닫힌 형식(closed-form)의 리소스(recourse)는 거절된 사용자를 분류기 점수 $f$의 단위 그래디언트 $\hat g$를 따라 선형화된 점수가 0에 도달하는 약속된 거리 $d_p=|f(x)|/\|\nabla f(x)\|$만큼 이동시킵니다. 본 논문에서는 이러한 원샷(one-shot) 단계가 언제 성공하는지, 그리고 추가적인 모델 쿼리가 무엇을 변화시키는지 묻습니다. 주요 차수(leading order)에서 이 단계는 경로 곡률 $κ=\hat g^\top\nabla^2 f(x)\,\hat g$가 음이 아닐 때 정확히 유리한 측면에서 끝납니다. 80개의 얕은 모델에 걸쳐, 단계가 해당 위치에서 끝나는 거절된 사용자의 비율과 $κ\ge0$인 비율은 $r=0.985$로 상관관계를 보이지만, Fashion-MNIST에서는 전자가 후자보다 평균 8.2포인트 낮게 나타납니다. 점수 값과 그래디언트만을 사용하는 규칙은 경로 곡률이 $K$로 제한된 모든 점수에 대해 일부를 $Kd_p^2/\|\nabla f(x)\|$ 차수만큼 오버슈트(overshoot)하지 않고서는 유효할 수 없습니다. 곡률이 립시츠(Lipschitz) 연속이고 스텝이 짧은 경우, 약속된 지점에서 $f$를 한 번 평가하는 것은 곡률 경계와 그 립시츠 상수를 아는 결정론적 단일 쿼리 규칙 중에서 미니맥스(minimax) 속도를 달성하며, 분할 정합 보정(split-conformal calibration)은 이러한 규칙이 최소 $1-δ$의 확률로 첫 번째 교차에 도달하거나 기권하도록 만듭니다. 비대칭 곡률 페널티를 적용한 학습은 언더슈트가 발생하기 쉬운 얕은 데이터에서 경로의 99-100%가 약속된 스텝 내에서 교차하도록 허용하지만, 대칭 페널티에 비해 약 4-22배의 오버슈트가 발생합니다(Fashion-MNIST, COMPAS). $κ$와 $d_p$는 점수가 어떻게 스케일링되는지에 따라 달라지므로 이러한 이득의 일부는 더 긴 약속된 스텝일 수 있으며, 일치된 타당성에서 짧게 학습된 모델을 대상으로 한 더 작은 감사에서는 튜닝된 인플레이션 대비 균일한 이점을 찾지 못했습니다. 광선을 따라 사용자별 라인 탐색을 감당할 수 있는 경우, 이는 그리드 해상도에 대해 정확하며 더 선호됩니다.
예측 모델이 신용 승인과 같은 고위험 환경에 점점 더 배포됨에 따라, 영향을 받은 개인에게 구제(recourse)를 제공하는 사후(post-hoc) 방법에 대한 수요가 증가하고 있다. 이러한 모델 중 다수는 특징이 실세계 속성에 대응하는 표형(tabular) 데이터에서 동작한다. 최근 문맥 내 학습(ICL)은 추론 시점에 레이블이 있는 예시에 조건화함으로써, 명시적 학습 없이 대규모 언어 모델(LLM)이 표형 예측을 수행할 수 있게 했다. 그러나 ICL 하에서의 표형 의사결정을 위한 알고리즘적 구제는 아직 대부분 탐구되지 않았다.
본 연구에서는 ICL 하에서 표형 데이터에 대한 알고리즘적 구제에 대한 최초의 연구를 제시한다. 우리는 이론적 분석을 수행하여 구제가 잘 정의되고 유계(bounded)임을 보이며, 컨텍스트 크기가 증가함에 따라 구제가 고전적(classical) 해법으로 수렴하는 방식을 특성화한다.
실제로 우리는 블랙박스 ICL 모델에 대해 실행 가능하고 희소(sparse)한 구제를 효율적으로 생성하는 새로운 0차(zeroth-order) 구제 프레임워크인 문맥 내 학습을 위한 적응형 부분공간 구제(Adaptive Subspace Recourse for In-Context Learning, ASR-ICL)를 제안한다. 제안된 프레임워크는 다중 클래스 표형 작업으로 자연스럽게 확장된다.
다수의 실세계 데이터셋과 모델에 걸친 실험은 ASR-ICL이 더 적은 쿼리로 기존 방법과 비슷한 구제 품질을 달성함을 보여주며, 예측된 수렴 거동을 실증적으로 확인하여 우리의 이론적 분석을 뒷받침한다.
결정 경계를 겨우 넘는 반사실적 설명(counterfactual explanations)은 노이즈나 모델 변동에 취약하므로, TRUST는 사용자가 지정한 목표 예측 신뢰도를 만족하는 최소 입력 변경을 직접 탐색하는 타겟 신뢰도 알고리즘 구제(algorithmic recourse) 프레임워크를 제안한다. 확률적 Tsetlin 머신(PTM)과 베이지안 최적화(Bayesian optimization)로 구현해 절(clause) 수준 안정성을 드러내며, 합성·실제 데이터셋에서 기존 경계 기반 방법보다 더 견고하고 해석 가능한 구제를 낮은 비용으로 달성한다.