Adam N. Elmachtoub, Tianyi Lin, Wenxuan Liu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29918 · open-access PDF
Betrachten Sie ein Kontext-Linear-Optimierungsproblem, bei dem ein Vorhersage-und-Optimierung (PTO) -System optimale Entscheidungen zurückgibt, ohne die Kostenvektoren zu enthüllen, die in seinem nachgelagerten linearen Programm verwendet werden. Unser Fokus liegt darauf, wie Angreifer, die Kontext-Abfragen einreichen können, davon abhalten können, das zugrunde liegende Vorhersagemodell zu extrahieren. Obwohl die Kosten-zu-Entscheidungskarte vielfältig ist, können Beobachtungen über Kontexte hinweg das zugrunde liegende Vorhersagemodell enthüllen.
Machine translation (Meta M2M100); the English original follows.
Consider a contextual linear optimization problem, where a predict-then-optimize (PTO) system returns optimal decisions without revealing the cost vectors used in its downstream linear program. Our focus is on how to prevent attackers, who can submit context queries, from extracting the underlying prediction model. Although the cost-to-decision map is many-to-one, observations across contexts can reveal the underlying prediction model. For linear models, we provide sufficient conditions where the attacker can learn the model up to positive scaling by only observing the decision. These conditio
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29918, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange