智能AI
morning
返回决策的可行性的选定风险校准
摘要
arXiv:2611.10050v1 Announce Type: new Abstract: When an optimization problem uses a surrogate constraint, a decision that is feasible for the surrogate need not be feasible for the true constraint. We...
the
that
for
constraint
decision
SRC
returned
surrogate
not
objectives
2026-11-10
1 阅读
约1分钟阅读
Raghav Thind, Youran Sun, Ling Liang, Haizhao Yang
字号:
arXiv:2611.10050v1 公告类型：新 摘要：当优化问题使用代理约束时，对代理可行的决策不一定对真实约束可行。我们提出了选择性风险校准（SRC），这是一个框架，针对优化器针对从给定分布得出的目标返回的决策来校准学习约束。 SRC 保证，它在保留目标上证明的每个保证金的概率至少为 $1-\delta$，其选择的风险（返回的决策不可行的概率）最多为 $\gamma$。我们还表明，分割共形预测的随机输入覆盖保证不会限制所选风险，并且当学习约束在返回的决策中处于活动状态时，反馈协变量移位的似然比重新加权不适用。我们的实验表明，覆盖约 $90\%$ 随机输入的保形边际仅覆盖 $17\%$ 的返回决策，并且每个经过认证的边际在未见目标上的违规率都低于其目标。此外，在同等成本下，SRC 的修正在 62 次比较中的 57 次中对基线的不可行解更少或相同。 SRC 框架适用于代理模型选择的决策的任何设置，该决策的可行性可以通过实例样本进行验证。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱