Résumé Technique : Prise de Décision Conforme et Averse au Risque avec Garantie Conditionnelle à l'Action

1. Formulation du Problème

Dans les domaines à enjeux élevés tels que la médecine clinique et la finance, les modèles d'apprentissage automatique assistent les décideurs qui doivent équilibrer l'utilité et la sécurité. La Prédiction Conforme (CP) standard fournit des garanties de couverture marginale sans hypothèse de distribution ($P(Y \in C(X)) \ge 1-\alpha$). Cependant, pour les agents deversés pour l'aversion au risque optimisant une fonction d'utilité $u(a, Y)$, les garanties marginales sont insuffisantes. Une politique peut être sûre en moyenne sur une population tout en échouant de manière catastrophique pour des actions spécifiques à haut risque (par exemple, une chirurgie ou une mise en quarantaine).

Le présent article traite de la nécessité d'une sécurité conditionnelle à l'action : garantir que pour chaque action $a$ qu'un décideur pourrait entreprendre, la probabilité d'obtenir un résultat à haute utilité est au moins de $1-\alpha$, conditionnée par le fait que cette action soit sélectionnée. Formellement, l'objectif est de trouver une politique $a(\cdot)$ et un certificat d'utilité $\nu(\cdot)$ qui maximisent l'utilité attendue $E[\nu(X)]$ sous la contrainte :
$$P(u(a(X), Y) \ge \nu(X) \mid a(X) = a) \ge 1 - \alpha, \quad \forall a \in \mathcal{A}$$
Ce problème, nommé Optimisation de Politique de Décision Conditionnelle à l'Action (AC-DPO), est complexe car l'événement de conditionnement $\{a(X)=a\}$ est endogène à la politique elle-même, créant une boucle de rétroaction que les méthodes de CP standard ne traitent pas.

2. Méthodologie

Cadre Théorique : Des Ensembles de Prédiction aux Politiques

Les auteurs généralisent la connexion entre la prédiction conforme et la prise de décision averse au risque établie par Kiyani et al. (2025b). Ils introduisent la Prédiction Conforme Averse au Risque Conditionnelle à l'Action (AC-CPO).

• Relation de Substitution : Ils prouvent que la résolution de l'AC-CPO — la construction d'ensembles de prédiction $C(X)$ satisfaisant des contraintes de couverture conditionnelles à l'action — produit une politique réalisable pour l'AC-DPO. Spécifiquement, la politique optimale est dérivée via une règle max-min : $a(X) = \arg\max_{a} \min_{y \in C(X)} u(a, y)$.
• Caractérisation au Niveau de la Population : En utilisant la dualité convexe, les auteurs reparamètrent le problème en termes d'une fonction de couverture ponctuelle $t(x)$. Ils établissent une dualité forte, montrant que la solution optimale peut être caractérisée par un vecteur ajustable de multiplicateurs de Lagrange $\lambda = (\lambda_a)_{a \in \mathcal{A}}$. Cela mène à une expression en forme close pour les ensembles de prédiction optimaux basés sur les quantiles de la distribution d'utilité.

Algorithme à Échantillon Fini : AC-RAC

Pour traduire la théorie de niveau population en un algorithme pratique, les auteurs proposent l'Étalonnage Averse au Risque Conditionnel à l'Action (AC-RAC).

1. Scores de Non-Conformité Spécifiques à l'Action : Ils définissent un nouveau score $\lambda^*_a(x, y)$ pour chaque action $a$, représentant le seuil auquel un résultat $y$ devient "atypique" pour une action $a$ étant donné l'entrée $x$.
2. Minimisation de la Perte Pinball : Au lieu d'un simple étalonnage par quantile, l'AC-RAC calibre le vecteur $\lambda$ en minimisant une perte pinball (perte quantile) sur l'ensemble de calibration. La fonction de perte compare les seuils sélectionnés $\lambda_a$ aux scores de non-conformité empiriques, conditionnés par les actions induites.
3. Optimisation : L'algorithme utilise la descente de sous-gradient projetée pour trouver le $\lambda$ optimal qui satisfait les contraintes de couverture conditionnelles à l'action.
4. Validité : La méthode fournit des garanties à échantillon fini et sans hypothèse de distribution. Pour des données échangeables, l'erreur de couverture décroît à un taux de $O(1/n)$, assurant que $P(Y \in C_{final}(X) \mid a_{final}(X) = a) \ge 1 - \alpha$.

3. Contributions Clés

1. Prédiction Conforme Conditionnelle à l'Action : L'article introduit une nouvelle notion de couverture où les garanties de sécurité sont explicitement conditionnées sur l'action entreprise par le décideur, plutôt que simplement sur la distribution marginale des covariables.
2. Équivalence Théorique : Il établit que les ensembles de prédiction avec des structures de couverture conditionnelle spécifiques servent de substituts pour optimiser la Valeur à Risque (VaR) conditionnelle à l'action pour les agents deversés pour le risque.
3. Nouvel Algorithme d'Étalonnage : Les auteurs développent l'AC-RAC, le premier algorithme à échantillon fini capable d'atteindre une couverture conditionnelle à l'action sans hypothèse de distribution. Cela implique une nouvelle technique de correction de biais basée sur la minimisation de la perte pinball et des scores de non-conformité spécifiques à l'action.
4. Validation Empirique : La méthode est validée sur deux jeux de données du monde réel :
   • Diagnostic Médical : En utilisant la base de données COVID-19 Radiography, l'AC-RAC a démontré une couverture conditionnelle valide à travers toutes les actions (y compris les plus rares comme "Quarantaine"), alors que les bases marginales (RAC, score-1, score-2) échouaient à couvrir certaines actions ou s'effondraient vers les actions dominantes.
   • Systèmes de Recommandation : Dans une tâche de recommandation de films, l'AC-RAC a considérablement réduit les taux d'erreurs critiques (recommandations nuisibles) tout en maintenant une utilité de pire cas compétitive par rapport aux bases neutres au risque.

4. Résultats et Signification

Les expériences confirment que l'AC-RAC améliore significativement les performances conditionnelles à l'action par rapport aux bases conformes.

• Sécurité : L'AC-RAC est la seule méthode qui parvient à une couverture conditionnelle valide pour toutes les classes d'actions. Les méthodes marginales (comme RAC) sur-couvrent souvent les actions sûres et sous-couvrent les actions à haut risque, entraînant des garanties de sécurité indéfinies ou violées pour des décisions spécifiques.
• Utilité : Bien que l'AC-RAC impose des contraintes de sécurité plus strictes, il maintient une utilité de pire cas compétitive. Le compromis implique une légère augmentation de la taille de l'ensemble de prédiction (par exemple, environ 3,7 % plus grand que le RAC dans la tâche médicale) pour assurer la sécurité de toutes les actions.
• Actions Rares : Une conclusion critique est que les méthodes marginales ignorent souvent les actions rares ou difficiles (par exemple, sélectionner "Quarantaine" 0 % du temps dans la tâche médicale), tandis que l'AC-RAC calibre avec succès ces actions, garantissant qu'elles ne soient pas dépourvues de garanties de sécurité.

Signification :
L'article soutient que dans les applications critiques pour la sécurité, la sécurité moyenne est insuffisante. Les décideurs ont besoin de garanties qui tiennent pour chaque décision potentielle, et non seulement en moyenne. En jetant un pont entre la prédiction conforme et la théorie de la décision averse au risque, ce travail fournit un cadre principiel pour déployer des modèles de ML où la fiabilité doit être certifiée par action. Les auteurs positionnent cela comme une étape fondamentale vers la "sécurité conditionnelle à l'action", distincte des méthodes existantes de conditionnement par groupe ou par sélection, en traitant l'endogénéité du processus de sélection de l'action.