論文の概要: Local Violation Certification for Linear Predict-Then-Optimize Pipelines

• arxiv url: http://arxiv.org/abs/2608.04474v1
• Date: Wed, 05 Aug 2026 05:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.733295
• Title: Local Violation Certification for Linear Predict-Then-Optimize Pipelines
• Title（参考訳）: 線形予測列最適化パイプラインの局所的振動認証
• Authors: Ş. İlker Birbil, Wenhao Chi,
• Abstract要約: 入力不確実性下での線形決定パイプラインに特化して設計された局所的違反認定のための枠組みを提案する。 我々は,標準サンプリング手法が稀な違反に対して効率よく失敗することを数学的に証明し,直接的な構造的アプローチの動機付けを行う。 我々は,排出規制の対象となる経済力派遣システムへのアプローチを実証し,正確な監査可能なリスク評価を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven decision pipelines combining predictive machine learning models with downstream optimization software are increasingly used to make high-stakes operational decisions. Certifying the safety, fairness, and reliability of these decisions is essential, yet traditional scenario generation methods rely on repeated random testing, which becomes computationally prohibitive when failure events are rare and offers little insight into why failures occur. We present a framework for local violation certification designed specifically for linear decision pipelines under input uncertainty. We mathematically demonstrate that standard sampling methods fail efficiently for rare violations, motivating a direct structural approach. By analyzing the fixed decision boundary of a deployed pipeline, we show that the local risk of failure can be calculated directly in closed form using a single optimization solve. Furthermore, we introduce an exact sampling procedure and closed-form risk statistics that provide feature-level attributions (identifying which input characteristics contribute most to potential non-compliance) without requiring repetitive random trials or complex sampling algorithms. We demonstrate our approach on an economic power dispatch system subject to emissions regulations, delivering precise, auditable risk assessments at a fraction of the traditional computational cost.
• Abstract（参考訳）: 予測機械学習モデルと下流最適化ソフトウェアを組み合わせたデータ駆動型意思決定パイプラインは、高いスループットの運用上の決定を行うために、ますます利用されている。 これらの決定の安全性、公平性、信頼性の証明は不可欠だが、従来のシナリオ生成手法は繰り返しランダムテストに依存している。 入力不確実性下での線形決定パイプラインに特化して設計された局所的違反認定のための枠組みを提案する。 我々は,標準サンプリング手法が稀な違反に対して効率よく失敗することを数学的に証明し,直接的な構造的アプローチの動機付けを行う。 配置されたパイプラインの固定決定境界を解析することにより、単一最適化解を用いて、局所的な故障リスクを閉じた形で直接計算できることが示される。 さらに、繰り返しランダムな試行や複雑なサンプリングアルゴリズムを必要とせず、特徴レベルの属性(入力特性が潜在的非適合性に最も寄与するかどうかを識別する)を提供する、正確なサンプリング手順とクローズドフォームのリスク統計を導入する。 従来の計算コストのごく一部で正確な監査可能なリスクアセスメントを提供することにより,排出規制を前提とした経済力派遣システムへのアプローチを実証する。

関連論文リスト

• Diffusion-Guided Search via Exponential Tilting (DiffTilt): An Application to Falsification of Safety-Critical Systems [3.963282613048148]
  既存のファルシフィケーションアプローチは、環境とシステム実行に関する共同分布を規定する条件付きサンプリング戦略に依存している。 本稿では,拡散モデルにより誘導される共同分布を環境や実行に対して指数関数的に傾ける分散フレームワークであるDiffTiltを開発する。
  論文  参考訳（メタデータ） (2026-07-25T10:28:47Z)
• Capability Minimization as a Safety Primitive: Risk-Aware Causal Gating for Least-Privilege LLM Agents [0.0]
  Risk-Aware Causal Gating (RACG) は、モデルの予測から行動するか、延期するかを判断するフレームワークである。 RACGは、候補行動から結果への因果経路をモデル化し、予測された対実リスクに応じて各決定をゲートする。 RACGは,非ゲートポリシーの効用の大部分を保ちながら,コストエラーを大幅に低減することを示す。
  論文  参考訳（メタデータ） (2026-06-11T20:19:35Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Calibrated Prediction Set in Fault Detection with Risk Guarantees via Significance Tests [3.500936878570599]
  本稿では,形式的リスク保証を提供するために,コンフォメーション予測フレームワークと重要度テストを統合した新しい故障検出手法を提案する。 提案手法は,名目レベル以上の経験的カバレッジ率(1-alpha$)を一貫して達成する。 その結果、ユーザ定義のリスクレベル(alpha$)と効率の間のコントロール可能なトレードオフが明らかとなり、より高いリスク耐性が平均予測セットのサイズを小さくする。
  論文  参考訳（メタデータ） (2025-08-02T05:49:02Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• Leave-One-Out-, Bootstrap- and Cross-Conformal Anomaly Detectors [0.0]
  本研究では,異常検出のためのLeft-out-out-, bootstrap-, cross-conformalメソッドを正式に定義し,評価する。 我々は,再サンプリング・コンフォーマルな$p$-値を求める導出手法が,統計効率(全コンフォーマル)と計算効率(スプリット・コンフォーマル)の両立を図っていることを実証した。
  論文  参考訳（メタデータ） (2024-02-26T08:22:40Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Dirichlet uncertainty wrappers for actionable algorithm accuracy accountability and auditability [0.5156484100374058]
  本研究では,不確実性の尺度を用いて出力予測を充実させるラッパーを提案する。 結果の不確実性に基づいて、より確実な予測を選択する拒絶制度を提唱する。 その結果,ラッパーが計算した不確実性の有効性が示された。
  論文  参考訳（メタデータ） (2019-12-29T11:05:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。