Conformal Risk Sharing: Certified Cost Allocation with Participation Guarantees

技術要約：コンフォーマル・リスク・シェアリング（Conformal Risk Sharing）

問題定式化：認定割当問題（The Certified Allocation Problem）
本論文は、マルチエージェント・システムにおける根本的な課題、すなわち実現したコストの再分配について取り組んでいる。ピア・ツー・ピア（P2P）型のパラメトリック保険、協同エネルギー・コミュニティ、共有コンピューティング・インフラストラクチャなどの文脈において、エージェントはランダムなコスト・ベクトルに直面する。これらのコストをプールすることで、極端な結果に対する個々の曝露（テール・リスク）を軽減できる可能性がある一方で、それは「勝者と敗者」のダイナミクスを生み出す。もし再分配ポリシーによって、あるエージェントの高信頼度における義務上限が、自身のコストをそのまま負担する場合（アイデンティティ・ポリシー）と比較して上昇した場合、そのエージェントには離脱の動機が生じ、アドバース・セレクション（逆選択）によってプール自体が崩壊する可能性がある。

著者らはこれを**認定割当問題（Certified Allocation Problem）**として定式化している。目標は、有限のデータから、パラメトリックな分布仮定を置かずに、以下の3つの要件を同時に満たす再分配ポリシー $A^*$ を見つけることである：

1. エージェントごとのテール妥当性 (R1): 各エージェントの将来の義務に対して、有限サンプルでの高確率な上限（「キャップ」）を提供し、$P(X_i(A^*) \le \hat{c}_i) \ge 1-\delta$ を保証すること。
2. 集計効率性 (R2): これらのキャップの加重総和を、ベースライン（アイデンティティ・ポリシー）と比較して減少させること。
3. 参加条件（限定された不利益） (R3): 全エージェントにおける「不利益」（ベースラインに対するキャップの上昇分）の総和が、あらかじめ指定された予算内に収まっていることを検証すること。

この問題は、既存のフレームワークとは異なる。なぜなら、保存制約（総義務額は実現した総コストに等しい）によって結合された複数のエージェントに対し、分布フリーなテール証明を同時に提供する必要があるためであり、この構造は独立した単一エージェントの問題に還元することはできない。

手法：コンフォーマル・リスク・シェアリング
提案される解決策である**コンフォーマル・リスク・シェアリング（Conformal Risk Sharing）**は、分割コンフォーマル予測（split conformal prediction）に基づく「訓練・選択・証明」のパイプラインを採用している。

1. ポリシー・クラス: 本手法は、アイデンティティ行列（プールなし）とベースとなる・プーリング・ルール $\bar{A}$ の凸結合として定義される、解釈可能な線形共有ポリシーを利用する：
   $$A(\alpha) = (1-\alpha)I + \alpha\bar{A}$$
   ここで、$\alpha \in [0,1]$ は相互扶助の強度を制御する。ベースとなるルール $\bar{A}$ は、固定（例：一様プーリング、空間的局所性）することも、データから学習（例：分散最適化された二重確率ベースライン）することも可能である。

2. 3段階のプロトコル:

   • ステージ1（訓練）: $\bar{A}$ がデータ駆動型である場合、訓練セット $T$ 上で適合させる。
   • ステージ2（選択）: 検証セット $V$ 上で、集計的な経験リスクを最小化しつつ、参加制約のプロキシ（代理指標）としての不利益予算を満たす最適な $\alpha^*$ を探索する。この段階では統計的な保証は主張されない。
   • ステージ3（証明）: 保持された較正セット $C$（$T$ および $V$ とは互いに素）を用いて、コンフォーマル・キャップを計算する。固定されたポリシー $A^*$ に対して、エージェント $i$ のキャップは、$C$ における彼らの義務の $k$ 番目の順序統計量である。ここで $k = \lceil(m+1)(1-\delta)\rceil$ である。
   • 監査: システムは、証明されたキャップが参加制約（R3）を満たしているかを確認する。満たしている場合は $A^*$ をデプロイし、そうでない場合はベースラインであるアイデンティティ・ポリシーに回帰する。

3. 理論的保証: ブロック交換可能性（ブロックは年や請求サイクルなどの自然な期間を表す）の仮定の下で、本手法は限界的なエージェントごとのテール証明を提供する。定理1は、任意のエージェント $i$ について、将来の義務が証明されたキャップを超える確率が $\delta$ 以下であることを保証する。系1は、これをシステムレベルの関数（例：総集計コスト）へと拡張する。このフレームワークは分布フリーであり、有限サンプルに対して有効である。

主な貢献

1. 問題の定式化: 本論文は、協同的なコスト・シェアリング、コンフォーマル推論、およびロバスト最適化を橋渡しする「認定割当問題」を特定し、定式化した。既存の手法では、参加制約を伴うマルチエージェントの再分配に対して、有限サンプルの分布フリーなテール証明を提供できないというギャップを明らかにしている。
2. 解決フレームワーク: 分割コンフォーマル較正を通じて、エージェントごとのテール証明とシステムレベルの保証を直接生成し、参加制約を明示的に強制する具体的なパイプラインである「コンフォーマル・リスク・シェアリング」を導入した。
3. 実証的検証: 合成データ、格子状降水量損失（E-OBS）、およびエネルギー協同組合の消費データを用いてフレームワークを検証した。

実験結果

• 合成データ: ランダムな分割および時系列順の分割の両方において、近似的に公称通りの被覆率（平均 $\approx 0.91$ for $\delta=0.1$）を維持している。高リスクのエージェントに対して顕著なテール緩和を実現しており（ランダム分割において上位10パーセンタイル・キャップを $\approx 9\%$ 減少）、参加制約が、多くのエージェントに不利益を与えるようなポリシーを効果的に排除していることが示された（PASS率 $\approx 0.77$）。
• 降水量データ (E-OBS): 強い空間依存性とヘビーテイルを持つ設定において、グローバル・プーリングは集計された証明済みキャップを27%削減し、最高リスクのデシル（10分位）に対してはほぼ50%の削減を達成した。しかし、本手法は非定常性に対して敏感であることが示された。時系列順の分割では、較正ウィンドウに古い、代表性の低いデータが含まれることで被覆率が低下し、定期的な再証明の必要性が確認された。
• エネルギー協同組合: 弱く非構造的な相関を持つデータセットにおいて、最大51%の集計キャップ削減と、最高需要デシルの82%の削減を達成した。PASS率は1.00であり、低依存性の設定においては、プーリングの恩恵が参加制約に抵触することなく、ほぼすべてのエージェントに同時に及ぶことが示された。

意義と主張
本論文は、ポリシー選択、エージェントごとの分布フリーなテール証明、および有限データからの参加検証を同時に扱う最初の解決フレームワークを提供すると主張している。その意義は、以下の点にある：

• 極端な負担の緩和: パラメトリックなテールモデルに依存することなく、高リスクのエージェントに対する極端な義務を大幅に軽減する。
• 信頼性の確保: 「判読可能な」保証（証明されたキャップ）と、参加のための明示的な監査を提供することで、自発的なプーリングを脅かすアドバース・セレクションのリスクを軽減する。
• 運用の堅牢性: ヘビーテイル、ゼロ過剰データ、および空間依存性を扱うことができるが、強い依存性（これが参加制約を不可能にする可能性がある）に関する限界や、非定常な環境における定期的な再証明の必要性についても認めている。

著者らは、エージェントが将来の最大負債に対して証明された確信を持って参加できる、信頼性の高いデータ駆動型リスク・シェアリング・メカニズムへの一歩として、本研究を位置づけている。