YUKTI: новый метод превращает словесные ситуации в надежные решения с гарантией
Исследователи представили YUKTI — новый фреймворк для автоматической формулировки и решения задач принятия решений на основе текстовых описаний. В отличие от существующих подходов, которые сводят задачу к единственному целевому показателю с фиксированными коэффициентами, YUKTI явно моделирует неопределенность во входных данных.
Система использует граф типизированных утверждений, где каждый параметр содержит информацию о форме распределения, неопределенности и происхождении данных. YUKTI автоматически выбирает подходящий решатель (точный, нелинейный или эволюционный) для каждого этапа и связывает этапы через распределенное Парето-согласование.
Ключевая инновация — так называемые Парето-фронтиры, устойчивые к допущениям (Assumption-Robust Pareto Frontiers, ARPF). Метод пересчитывает предположения с учетом eps-загрязнения структуры и оценивает, как часто каждое действие выживает (параметр rho). Авторы доказывают, что rho является точным фактором сожаления (regret) при принятии решений.
Экспериментальная валидация проводилась тремя способами. При контролируемом искажении допущений YUKTI сокращает среднее и хвостовое сожаление более чем на 90% по сравнению с наивным точечным планом. На регулируемом коммерческом решении система оптимизировала действия в рамках законного пространства и оценила риск в евро. На реальном датасете из 41 188 решений YUKTI превзошел зафиксированный статус-кво на 34%, а наивное точечное правило — на 4%.
Сравнение с языковой моделью показало, что LLM, которой даны верные числовые значения и однокритериальная оптимизация, проигрывает YUKTI примерно в 47 раз по удержанному сожалению. Авторы подчеркивают: языковая модель — форматировщик, а не решатель.
Исследование также затрагивает случаи долгосрочной причинной связи, когда последовательность этапов становится некорректной, и требуется переход к обратной индукции. Полный текст работы доступен на arXiv.
