Sintesi Tecnica: Processo Decisionale Conforme Avverso al Rischio con Garanzia Condizionata all'Azione

1. Formulazione del Problema

Nei domini ad alto rischio, come la medicina clinica e la finanza, i modelli di apprendimento automatico assistono i decisori che devono bilanciare l'utilità con la sicurezza. La Predizione Conforme (CP) standard fornisce garanzie di copertura marginale prive di distribuzione ($P(Y \in C(X)) \ge 1-\alpha$). Tuttavia, per agenti avversi al rischio che ottimizzano una funzione di utilità $u(a, Y)$, le garanzie marginali sono insufficienti. Una politica può essere sicura mediamente su una popolazione, pur fallendo catastroficamente per specifiche azioni ad alto rischio (ad esempio, un intervento chirurgico o una quarantena).

Il documento affronta la necessità di una sicurezza condizionata all'azione: garantire che per ogni azione $a$ che un decisore potrebbe intraprendere, la probabilità di ottenere un risultato ad alta utilità sia almeno $1-\alpha$, condizionata alla selezione di quell'azione. Formalmente, l'obiettivo è trovare una politica $a(\cdot)$ e un certificato di utilità $\nu(\cdot)$ che massimizzi l'utilità attesa $E[\nu(X)]$ soggetto a:
$$P(u(a(X), Y) \ge \nu(X) \mid a(X) = a) \ge 1 - \alpha, \quad \forall a \in \mathcal{A}$$
Questo problema, denominato Ottimizzazione della Politica Decisionale Condizionata all'Azione (AC-DPO), è complesso perché l'evento di condizionamento $\{a(X)=a\}$ è endogeno alla politica stessa, creando un ciclo di feedback che i metodi CP standard non affrontano.

2. Metodologia

Framework Teorico: Dai Insiemi di Predizione alle Politiche

Gli autori generalizzano la connessione tra la predizione conforme e il processo decisionale avverso al rischio stabilita da Kiyani et al. (2025b). Introducono la Predizione Conforme Avversa al Rischio Condizionata all'Azione (AC-CPO).

• Relazione Surrogata: Dimostrano che risolvere l'AC-CPO — ovvero costruire insiemi di predizione $C(X)$ che soddisfino vincoli di copertura condizionati all'azione — fornisce una politica fattibile per l'AC-DPO. Nello specifico, la politica ottimale è derivata tramite una regola max-min: $a(X) = \arg\max_{a} \min_{y \in C(X)} u(a, y)$.
• Caratterizzazione a Livello di Popolazione: Utilizzando la dualità convessa, gli autori riparametrizzano il problema in termini di una funzione di copertura puntuale $t(x)$. Stabiliscono una forte dualità, dimostrando che la soluzione ottimale può essere caratterizzata da un vettore sintonizzabile di moltiplicatori di Lagrange $\lambda = (\lambda_a)_{a \in \mathcal{A}}$. Ciò porta a un'espressione in forma chiusa per gli ottimali insiemi di predizione basati sui quantili della distribuzione dell'utilità.

Algoritmo a Campione Finito: AC-RAC

Per tradurre la teoria a livello di popolazione in un algoritmo pratico, gli autori propongono la Calibrazione Avversa al Rischio Condizionata all'Azione (AC-RAC).

1. Score di Non-conformità Specifici per Azione: Definiscono un nuovo score $\lambda^*_a(x, y)$ per ogni azione $a$, che rappresenta la soglia alla quale un esito $y$ diventa "atipico" per l'azione $a$ dato l'input $x$.
2. Minimizzazione della Perdita Pinball: Invece della semplice calibrazione dei quantili, AC-RAC calibra il vettore $\lambda$ minimizzando una perdita pinball (perdita quantile) sul set di calibrazione. La funzione di perdita confronta le soglie selezionate $\lambda_a$ rispetto agli score di non-conformità empirici, condizionati alle azioni indotte.
3. Ottimizzazione: L'algoritmo utilizza il discesa del gradiente proiettata per trovare l'ottimo $\lambda$ che soddisfi i vincoli di copertura condizionati all'azione.
4. Validità: Il metodo fornisce garanzie a campione finito e indipendenti dalla distribuzione. Per dati scambiabili, l'errore di copertura decade con un tasso di $O(1/n)$, garantendo che $P(Y \in C_{final}(X) \mid a_{final}(X) = a) \ge 1 - \alpha$.

3. Contributi Chiave

1. Predizione Conforme Condizionata all'Azione: Il documento introduce una nuova nozione di copertura dove le garanzie di sicurezza sono esplicitamente condizionate all'azione intrapresa dal decisore, piuttosto che alla sola distribuzione marginale delle covariate.
2. Equivalenza Teorica: Stabilisce che gli insiemi di predizione con specifiche strutture di copertura condizionata fungono da surrogati per l'ottimizzazione del Value-at-Risk (VaR) condizionato all'azione per agenti avversi al rischio.
3. Nuovo Algoritmo di Calibrazione: Gli autori sviluppano AC-RAC, il primo algoritmo a campione finito per ottenere una copertura condizionata all'azione priva di distribuzione. Ciò comporta una nuova tecnica di debiasing basata sulla minimizzazione della perdita pinball e su score di non-conformità specifici per azione.
4. Validazione Empirica: Il metodo è validato su due dataset del mondo reale:
   • Diagnosi Medica: Utilizzando il database COVID-19 Radiography, AC-RAC ha dimostrato una copertura condizionata valida per tutte le classi di azioni (incluse quelle rare come "Quarantena"), mentre i baseline marginali (RAC, score-1, score-2) hanno fallito nel coprire specifiche azioni o sono collassati verso le azioni dominanti.
   • Sistemi di Raccomandazione: In un compito di raccomandazione cinematografica, AC-RAC ha ridotto significativamente i tassi di errore critici (raccomandazioni dannose) mantenendo al contempo un'utilità worst-case competitiva rispetto ai baseline risk-neutral.

4. Risultati e Significato

Gli esperimenti confermano che AC-RAC migliora significativamente le prestazioni condizionate all'azione rispetto ai baseline conformi.

• Sicurezza: AC-RAC è l'unico metodo che raggiunge una copertura condizionata valida attraverso tutte le classi di azione. I metodi marginali (come RAC) spesso sovra-coprono le azioni sicure e sotto-coprono le azioni ad alto rischio, portando a garanzie di sicurezza indefinite o violate per decisioni specifiche.
• Utilità: Sebbene AC-RAC imponga vincoli di sicurezza più severi, mantiene un'utilità worst-case competitiva. Il compromesso comporta un modesto aumento della dimensione dell'insieme di predizione (ad esempio, circa il 3,7% più grande di RAC nel compito medico) per garantire la sicurezza per ogni azione.
• Azioni Rare: Un risultato critico è che i metodi marginali spesso ignorano le azioni rare o difficili (ad esempio, selezionando "Quarantena" lo 0% delle volte nel compito medico), mentre AC-RAC calibra con successo queste azioni, assicurando che non rimangano prive di garanzie di sicurezza.

Significato:
Il documento sostiene che nelle applicazioni critiche per la sicurezza, la sicurezza media è insufficiente. I decisori richiedono garanzie che siano valide per ogni potenziale decisione, non solo in media. Unendo la predizione conforme con la teoria decisionale avversa al rischio, questo lavoro fornisce un framework rigoroso per l'impiego di modelli di ML dove l'affidabilità deve essere certificata per singola azione. Gli autori posizionano questo lavoro come un passo fondamentale per la "sicurezza condizionata all'azione", distinta dai metodi esistenti di condizionamento per gruppo o per selezione, affrontando l'endogeneità del processo di selezione dell'azione.