YUKTI：自然言語からロバストで検証可能な意思決定へ——不確実性型命題IR、仮定ロバストパレートフロンティア、および後悔証明書

YUKTIは、自然言語で記述された状況からロバストで検証可能な意思決定を生成するための新しいフレームワークです。従来の自動形式化パイプライン（NL4Opt、OptiMUS、ORLMなど）は、言語を単一の目的関数と点値係数に変換し、一度だけ求解します。しかし、実際の予算、労力、または臨床的注意を割り当てる意思決定では、そのような確信が失敗の原因となります。すべての数値化された値は仮定であり、推測が正確に一致した場合にのみ最適な計画は脆いのです。

YUKTIは自動形式化の目標を変更します。その表現は型付き命題グラフであり、関係に形状事前分布、係数の不確実性、および出所を保持します。YUKTIは各段階を正確、非線形、または進化的ソルバーにルーティングし、分布的なパレートハンドオフで段階を結合します。さらに、仮定ロバストパレートフロンティア（ARPF）を導入し、仮定（構造的イプシロン汚染を含む）をリサンプリングして各アクションが生き残る頻度（rho）をスコア化します。著者らはrhoが決定後悔の正確な因子となる境界を証明し、監査可能なトレーサビリティを追加し、ベンチマークが存在しない場合にベンチマーク忠実なデータ基盤（SRJANA）を合成します。

検証は3つの方法で行われました。制御された誤特定の下では、ロバストな妥協案は単純な点計画と比較して平均後悔とテール後悔を90%以上削減しました。規制された商業的意思決定では、法的な行動空間内で最適化し、ダウンサイドをユーロで価格付けしました。41,188の意思決定からなる実際の公開データセットでは、サンプル外バックテストが記録された現状を34%、単純な点ルールを4%上回り、最適化の呪いを低減しました。ソルバーは標準的なものであり、ベンチマークSOTAを主張していません。

LLMに正しい数値を与え、単一目的最適化を行った場合、両方ともYUKTIの約47倍の保持後悔を被りました——LLMは形式化ツールであり、ソルバーではありません。長期的因果結合の下では、前方ハンドオフは無効になり、後方帰納的因果ポリシーが必要となる場所を特定します。YUKTIは、不確実性下でのリソース配分問題に対する新しいロバスト性のアプローチを提供し、特に医療や予算配分などの分野で応用が期待されます。