결정 엔진 내에서의 해결 후 강건성: 변화에 대한 연속성과 가능 영역

산업계의 고위험 시스템에 대해 Mixed-Integer Linear Programming(MILP) 의사결정 엔진은 일반적으로 최적의 계획을 출력합니다. 하지만 실제로 배포는 해결 시간에 대한 가정과 일치하지 않습니다: 비용, 수요 또는 자원 제공 가능성에 대한 작은 변동이 합리성 또는 질적으로 다른 솔루션으로의 불연속적인 shift를 유발할 수 있습니다. 우리는 오늘날 최적화 pipeline의 누락된 층과 학습이 가능 한 의사결정 시스템의 평가 dimension으로의 누락된 평가 dimension으로 간주하는 post-solve robustness gap이란 개념을 주장합니다. robust optimization 또는 stochastic programming을 대체하는 것이 아니라, 제안된 layer는 해결 된 incumbant를 검토하고 solver-backed 증거에 따라 그 솔루션의 신뢰도 범위에 대해 알려줍니다. 우리는 두 가지 중추적인 개념을 공식화합니다: (i) parameter space의 feasible neighborhood에서 $\epsilon$-near-optimal, perturbation에서 incumbant가 유지되는 경우를 캡처하는 것, (ii) decision space에서 solution smoothness, combinatorial edits가 작은 경우 nearby alternatives가 여전히 경쟁력을 유지하는지 여부를 캡처하는 것. 우리는 sensitivity 및 stability analysis, robust optimization, neighborhood search, adversarial testing, 그리고 learning-based enhancements에서 가장 관련된 partial answers를 합성하고, unified post-solve robustness layer의 agenda를 구체화합니다. 구체적으로, 우리는 incumbant 주변의 certified inner approximations, calibrated uncertainty를 포함한 probabilistic robustness estimation, adversarial robustness margins, 그리고 solver-backed verification와 일치하는 learning-based prediction 및 explanation을 요구합니다. 우리는 robustness가 최적화 엔진의 first-class output이 될 수 있도록 compact reporting template와 evaluation protocol을 마무리합니다.