[논문 리뷰] Solving contextual chance-constrained programming under decision-dependent uncertainty

Xiangting Liu, Shengran Wang외 2명|arXiv (Cornell University)|2026. 02. 07.

Risk and Portfolio Optimization인용 수 0

한 줄 요약

이 논문은 결정이 불확실성에 영향을 주는 상황에서 맥락적 확률제약 프로그래밍을 해결하기 위한 비모수 프레임워크인 Contextual Cluster Weights (CCW)를 소개합니다. 결정에서 uniform-in-decision 보장과 재구성 및 클러스터링을 통한 확장 가능한 솔루션을 제공합니다.

ABSTRACT

We study contextual chance-constrained programming under decision-dependent uncertainty. In this setting, a decision not only needs to satisfy constraints but also alters the distribution of uncertain outcomes. This dependency makes the problem particularly difficult: because feasibility probabilities vary with decisions, it creates both statistical endogeneity and computational intractability. To address this, we propose a nonparametric approximation method based on Contextual Cluster Weights (CCW). For any given decision and context, CCW constructs a local neighborhood (cluster) of ``similar" historical observations and assigns them equal weight. This approach successfully renders both the objective and chance constraints tractable, while providing uniform-in-decision consistency guarantees. Furthermore, we develop reformulations that use pre-calculated clusters. We show that under a specific nestedness condition, these reformulations yield a convex feasible region, which allows for efficient solving. Experiments, including a case study with JD.com, demonstrate that our method outperforms benchmarks in solution quality, feasibility reliability, and runtime. This framework offers a scalable and data-driven approach for firms to make reliable operational decisions when their actions influence uncertainty. It effectively balances performance, risk, and robustness, while remaining interpretable and implementable in practice.

연구 동기 및 목표

• 결정 의 분포에 영향을 주는 맥락적 확률제약 프로그래밍의 도전을 다룬다(결정 의존 불확실성).
• 균등한 결정 내 일관성을 갖춘 목표 및 확률제약을 근사하기 위한 비모수 CCW 접근법을 개발한다.
• 중첩성 조건 하에서 계산적 타당성과 볼록 가능 영역을 달성하기 위해 사전에 계산된 클러스터를 활용하는 재구성들을 제공한다.
• 합성 테스트 및 JD.com 사례 연구에서 이론적 보장 및 실험적 성능을 입증한다.

제안 방법

• CCCP-DDU를 형식화하고 지역 클러스터의 유사 결정-맥락 관찰로 가중치를 부여하는 비모수 CCW 근사를 제안한다.
• CCW를 로컬 이웃에서의 점들에 동일한 가중치를 부여하고 다른 곳에는 0인 집합 기반 가중치로 정의한다(w_i(z,x) = I{(z_i,x_i) in C(z,x)}/|C(z,x)|).
• CCW를 사용하여 목표 L(z|X=x)와 확률 제약 g_xi(z|X=x)을 균일하게 수렴하는 추정치(L-hat, g-hat)로 근사한다.
• 특정 CCW 가중치 선택(kNN, CART, LSA)과 그에 상응하는 일관성 결과 및 수렴 속도를 제시한다.
• 중첩성 조건 하에서 재구성된 문제가 볼록한 가능 영역을 만들어 효율적인 해결을 가능하게 함을 보인다(예: Benders 분해를 통해).
• 근사 문제 Appr-dd-ccp를 MINLP(21a–21e)로 모델링하여 클러스터 구성원을 선택하고 클러스터 내에서 확률 제약을 강제한다.

실험 결과

연구 질문

• RQ1 결정이 불확실성 분포에 영향을 미칠 때 맥락 조건부 목표 및 타당성 확률을 어떻게 신뢰성 있게 근사할 수 있는가?
• RQ2 비모수적, 클러스터 기반 가중 방식이 결정 의존적 불확실성을 갖는 CCCP에 대해 결정 내 일관성을 균일하게 제공할 수 있는가?
• RQ3 결과 재구성 문제가 효율적으로 해결될 수 있는 조건(예: 볼록성 또는 분해 가능성)은 무엇인가?
• RQ4 CCW 기반 방법이 해의 질, 타당성 신뢰성 및 런타임 면에서 파라메트릭 벤치마크 및 기존 비모수 방법을 능가하는가?
• RQ5 JD.com 거래 데이터와 같은 실제 설정에서 CCW의 실증적 영향은 무엇인가?

주요 결과

• CCW는 결정 의존적 불확실성 하에서 목표와 확률 제약 모두에 대해 결정 내 일관성을 갖는 비모수 추정치를 제공한다.
• kNN 및 LSA CCW 방식은 확률 제약의 강한 균일성 일관성과 샘플 효율성을 보이고; CART는 약한 균일 일관성을 보인다.
• 중첩성 조건 하에서 CCW 기반 재구성은 볼록 가능 영역을 제공하여 효율적 최적화를 가능하게 한다(예: Benders 분해를 통해).
• MINLP(21a–21e)는 클러스터 선택 및 클러스터 내 제약 만족을 포착하여 근사 CCCP-DDU의 해결을 용이하게 한다.
• JD.com 데이터에 대한 실증 결과는 CCW 접근이 해의 질, 타당성 신뢰성 및 런타임 면에서 벤치마크를 능가함을 보여준다.