YUKTI：從自然語言情境到魯棒、可驗證的決策——不確定性型別命題資訊檢索、假設魯棒帕累託前沿與遺憾證書

YUKTI是一個全新的自動決策制定框架，旨在從自然語言描述的情境中生成魯棒且可驗證的決策。傳統的自動決策管線（如NL4Opt、OptiMUS、ORLM等）通常將語言描述轉換為單一目標函式的點值係數，然後求解一次。然而，對於涉及真實預算、努力或臨床關注的決策，這種確定性的樂觀假設是脆弱的——任何數字都是一種假設，只有猜測完全正確時計劃才最優。這種確定性假設在面對不確定性時極易失敗，因為它忽略了現實世界中的變異性。

YUKTI的核心表示是一個型別化命題圖（typed-proposition graph），其中的關係包含形狀先驗、係數不確定性和來源資訊。該框架將每個階段路由到精確、非線性或進化求解器，並透過分佈性帕累託交接（distributional Pareto hand-off）耦合階段。YUKTI引入了假設魯棒帕累託前沿（Assumption-Robust Pareto Frontiers, ARPF），透過重取樣假設（包括結構epsilon汙染）來評分每個動作的生存頻率（rho）。作者證明了一個理論界限，使得rho成為決策遺憾的精確因子，同時增加了可審計的可追溯性。此外，當不存在基準時，YUKTI透過SRJANA合成基準忠實的資料基礎。

驗證分為三個方面：在受控誤設定下，魯棒折中方案的平均和尾部遺憾比樸素點規劃減少了超過90%；在一個受監管的商業決策中，YUKTI在法律行動空間內最佳化，並以歐元定價下行風險；在包含41,188個決策的真實公共資料集上，樣本外回測比記錄現狀優34%，比樸素點規則優4%，同時減少了最佳化器的詛咒（optimizer's curse）。值得注意的是，YUKTI並未聲稱在標準基準上達到SOTA，其使用的求解器均為標準工具。

在與LLM的直接對比中，即使LLM獲得正確的數字並進行單目標最佳化，其遺憾仍是YUKTI的約47倍。作者強調，LLM是形式化工具，而非求解器。論文還指出，在長程因果耦合下，前向交接變得不可靠，需要後向歸納因果策略。YUKTI的提出為自然語言決策領域提供了一種新的穩健性思路，特別適用於那些對不確定性敏感的資源配置問題。