SRC校准代理约束风险，覆盖优化器最终决策

摘要：论文提出 Selected-Risk Calibration（SRC），将代理约束的校准对象从随机输入转向优化器实际返回的决策，并以“选中风险”衡量最终解违反真实约束的概率。在目标分布独立留出集上，SRC 以至少 1−δ 的概率，为每个认证边界给出不超过 γ 的风险保证。实验显示，覆盖约 90% 随机输入的保形边界仅覆盖约 17% 的返回决策，同时认证边界在未见目标上的违规率均低于目标。该方法指出了标准分裂保形预测和反馈协变量偏移重加权在闭环优化中的适用性缺口。

---

核心问题：约束可行不等于最终决策可行

在带代理约束的优化问题中，优化器返回的决策可能违反真实约束。即使该决策对学习到的代理约束可行，也不足以证明它对真实约束可行。标准分裂保形预测通常控制的是随机输入上的覆盖误差，但工程系统真正关心的是：优化器最终选出的那些决策，其违规风险有多高。

论文将这一风险定义为 selected risk：

[ R_{\mathrm{sel}}(\delta)=\Pr!\left{g_{\mathrm{true}}(x^*(X))>0\right}, ]

其中 (X) 表示待优化实例，(x^*(X)) 是优化器返回的决策，(g_{\mathrm{true}}) 为真实约束的可行性边界函数。与普通条件风险不同，该事件由优化器、代理模型和目标分布共同决定；仅对输入随机性做保形校准，不能自动控制它。

SRC如何校准最终决策

Selected-Risk Calibration（SRC）的关键不是重新训练代理约束，而是改变校准数据的生成方式和统计口径。框架从目标分布抽取一批优化实例，让优化器在每个实例上实际运行，并将最终返回的决策送入可验证的真实约束检查器。由此得到一个“优化器输出级”的校准样本，而不是随机输入级样本。

在目标分布独立留出的一组实例上，SRC为每个认证边界提供有限样本保证：以至少 (1-\delta) 的概率，该边界对应的选中风险不超过指定水平 (\gamma)。换言之，边界并非仅声称覆盖约 ((1-\alpha)) 的随机输入，而是直接约束最终决策发生真实约束违规的概率。

论文同时证明两项方法论边界：

1. 随机输入覆盖不等于选中风险受控。 优化器可能把大量实例映射到少数高度相关的返回决策。保形区间覆盖普通输入，并不意味着它覆盖这些经选择后的决策。
2. 反馈协变量偏移的似然比重加权通常不成立。 当代理约束在返回决策处被激活时，输入分布与反馈分布之间的关系已不再是简单的协变量偏移。此时使用似然比修正，会忽略优化器选择造成的依赖结构。

为什么必须针对“选中决策”校准

设代理约束给出的可行裕量为 (m(x))，真实违规指示量为

[ V=\mathbf{1}!\left{g_{\mathrm{true}}(x^*(X))>0\right}. ]

普通保形方法回答的是

[ \Pr{g_{\mathrm{true}}(X)\le \widehat g(X)+m(X)} \ge 1-\alpha, ]

而 SRC 要回答的是

[ \Pr{V=1}\le\gamma. ]

两者并非等价命题。实际部署中，优化器通常会偏向那些代理模型置信度较高、裕量较大的候选解，因此返回决策并非随机输入的独立抽样。忽略这种选择效应，可能让看似保守的代理边界在真实系统中频繁产生不可行结果。

实验表现与工程解读

论文报告，一个覆盖约 90% 随机输入的保形边界，实际只覆盖约 17% 的返回决策。这组结果揭示了代理模型在随机样本上的统计覆盖与闭环优化可靠性之间存在巨大落差。SRC 认证出的边界在未见目标上的违规率均低于设定目标，说明校准目标与部署关注点更加一致。

在相同成本条件下，SRC 的修正相较各基线在 62 组比较中有 57 组产生更少或相同数量的不可行解。需要注意，这里的“不超过基线”比绝对违规率更重要：优化代理约束时，边界过松会损害可行性，边界过紧则可能减少可行搜索空间、增加成本或损害目标值，修正方法必须同时处理这两种失败模式。

工程权衡与适用边界

SRC 的优势是把可靠性统计量落到最终决策，但代价是校准阶段必须执行完整优化和真实约束验证。对于组合优化、机器人规划或安全关键控制，这可能非常昂贵，因为每个校准实例都要触发求解器，甚至需要物理执行或高成本仿真。

方法还依赖若干重要假设：

• 校准实例必须来自目标分布；分布明显漂移后，保证不再自动成立。
• 真实可行性必须能够被可靠验证；若验证器本身有噪声或模型误差，SRC 的边界会继承并放大这些偏差。
• 优化器、代理模型和候选生成流程应在校准与部署间保持可比；更换求解器或搜索策略可能改变返回决策的选择机制。
• 有限的 (\gamma) 风险不等于严格零违规。若任务要求绝对安全，仍需硬约束验证、可行性过滤或回退机制。

SRC 也不等同于直接提高代理模型的预测准确率。它解决的是概率校准对象错位：即使代理约束的排序能力有限，只要其违规可以被样本验证，仍可针对优化器输出建立更有意义的风险证书。

落地建议

对于使用学习代理约束的工程系统，可按以下流程部署：

1. 固定优化器版本、代理模型版本和决策生成策略，建立可追踪配置。
2. 从真实目标分布采样校准实例，对每个实例运行完整优化流程。
3. 使用独立真实验证器检查返回解，并保存优化轨迹与可行性标签。
4. 通过 SRC 计算认证边界，显式设置目标违规率 (\gamma)、置信参数 (\delta) 和计算预算。
5. 在独立分布漂移集、求解器变更场景和不同负载下持续监控经验违规率。
6. 将认证边界作为收紧代理约束的参考，而不是绝对安全证明；对残余违规设置回退和人工审核。

对于大模型或智能体系统，这一框架可迁移到任何“模型提出决策、外部验证器检查决策”的流程，例如工具调用参数约束、工作流输出模式、代码生成可执行性和智能体规划安全检查。核心要求不是模型必须处于随机输入空间，而是必须能获得最终返回动作并对其进行真实可行性验证。

研究价值

SRC 的核心贡献是重新定义了代理优化约束的可靠性口径：不是问模型对随机输入覆盖多少，而是问优化器最终交付的解有多大概率真正可行。这一转变把统计保证从模型内部评测推进到闭环决策层，也揭示了直接将保形预测套用到代理约束、却不校准选择后分布时可能出现的严重可靠性缺口。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-11-10)

—— 完 ——

主题标签： #选择性风险校准 关注 #保形预测 关注 #代理约束 关注 #优化可靠性 关注