Sharp Calibration Depth and Robust Prediction in Sparse Uniform Hypergraphs

Opis Głębokość kalibracji Sharp i solidna predykcja w rzadkich jednorodnych hipergrafach bada, ile informacji strukturalnych jest potrzebnych do tworzenia dokładnych i solidnych predykcji w rzadkich układach wyższego rzędu, gdy układ jest poddawany silnemu usuwaniu wierzchołków. Model jest nieujemnym, ważonym, jednorodnym hipergrafem zdefiniowanym na znanym, oznaczonym zbiorze wierzchołków, z zadaną górną granicą liczby hiperkrawędzi o dodatniej wadze. Silne usuwanie usuwa każdą hiperkrawędź, która przecina usunięty zbiór wierzchołków. Zadaniem predykcji jest określenie pozostałej reakcji na ograniczenie określonego punktu kotwiczącego po takich usunięciach. Głębokość kalibracji Sharp i Rob… The paper first determines the exact structural resolution needed for prediction. The available representation consists of labeled containment statistics of increasing order, where each statistic records the total weight of all hyperedges containing a given subset of vertices. The main predictive-threshold theorem identifies the least containment order that is sufficient for every allowed future deletion response. The result shows that this threshold is governed jointly by four mechanisms: the hyperedge order, the size of the complementary vertex set, the complexity of the future intervention, and sparsity of the hidden hypergraph. The result is sharp, and the lower bound is proved using explicit parity-trade constructions that produce different sparse hypergraphs with identical lower-order containment data but different post-deletion responses. The same threshold applies to both the nonnegative weighted class and the simple unweighted subclass. Sharp Calibration Depth and Rob… Sharp Calibration Depth and Rob… A second major part of the work treats calibration as an active identification problem. Instead of assuming that higher-order containment statistics can be measured directly, the paper considers controlled deletion experiments performed during calibration. For a fixed anchor size and a maximum number of deleted vertices per calibration experiment, the complete family of calibration responses is shown to contain exactly the same information as containment statistics up to a corresponding order. This establishes an exact information-theoretic equivalence between structural order and intervention depth. As a consequence, the paper derives the minimal calibration deletion depth required to guarantee exact prediction for a specified future task. Importantly, the result concerns the maximum depth of deletion used in an experiment, not the total number of measurements or experiments required. Sharp Calibration Depth and Rob… Sharp Calibration Depth and Rob… The paper then addresses robustness to calibration error. Exact identifiability alone does not guarantee that prediction remains stable under perturbations, so the analysis introduces a deterministic minimax formulation with coordinatewise bounded calibration errors. For the unbounded nonnegative weighted sparse class, the same calibration threshold that separates insufficient from sufficient exact information also separates two fundamentally different robustness regimes. Below the threshold, two admissible sparse models can produce identical calibration data while their future responses can be separated by an arbitrarily large amount through scaling, which makes the worst-case prediction error unbounded. At and above the threshold, the minimax prediction error becomes finite and proportional to the calibration error level. The paper provides an explicit sparsity-dependent upper bound on the corresponding stability constant, independent of the ambient number of vertices when the sparsity level is fixed. For the one-edge case, the stability constant is obtained exactly and equals one. Sharp Calibration Depth and Rob… Sharp Calibration Depth and Rob… A further contribution is the separation between nonlinear sparse prediction and linear decoding. The paper determines the least calibration depth at which an exact linear decoder can exist and shows that this linear threshold does not benefit from sparsity in the same way as arbitrary nonlinear prediction. Consequently, there are sparse regimes in which stable prediction is already possible from shallow calibration data, while every affine decoder still has infinite worst-case error on the unbounded weighted class. This distinction demonstrates that predictive sufficiency, structural reconstruction, and exact linear inversion are different notions and can require different amounts of information. Sharp Calibration Depth and Rob… The mathematical arguments combine Boolean-lattice Möbius inversion, inclusion-exclusion, uniform containment identities, sparse null-space reasoning, combinatorial trade constructions, optimal-recovery ideas, and finite-dimensional linear programming. The paper explicitly separates classical ingredients from the calibration-specific results developed in the manuscript. In particular, it does not claim novelty for Möbius inversion, inclusion matrices, combinatorial trades, or general sparse-identifiability principles; the claimed contribution lies in their combination for this specific intervention-prediction problem, the sharp calibration threshold, the robust minimax transition, the explicit sparse stability bound, and the separation from linear decoding. Sharp Calibration Depth and Rob… Praca omawia również szereg ograniczeń i warunków zakresu. Teoria kalibracji zakłada dostęp do pełnej, oznaczonej rodziny odpowiedzi kotwicowych/usunięć oraz powtarzalny system bazowy między interwencjami. Twierdzenie o odporności wykorzystuje deterministyczny błąd współrzędnych i nieograniczoną, nieujemną klasę modeli ważonych; w związku z tym wniosek o nieograniczonym błędzie poniżej progu nie rozciąga się automatycznie na hipergrafy o ograniczonej wadze ani proste hipergrafy. Wyraźna stała odporności jest celowo konserwatywna, a proponowany estymator optymalnego odzyskiwania jest skończony i konstruktywny, ale może wymagać wyliczenia wsparcia kombinatorycznego. Wyniki należy zatem interpretować jako precyzyjne stwierdzenia teorii informacji, a nie twierdzenia dotyczące wydajności próby, optymalnego projektu eksperymentu, dekodowania wielomianowego w czasie lub wydajności statystycznej w innych modelach szumu. Głębokość kalibracji ostrej i Rob… Dołączony pakiet do analizy reprodukcji zawiera źródło manuskryptu, skompilowany plik PDF, dokładne audyty obliczeniowe, dane wyjściowe w formacie maszynowym, jawne dowody dolnej granicy zakresu, wygenerowane rysunki i tabele, racjonalne certyfikaty primal-dualne, informacje o pochodzeniu oraz sumy kontrolne. Weryfikacja obliczeniowa niezależnie wylicza skończone klasy modeli, sprawdza tożsamości zawierania i usuwania, weryfikuje progi predykcyjne i klasyfikacje głębokości kalibracji, testuje głębsze dowody parzystości oraz weryfikuje zarejestrowane certyfikaty optymalizacji za pomocą dokładnej arytmetyki racjonalnej. Pakiet został zaprojektowany tak, aby kontrole matematyczne można było odtworzyć bez zewnętrznych zbiorów danych lub dostępu do internetu. Głębokość kalibracji Sharp i Rob… Głębokość kalibracji Sharp i Rob… Głównym celem pracy jest wyjaśnienie, kiedy ograniczone informacje strukturalne niższego rzędu są wystarczające do predykcji interwencji, kiedy aktywna kalibracja pozwala na odzyskanie brakujących informacji oraz kiedy dokładna wystarczalność predykcyjna zapewnia również solidność. Wyniki pokazują, że rzadkość może zmniejszyć ilość informacji potrzebnych do predykcji nieliniowej, że kontrolowane interwencje można interpretować jako pomiary struktury wyższego rzędu, a solidność predykcji może stać się możliwa tuż przed dokładną inwersją liniową.