布/更新：2026-08-28
分类：math.NA（cs.AI, math.PR）
摘要（原文）：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 $1-\gamma$ fraction of the evaluation domain, with probability at least $1-\alpha$ over test and calibration inputs, where $\alpha,\gamma\in(0,1)$. Our method reduces a normalized residual field to its spatial $(1-\gamma)$-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 distribution, we show that the coverage conditional on the calibration set follows a Beta distribution, which we verify with numerical experiments on Darcy flow and Navier--Stokes equations, where our calibration yields bands consistently tighter than existing corrections while retaining the target coverage.