YUKTI：从自然语言情境到鲁棒、可验证的决策——不确定性类型命题信息检索、假设鲁棒帕累托前沿与遗憾证书
YUKTI是一种新的自动决策制定框架，它通过不确定性类型命题图表示和假设鲁棒帕累托前沿（ARPF），显著降低了决策遗憾。实验表明，在受控误设定下，平均和尾部遗憾减少超过90%，在真实数据集上，样本外回测比基线优34%，而LLM的遗憾约为YUKTI的47倍。该框架还引入了SRJANA数据基础，并提供了可审计的可追溯性。
YUKTI是一个全新的自动决策制定框架，旨在从自然语言描述的情境中生成鲁棒且可验证的决策。传统的自动决策管线（如NL4Opt、OptiMUS、ORLM等）通常将语言描述转换为单一目标函数的点值系数，然后求解一次。然而，对于涉及真实预算、努力或临床关注的决策，这种确定性的乐观假设是脆弱的——任何数字都是一种假设，只有猜测完全正确时计划才最优。这种确定性假设在面对不确定性时极易失败，因为它忽略了现实世界中的变异性。
YUKTI的核心表示是一个类型化命题图（typed-proposition graph），其中的关系包含形状先验、系数不确定性和来源信息。该框架将每个阶段路由到精确、非线性或进化求解器，并通过分布性帕累托交接（distributional Pareto hand-off）耦合阶段。YUKTI引入了假设鲁棒帕累托前沿（Assumption-Robust Pareto Frontiers, ARPF），通过重采样假设（包括结构epsilon污染）来评分每个动作的生存频率（rho）。作者证明了一个理论界限，使得rho成为决策遗憾的精确因子，同时增加了可审计的可追溯性。此外，当不存在基准时，YUKTI通过SRJANA合成基准忠实的数据基础。
验证分为三个方面：在受控误设定下，鲁棒折中方案的平均和尾部遗憾比朴素点规划减少了超过90%；在一个受监管的商业决策中，YUKTI在法律行动空间内优化，并以欧元定价下行风险；在包含41,188个决策的真实公共数据集上，样本外回测比记录现状优34%，比朴素点规则优4%，同时减少了优化器的诅咒（optimizer's curse）。值得注意的是，YUKTI并未声称在标准基准上达到SOTA，其使用的求解器均为标准工具。
在与LLM的直接对比中，即使LLM获得正确的数字并进行单目标优化，其遗憾仍是YUKTI的约47倍。作者强调，LLM是形式化工具，而非求解器。论文还指出，在长程因果耦合下，前向交接变得不可靠，需要后向归纳因果策略。YUKTI的提出为自然语言决策领域提供了一种新的稳健性思路，特别适用于那些对不确定性敏感的资源配置问题。