arXiv:2605.19830v2 cs.LG

집합값 정책 학습

Set-Valued Policy Learning

Laura Fuentes-Vicente, Mathieu Even, Gaëlle Dormion, Antoine Chambaz, Uri Shalit, Julie Josse

제출 2026-05-19

한국어 초록

전통적인 치료 정책은 기대되는 임상 결과를 극대화하기 위해 환자의 공변량을 단일 권장 중재로 매핑합니다. 그러나 여러 치료법이 통계적으로 구별할 수 없는 결과를 내거나 치료 효과가 없을 때, 단일 중재만을 권장하는 것은 다소 자의적인 중재로 이어져 임상적 도입과 신뢰를 저해할 수 있습니다. 이를 해결하기 위해 본 논문에서는 집합값 정책 학습(set-valued policy learning) 패러다임을 제안합니다. 권장의 모호성을 반영하는 기수(cardinality)를 갖는 유의미한 치료법들의 집합을 출력함으로써, 본 접근법은 임상적 의사결정을 더욱 효과적으로 지원합니다. 다운스트림 의사결정의 다양한 가능성으로 인해 집합값 정책을 평가하는 것은 까다롭습니다. 이를 위해 우리는 임상적 의사결정을 모델링하는 선택 함수를 사용하여 집합 정책 가치를 정의하고, 이에 대한 이중 강건(doubly robust) 추정량을 개발합니다. 실질적인 중요성에도 불구하고, 범주형 치료에 대한 집합값 정책 학습은 여전히 거의 연구되지 않았습니다. 이러한 맥락에서 우리는 두 가지 상호보완적인 접근 방식을 도입합니다. 하나는 지연 학습(learning-to-defer) 프레임워크를 다중 치료로 확장한 최대 하한(Greatest Lower Bound) 방법이며, 다른 하나는 관측되지 않은 실측 최적 치료와 추정된 최적 치료 규칙 간의 간극을 좁히는 등각 집합값 정책 학습(conformal set-valued policy learning)입니다. 합성 데이터에 대한 실험과 외상 치료 및 체외 수정(IVF)에 대한 실제 적용을 통해, 우리는 제안 방법들이 성능과 신뢰성의 균형을 효과적으로 유지하면서 임상적 고려사항을 자연스럽게 통합하는 강건하고 실행 가능한 정책을 생성함을 입증합니다.

원문 초록

Conventional treatment policies map patient covariates to a single recommended intervention in order to maximize expected clinical outcomes. However, when multiple treatments yield statistically indistinguishable outcomes or when treatment has no effect, recommending a single intervention may result in somewhat arbitrary interventions, undermining clinical adoption and trust. To address this, we propose a set-valued policy learning paradigm. By outputting sets of valuable treatments whose cardinality reflects the recommendation's ambiguity, our approach better supports clinical decision-making. Evaluating a set-valued policy proves subtle due to the range of possible downstream decisions. To do so, we define the set-policy value using a choice function to model clinical decision-making, and we develop doubly robust estimators thereof. Despite its practical importance, set-valued policy learning for categorical treatments remains largely unexplored. In this context, we introduce two complementary approaches: the Greatest Lower Bound method, which extends the learning-to-defer framework to multiple treatments, and conformal set-valued policy learning, which bridges the gap between unobserved ground-truth optimal treatments and estimated optimal treatment rules. Through experiments on synthetic data and real-world applications to trauma care and in-vitro fertilization (IVF), we demonstrate that our methods produce robust and actionable policies that naturally incorporate clinical considerations while effectively balancing performance and reliability.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2605.19830v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.36252v2cs.LG공통 태그 Uncertainty Quantification, Conformal Prediction, counterfactual

원샷 리소스의 부호 기하학: 경로 상 타당성과 부호 곡률 기준

The Signed Geometry of One-Shot Recourse: On-Path Validity and the Signed-Curvature Criterion

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.

arXiv:2610.02487v1cs.LG공통 태그 Decision Making, Uncertainty Quantification, Conformal Prediction

임계값 인지 컨포멀 라우팅

Threshold-Aware Conformal Routing

고충실도 시뮬레이션은 과학 및 공학 설계에 필수적이지만 반복 실행 비용이 많이 들 수 있습니다. 학습된 대리 모델(surrogate)은 더 빠른 대안을 제공하지만, 상대적으로 높은 오차로 인해 다운스트림 의사결정이 바뀔 수 있습니다. 이러한 정확도와 속도 간의 절충으로 인해 대리 모델을 사용할 수 있는지, 아니면 완전한 시뮬레이터가 여전히 필요한지를 결정해야 하는 문제가 발생합니다. 본 연구에서는 관심 대상인 스칼라 수량이 고정된 임계값(threshold)의 상위 또는 하위에 위치하는지에 따라 결정되는 의사결정을 연구합니다. 각 입력에 대해 대리 모델의 컨포멀 구간(conformal interval)이 임계값의 한쪽에 완전히 위치할 때는 대리 모델을 사용하고, 구간이 임계값과 교차할 때는 입력을 시뮬레이션으로 라우팅합니다. 표준 컨포멀 예측은 다운스트림 의사결정 임계값을 고려하지 않고 구간을 구성합니다. 즉, 임계값 근처의 좁은 구간이라도 임계값을 가로질러 시뮬레이션을 트리거할 수 있는 반면, 멀리 떨어진 더 넓은 구간은 한쪽에 완전히 머물러 시뮬레이션을 요구하지 않을 수 있습니다. 이에 의사결정 경계 근처에 구간의 조밀함을 집중시키는 임계값 인지 목적 함수를 사용하여 입력 의존적 스케일을 학습하는 임계값 인지 컨포멀 라우팅(TACR)을 제안합니다. 홀드아웃 데이터에 대한 정확한 분할 컨포멀 보정(split-conformal calibration)은 분포 무관 한계 커버리지(distribution-free marginal coverage)를 보존하며, 이는 라우팅되지 않은 잘못된 임계값 결정 확률의 상한선 역할도 수행합니다. 다양한 과학 및 공학 데이터셋에서 TACR은 동일한 목표 커버리지에서 표준 컨포멀 예측 대비 시뮬레이터 위임(deferral)을 14-75% 감소시킵니다. 임계값 국소 가중치를 적용하지 않았으나 유사한 예측 정확도를 지닌 변형 모델과 비교했을 때, TACR은 4개 데이터셋에서 위임을 10-24% 추가로 줄입니다. 이러한 결과는 라우팅을 위한 구간 할당을 최적화함으로써 표준 컨포멀 보장을 약화시키지 않으면서도 시뮬레이터 호출을 줄일 수 있음을 보여줍니다.

arXiv:2609.27144v2cs.LG공통 태그 Causal Inference, Uncertainty Quantification

미관측 교란 변수에 강건한 위험 점수 학습

Learning Risk Scores Robust to Unobserved Confounders

미관측 교란의 영향을 받는 역사적 관찰 데이터로부터, 희소 자원이나 개입 대상 개인의 우선순위를 정하기 위한 위험 점수를 학습하는 문제를 다룬다. 누가 희소 자원을 받을지에 대한 결정은 설문 응답과 같이 기록된 특성에 기반한 위험 점수에 의해 종종 안내된다. 이러한 위험 점수는 개인의 특성, 배분 결정, 결과에 대한 역사적 기록인 관찰 데이터로부터 직접 학습되는 경우가 점점 늘고 있다. 역사적 배분 정책이 도입한 바이어스를 보정하는 역 성향 가중치(inverse propensity weighting, IPW)와 같은 표준 방법은, 역사적 결정 과정이 기록된 특성으로 완전히 설명될 수 있다면 정확한 위험 점수를 학습하는 데 사용될 수 있다. 그러나 실무에서는 역사적 결정이 종종 기록되지 않은 정보에 의존하여, 학습된 위험 점수가 과거 우선순위를 이끌었던 기록되지 않은 상황을 가진 개인들을 정확히 체계적으로 과소 우선순위화하게 만든다. IPW를 기반으로, 이러한 종류의 미관측 교란에 강건한 위험 점수를 학습하는 방법을 제안한다. 미관측 교란 하에서는 성향 가중치를 신뢰할 수 있게 추정할 수 없으므로, 대신 관측 가능한 데이터와 교란 정도에 대한 도메인 정보 기반 추정치로 결정되는 불확실성 집합에 속하는 것으로 취급하며, 인과 추론(causal inference)의 민감도 분석(sensitivity analysis)과 Wasserstein 분포적 강건 최적화(Wasserstein distributionally robust optimization)를 결합한다. 그 결과 강건 위험 점수 학습 문제는 표본 기반 근사를 허용하며, 이를 기성 솔버와 호환되는 지수 원뿔 프로그램(exponential cone program)으로 재공식화한다. UCI Machine Learning Repository의 데이터셋에서 파생된 반합성(semi-synthetic) 데이터에서 접근법의 효과를 입증한다. 제안 방법은 다른 지표를 손상하지 않으면서, 전통적 벤치마크 대비 보정(calibration)을 최대 29.2%까지, 최신(state of the art) 대비 최대 11.1%까지 개선한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.