तकनीकी सारांश: निर्णय नीतियों का जोखिम-नियंत्रित पोस्ट-प्रोसेसिंग (Risk-Controlled Post-Processing of Decision Policies)

समस्या का निरूपण (Problem Formulation)

यह शोध पत्र मौजूदा निर्णय लेने वाले ढांचों (decision-making frameworks) के भीतर भविष्य कहनेवाला मॉडल (predictive models) तैनात करने की चुनौती को संबोधित करता है, जहाँ हितधारक (stakeholders) स्थापित नीतियों को तब तक बदलने के इच्छुक नहीं होते जब तक कि अत्यंत आवश्यक न हो। मुख्य समस्या को जोखिम-नियंत्रित पोस्ट-प्रोसेसिंग (risk-controlled post-processing) के रूप में परिभाषित किया गया है: एक नियतात्मक बेसलाइन नीति $\pi_0$, एक मूल लॉस फंक्शन $\ell(a, y)$, एक लॉस कटऑफ $c$, और एक रिस्क बजट $\epsilon$ दिया गया है, तो लक्ष्य एक नई नीति $\pi$ का निर्माण करना है जो उल्लंघन जोखिम (violation risk) पर एक चांस कंस्ट्रेंट (chance constraint) के अधीन $\pi_0$ के साथ सहमति (agreement) को अधिकतम करती है।

विशेष रूप से, उल्लंघन की घटना को $\{\ell(\pi(X), Y) \ge c\}$ के रूप में परिभाषित किया गया है, और बाधा (constraint) यह है कि इस घटना की प्रायिकता $\epsilon$ से अधिक नहीं होनी चाहिए:
$$\max_{\pi} P(\pi(X) = \pi_0(X)) \quad \text{s.t.} \quad P(\ell(\pi(X), Y) \ge c) \le \epsilon.$$
यह निरूपण मौजूदा नीति के प्रति निष्ठा (fidelity) को प्राथमिकता देता है (हस्तक्षेप करने वाले परिवर्तनों को न्यूनतम करना) जबकि जोखिम बाधा के माध्यम से सुरक्षा या विश्वसनीयता सुनिश्चित करता है।

कार्यप्रणाली (Methodology)

जनसंख्या-स्तरीय ओरेकल समाधान (Population-Level Oracle Solution)

लेखक पहले जनसंख्या स्तर पर इष्टतम समाधान का लक्षण वर्णन करते हैं (यह मानते हुए कि अनंत डेटा और ज्ञात वितरण उपलब्ध हैं)। वे परिभाषित करते हैं:

• सशर्त उल्लंघन जोखिम (Conditional violation risk): $g(a, x) = P(\ell(a, Y) \ge c \mid X=x)$।
• ओरेकल फॉलबैक नीति ($\pi^*$): एक ऐसी नीति जो किसी दिए गए संदर्भ $x$ के लिए $g(a, x)$ को न्यूनतम करती है।
• ओरेकल स्कोर ($\Delta$): $\pi_0$ से ओरेकल फॉलबैक $\pi^*$ पर स्विच करने से प्राप्त सशर्त उल्लंघन जोखिम में कमी, जिसे $\Delta(x) = g(\pi_0(x), x) - g(\pi^*(x), x)$ के रूप में परिभाषित किया गया है।

थ्योरम 3.1 यह स्थापित करता है कि इष्टतम जनसंख्या नीति में एक थ्रेशोल्ड संरचना (threshold structure) होती है। यह बेसलाइन एक्शन $\pi_0(x)$ को तब बनाए रखती है जब ओरेकल स्कोर $\Delta(x)$ एक थ्रेशोल्ड $\tau$ से नीचे होता है, और $\pi^*(x)$ पर तब स्विच करती है जब $\Delta(x) \ge \tau$ होता है। थ्रेशोल्ड $\tau$ को इस तरह चुना जाता है कि जोखिम बाधा सटीक (tight) रहे।

परिमित-नमूना एल्गोरिदम (Finite-Sample Algorithm - Algorithm 1)

चूंकि वास्तविक सशर्त वितरण अज्ञात हैं, इसलिए शोध पत्र एक परिमित-नमूना कॉन्फॉर्मलाइज्ड पोस्ट-प्रोसेसिंग एल्गोरिदम प्रस्तावित करता है:

1. प्रशिक्षण (Training): एक प्रशिक्षण सेट का उपयोग करके एक फॉलबैक नीति $\hat{\pi}^*$ और एक स्कोर फंक्शन $\hat{\Delta}$ को फिट किया जाता है।
2. कैलिब्रेशन (Calibration): एक होल्ड-आउट कैलिब्रेशन सेट का उपयोग थ्रेशोल्ड $\hat{\tau}$ चुनने के लिए किया जाता है। एल्गोरिदम एक "बंप्ड" एम्पिरिकल रिस्क फंक्शन $\hat{R}^+_n(\tau)$ बनाता है और सबसे बड़ा थ्रेशोल्ड $\hat{\tau}$ चुनता है ताकि $\hat{R}^+_n(\hat{\tau}) \le \epsilon$ हो सके।
3. परिनियोजन (Deployment): अंतिम नीति $\hat{\pi}(x; \hat{\tau})$ केवल तभी $\hat{\pi}^*(x)$ पर स्विच करती है जब $\hat{\Delta}(x) \ge \hat{\tau}$ हो।

सैद्धांतिक विश्लेषण (Theoretical Analysis)

शोध पत्र दो अलग-अलग व्यवस्थाओं (regimes) में एल्गोरिदम का विश्लेषण करता है:

1. सामान्य फॉलबैक (गैर-मोनोटोन लॉस - Non-Monotone Loss):
   जब फॉलबैक नीति का अनुमान लगाया जाता है (जैसे, प्लग-इन एस्टीमेशन के माध्यम से), तो उल्लंघन लॉस $L(x, y; \tau)$ अनिवार्य रूप से $\tau$ के सापेक्ष मोनोटोन नहीं होता है। यह मानक कॉन्फॉर्मल रिस्क कंट्रोल गारंटियों को बाधित करता है।

• तकनीक: लेखक एल्गोरिदमिक स्थिरता (algorithmic stability) और स्टोकेस्टिक प्रक्रियाओं (stochastic processes) का लाभ उठाते हैं। वे एक "रैंक अस्थिरता" $K$ को परिभाषित करते हैं, जो पूरे डेटा के साथ चुने गए थ्रेशोल्ड और एक डेटा पॉइंट हटाने के बाद चुने गए थ्रेशोल्ड के बीच विस्थापन को मापता है।
• परिणाम: विशिष्ट नियमितता स्थितियों (विशेष रूप से जोखिम न्यूनीकरण के सशट्य माध्य पर एक ड्रिफ्ट कंडीशन) के तहत, वे सिद्ध करते हैं कि अपेक्षित रैंक अस्थिरता $O(\log n)$ है। फलस्वरूप, अपेक्षित अतिरिक्त उल्लंघन जोखिम $O(\log n / n)$ द्वारा सीमित है।

2. एक्जैक्ट-सेफ फॉलबैक (मोनोटोन लॉस - Monotone Loss):
   यदि एक "एक्जैक्ट-सेफ" फॉलबैक नीति $\pi_{safe}$ मौजूद है (जहाँ $\ell(\pi_{safe}(x), y) < c$ सभी $x, y$ के लिए है), तो लॉस फंक्शन थ्रेशोल्ड के सापेक्ष मोनोटोन हो जाता है।

• परिणाम: एक्सचेंजेबिलिटी (exchangeability) (i.i.d. के बजाय) की कमजोर धारणा के तहत, एल्गोरिदम सटीक अपेक्षित जोखिम नियंत्रण ($E[L] \le \epsilon$) प्राप्त करता है।
• निकट-इष्टतमता (Near-Optimality): इस व्यवस्था में, शोध पत्र यह भी प्रदान करता है कि पोस्ट-प्रोसेस्ड नीति इष्टतम सहमति प्राप्त करती है, जिसकी उप-इष्टतमता (sub-optimality) $O(1/\sqrt{n})$ की दर से घटती है और इसमें स्कोर एस्टीमेशन सटीकता पर निर्भर त्रुटि पद शामिल है।

प्रमुख योगदान (Key Contributions)

• समस्या का निरूपण: जोखिम-नियंत्रित पोस्ट-प्रोसेसिंग को एक चांस कंस्ट्रेंट के अधीन सहमति-अधिकतमीकरण समस्या के रूप में फ्रेम किया गया।
• ओरेकल लक्षण वर्णन: सिद्ध किया कि इष्टतम जनसंख्या नीति उच्चतम ओरेकल स्कोर वाले संदर्भों पर बेसलाइन से फॉलबैक नीति पर स्विच करती है (थ्रेशोल्ड संरचना)।
• एल्गोरिदम डिजाइन: एक परिमित-नमूना एल्गोरिदम (Algorithm 1) प्रस्तावित किया गया है जो थ्र्रेसहोल्ड चुनने के लिए कैलिब्रेशन डेटा का उपयोग करता है, जो एक्जैक्ट-सेफ और सामान्य फिटेड फॉलबैक दोनों के लिए लागू है।
• सैद्धांतिक गारंटी:
  • रैंक स्थिरता और बायस्ड रैंडम वॉक विश्लेषण का उपयोग करके सामान्य (गैर-मोनोटोन) सेटिंग्स के लिए $O(\log n / n)$ अपेक्षित अतिरिक्त जोखिम सीमाएं स्थापित की गईं।
  • एक्सचेंजेंजेबिलिटी के तहत एक्जैक्ट-सेफ फॉलबैक व्यवस्था के लिए सटीक जोखिम नियंत्रण और निकट-इष्टतमता गारंटी प्रदान की गई।
• अनुभवजन्य सत्यापन (Empirical Validation): तीन कार्यों पर पद्धति की प्रभावकारिता का प्रदर्शन किया गया:
  1. COVID-19 रेडियोग्राफ डायग्नोसिस: एक जटिल लॉस मैट्रिक्स वाला मेडिकल इमेजिंग कार्य, जो दिखाता है कि विधि रिस्क बजट को पूरा करती है और RAC बेसलाइन से स्विचिंग को न्यूनतम करती है।
  2. LLM रूटिंग: एक कार्य जो क्वेरी को एक तेज़, सस्ते मॉडल और एक धीमे, महंगे "थिंकिंग" मॉडल के बीच रूट करता है, जो रैंडम मिक्सिंग बेसलाइन्स की तुलना में महत्वपूर्ण कम्प्यूटेशनल लागत बचत दिखाता है।
  3. सिंथेटिक मल्टीक्लास टास्क: यह सत्यापित किया गया कि एल्गोरिदम ओरेकल एग्रीमेंट-रिस्क ट्रेडऑफ़ को बारीकी से ट्रैक करता है।

परिणाम और महत्व (Results and Significance)

शोध पत्र का दावा है कि लक्षित पोस्ट-प्रोसेसिंग स्कोर-अंध (score-blind) रैंडम मिक्सिंग की तुलना में काफी अधिक सहमति बनाए रखते हुए सख्त जोखिम बजट को पूरा कर सकती है या लगभग पूरा कर सकती है।

• दक्षता (Efficiency): LLM रूटिंग प्रयोग में, प्रस्तावित विधि ने समान उल्लंघन जोखिम बनाए रखते हुए रैंडम मिक्सिंग की तुलना में कम्प्यूटेशनल लागत (FLOPs) को 12-19% कम कर दिया।
• सुरक्षा (Safety): मेडिकल डायग्नोसिस कार्य में, एल्गोरिदम ने न्यूनतम स्विचिंग दरों (जैसे, 0.09) के साथ उल्लंघन जोखिम को सफलतापूर्वक नियंत्रित किया (जैसे, इसे 0.18 से घटाकर 0.10 करना), जबकि रैंडम मिक्सिंग को समान जोखिम स्तर प्राप्त करने के लिए बहुत अधिक स्विचिंग दरों की आवश्यकता थी।
• मजबूती (Robustness): सैद्धांतिक विश्लेषण उन स्थितियों में भी गारंटी प्रदान करता है जब लॉस फंक्शन गैर-मोनोटोन होता है, जो पोस्ट-प्रोसेसिंग में एक सामान्य समस्या है जिसे मानक कॉन्फॉर्मल तरीके मजबूत धारणाओं के बिना हल करने में संघर्ष करते हैं।

इस कार्य का महत्व मौजूदा निर्णय प्रणालियों के लिए एक "लाइटवेट रैपर" (lightweight wrapper) प्रदान करने में निहित है। यह हितधारकों को परिचित या लेगेसी नीतियों को पूरी तरह से त्यागने के बिना सुरक्षा बाधाओं को लागू करने की अनुमति देता है, जो जोखिम नियंत्रण के लिए एक गणितीय रूप से कठोर पथ प्रदान करता है जो नए निर्णय नियम को शून्य से सीखने की तुलना में कम दखल देने वाला है।