행동 조건부 보증을 갖춘 준수적 위험 회피 의사 결정

Conformal Risk-Averse Decision Making with Action Conditional Guarantee

머신러닝 모델에 의해 구동되는 안정적인 의사 결정 시스템은 명시적인 안전성 보장을 제공하는 불확실성 정량화(UQ) 방법을 필요로 합니다. 준수적 예측은 머신러닝 예측을 예측 집합으로 묶어 이러한 UQ를 제공하며, Kiyani et al.(2025b)의 최근 연구에서는 이러한 집합이 최적의 위험 회피 의사 결정 정책으로 변환될 수 있음을 입증했지만, 이는 제한적인 안전성 보장만 제공합니다. 본 논문에서는 (i) 의사 결정자의 각 행동에 명시적으로 조건화된 안전성 보장을 제공하는 행동 조건부 준수적 예측을 도입하고, (ii) 행동 조건부 예측 집합이 행동 조건부 가치 위험(action-conditional Value-at-Risk)을 최적화하려는 위험 회피 의사 결정자의 실행 가능한 의사 결정 공간을 나타내는 프록시 역할을 한다는 것을 보여주고, (iii) 핀볼 손실 최소화를 기반으로 한 원리적인 유한 샘플 알고리즘을 제안하여 Gibbs et al.(2025)의 프레임워크를 행동 조건부 보증과 연결합니다. 두 개의 실제 데이터셋에 대한 실험 결과는 본 논문에서 제시하는 접근 방식이 준수적 기준보다 행동 조건부 성능을 크게 향상시키는 것을 확인했습니다.

Reliable decision making pipelines powered by machine learning models require uncertainty quantification (UQ) methods that come with explicit safety guarantees. Conformal prediction provides such UQ by wrapping ML predictions into prediction sets, and recent work by Kiyani et al. (2025b) established that these sets can be translated into optimal risk-averse decision policies -- yet only inheriting marginal safety guarantees. We generalize and strengthen their results by (i) introducing action-conditional conformal prediction, which yields safety guarantees conditioned explicitly on each action taken by the decision maker, (ii) showing that action-conditional prediction sets serve as a proxy for the feasible decision space for risk-averse decision makers aiming to optimize action-conditional value-at-risk, and (iii) proposing a principled finite-sample algorithm based on pinball-loss minimization, connecting the framework of Gibbs et al. (2025) to action-conditional guarantees. Experiments on two real-world datasets confirm that our approach significantly improves action-conditional performance over conformal baselines.