Resumo Técnico: Tomada de Decisão com Risco Aversivo e Garantia Condicional à Ação

1. Formulação do Problema

Em domínios de alto risco, como a medicina clínica e as finanças, modelos de aprendizado de máquina auxiliam tomadores de decisão que devem equilibrar utilidade com segurança. A Predição Conformal (CP) padrão fornece garantias de cobertura marginal livres de distribuição ($P(Y \in C(X)) \ge 1-\alpha$). No entanto, para agentes avessos ao risco que otimizam uma função de utilidade $u(a, Y)$, as garantias marginais são insuficientes. Uma política pode ser segura em média através de uma população, mas falhar catastroficamente para ações de alto risco específicas (ex: cirurgia ou quarentena).

O artigo aborda a necessidade de segurança condicionada à ação: garantir que, para cada ação $a$ que um tomador de decisão possa tomar, a probabilidade de alcançar um resultado de alta utilidade seja de pelo menos $1-\alpha$, condicionada ao fato de essa ação ter sido selecionada. Formalmente, o objetivo é encontrar uma política $a(\cdot)$ e um certificado de utilidade $\nu(\cdot)$ que maximizem a utilidade esperada $E[\nu(X)]$ sujeito a:
$$P(u(a(X), Y) \ge \nu(X) \mid a(X) = a) \ge 1 - \alpha, \quad \forall a \in \mathcal{A}$$
Este problema, denominado Otimização de Política de Decisão Condicional à Ação (AC-DPO), é desafiador porque o evento de condicionamento $\{a(X)=a\}$ é endógeno à própria política, criando um ciclo de feedback que os métodos de CP padrão não abordam.

2. Metodologia

Estrutura Teórica: De Conjuntos de Predição para Políticas

Os autores generalizam a conexão entre predição conformal e tomada de decisão avessa ao risco estabelecida por Kiyani et al. (2025b). Eles introduzem a Otimização de Predição Conformal Avessa ao Risco Condicional à Ação (AC-CPO).

• Relação Substituta (Surrogate): Eles provam que resolver o AC-CPO — construindo conjuntos de predição $C(X)$ que satisfaçam restrições de cobertura condicionadas à ação — gera uma política viável para o AC-DPO. Especificamente, a política ótima é derivada via uma regra max-min: $a(X) = \arg\max_{a} \min_{y \in C(X)} u(a, y)$.
• Caracterização ao Nível da População: Usando dualidade convexa, os autores reparametrizam o problema em termos de uma função de cobertura pontual $t(x)$. Eles estabelecem dualidade forte, mostrando que a solução ótima pode ser caracterizada por um vetor ajustável de multiplicadores de Lagrange $\lambda = (\lambda_a)_{a \in \mathcal{A}}$. Isso leva a uma expressão de forma fechada para os conjuntos de predição ótimos baseados em quantis da distribuição de utilidade.

Algoritmo de Amostra Finita: AC-RAC

Para traduzir a teoria de nível populacional em um algoritmo prático, os autores propõem a Calibração Avessa ao Risco Condicional à Ação (AC-RAC).

1. Scores de Não Conformidade Específicos para a Ação: Eles definem um novo score $\lambda^*_a(x, y)$ para cada ação $a$, representando o limiar no qual um resultado $y$ torna-se "atípico" para a ação $a$ dado o input $x$.
2. Minimização de Perda Pinball: Em vez de uma simples calibração de quantil, o AC-RAC calibra o vetor $\lambda$ minimizando uma perda pinball (perda de quantil) sobre o conjunto de calibração. A função de perda compara os limiares selecionados $\lambda_a$ contra os scores de não conformidade empíricos, condicionados às ações induzidas.
3. Otimização: O algoritmo utiliza o gradiente descendente projetado para encontrar o $\lambda$ ótimo que satisfaça as restrições de cobertura condicionadas à ação.
4. Validade: O método fornece garantias de amostra finita e livres de distribuição. Para dados permutáveis (exchangeable), o erro de cobertura decai a uma taxa de $O(1/n)$, garantindo que $P(Y \in C_{final}(X) \mid a_{final}(X) = a) \ge 1 - \alpha$.

3. Principais Contribuições

1. Predição Conformal Condicional à Ação: O artigo introduz um novo conceito de cobertura onde as garantias de segurança são condicionadas explicitamente à ação tomada pelo tomador de decisão, em vez de apenas à distribuição marginal das covariáveis.
2. Equivalência Teórica: Estabelece que conjuntos de predição com estruturas específicas de cobertura condicional servem como substitutos para a otimização do Valor em Risco (VaR) condicional à ação para agentes avessos ao risco.
3. Novo Algoritmo de Calibração: Os autores desenvolvem o AC-RAC, o primeiro algoritmo de amostra finita para alcançar cobertura condicional à ação livre de distribuição. Isso envolve uma nova técnica de debiasing baseada na minimização da perda pinball e scores de não conformidade específicos para cada ação.
4. Validação Empírica: O método é validado em dois conjuntos de dados do mundo real:
   • Diagnóstico Médico: Usando o banco de dados de radiografia de COVID-19, o AC-RAC demonstrou cobertura condicional válida em todas as ações (incluindo as raras, como "Quarentena"), enquanto as linhas de base marginais (RAC, score-1, score-2) falharam em cobrir ações específicas ou colapsaram para ações dominantes.
   • Sistemas de Recomendação: Em uma tarefa de recomendação de filmes, o AC-RAC reduziu significamente as taxas de erro crítico (recomendações prejudiciais) enquanto mantinha uma utilidade de pior caso competitiva em comparação com bases neutras ao risco.

4. Resultados e Significância

Os experimentos confirmam que o AC-RAC melhora significativamente o desempenho condicional à ação em relação às bases de predição conformal.

• Segurança: O AC-RAC é o único método que alcança cobertura condicional válida em todas as classes de ação. Métodos marginais (como o RAC) frequentemente supercobrem ações seguras e subcobrem ações de alto risco, levando a garantias de segurança indefinidas ou violadas para decisões específicas.
• Utilidade: Embora o AC-RAC imponha restrições de segurança mais rigorosas, ele mantém uma utilidade de pior caso competitiva. O trade-off envolve um aumento modesto no tamanho do conjunto de predição (ex: ~3,7% maior que o RAC na tarefa médica) para garantir a segurança de todas as ações.
• Ações Raras: Um achado crítico é que métodos marginais frequentemente ignoram ações raras ou difíceis (ex: selecionar "Quarentena" 0% das vezes na tarefa médica), enquanto o AC-RAC calibra essas ações com sucesso, garantindo que elas não fiquem sem garantias de segurança.

Significância:
O artigo argumenta que, em aplicações de segurança crítica, a segurança média é insuficiente. Tomadores de decisão exigem garantias que se sustentem para cada decisão potencial, não apenas na média. Ao unir a predição conformal com a teoria de decisão avessa ao risco, este trabalho fornece um framework principiológico para o implante de modelos de ML onde a confiabilidade deve ser certificada por ação. Os autores posicionam isso como um passo fundamental para a "segurança condicional à ação", distinta dos métodos existentes de condicionalidade de grupo ou de seleção, ao abordar a endogeneidade do processo de seleção de ação.