YUKTI：从自然语言情况到稳健、可验证的决策不确定性类型的命题 IR、假设稳健的帕累托前沿和遗憾证书

arXiv:2607.09706v1 公告类型：新摘要：语言模型将措辞情况转化为数字计划，并且主要管道（NL4Opt、OptiMUS、ORLM、OR-LLM-Agent）致力于单个目标和点值系数，然后求解一次。对于分配实际预算、工作量或临床注意力的决策来说，这种信心就是失败模式：每个客观化的数字都是一个假设，只有猜测完全正确的最佳计划是脆弱的——计算的模仿。 YUKTI 改变了自动配方的目标。它的表示是一个类型命题图，其关系带有形状先验、系数不确定性和出处。 YUKTI 将每个阶段路由到精确、非线性或进化求解器；通过分布式帕累托交接进行耦合；并引入假设稳健帕累托前沿 (ARPF)，对假设（包括结构性 epsilon 污染）进行重新采样，以对每个动作的生存频率 (rho) 进行评分。我们证明了一个界限，使 rho 成为决策后悔的确切因素，添加可审计的可追溯性，并在不存在时合成基准忠实的数据基础 (SRJANA)。我们验证了三种方法：在受控的错误指定下，与天真的点计划相比，稳健的折衷方案将均值和尾部后悔减少了 90% 以上；根据受监管的商业决策，我们在合法行动空间内进行优化，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，样本外回测比记录的现状好 34%，比朴素点规则好 4%，同时减少了优化器的诅咒。求解器是标准的；我们声称没有基准-SOTA 获胜。一对一的展示显示，给定正确数字的 LLM 和单目标优化，两者都会带来约 47 倍于 YUKTI 的遗憾——LLM 是公式制定者，而不是求解器。在长程因果耦合下，前向切换变得不健全，必须成为后向归纳因果策略。