論文の概要: Look-Ahead-Freedom as Temporal Non-Interference: A Verifiable Correctness Property for Backtesting and Agentic Trading Pipelines
- arxiv url: http://arxiv.org/abs/2607.04958v1
- Date: Mon, 06 Jul 2026 11:42:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.128856
- Title: Look-Ahead-Freedom as Temporal Non-Interference: A Verifiable Correctness Property for Backtesting and Agentic Trading Pipelines
- Title（参考訳）: 時間的非干渉としてのルックアヘッドフリーダム:バックテストとエージェントトレーディングパイプラインの検証精度特性
- Abstract要約: ルックアヘッドバイアスは、機械学習評価がデプロイにおいて失望するシステムをフラットにする支配的な方法である。
ルック・ア・ヘッド・フリーダムは偽装の正式な財産であることを示す。
線形時間で決定可能かつ音質の高いタイプ・アンド・エフェクトシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Look-ahead bias (using information from after a decision epoch to make the decision at that epoch) is the dominant way a backtest or a machine-learning evaluation flatters a system that will disappoint in deployment. The field manages it with construct-specific recipes and empirical detectors, which are sound only channel by channel and certify nothing by their silence. We show that look-ahead-freedom is a formal property in disguise: fixing an epoch, the demand that the future not influence the present is temporal non-interference over a time-indexed information lattice. From this identification we develop a pipeline calculus separating a datum's availability from its reference time, and settle the problem's boundary. Where availability may depend on data values, look-ahead-freedom is undecidable (indeed Pi-0-1-hard): leakage is recursively enumerable but freedom is not. On the value-independent fragment (covering windowing, resampling, joins, point-in-time and vintage reads, and agentic retrieval) we give a type-and-effect system that is sound and decidable in linear time. An artifact confirms the theory: the check scales linearly, an independent oracle witnesses no leak in any accepted pipeline, and the checker catches every planted leak that differential and tiling detectors miss.
- Abstract（参考訳）: ルックアヘッドバイアス(決定のエポック後の情報を使って決定を下す)は、バックテストや機械学習評価が、デプロイにおいて失望するシステムをフラットにする支配的な方法である。
フィールドは、構成固有のレシピと経験的検出器で管理し、チャンネルによってのみ音を流し、沈黙によって何も認証しない。
未来が現在に影響を与えることのないという要求は、時差情報格子上の時間的非干渉である。
この同定から、ダタムの可利用性を基準時間から切り離したパイプライン計算を開発し、問題の境界を確定する。
可用性がデータ値に依存する場合、ルックアヘッドフリーダムは決定不能(Pi-0-1-hard)である。
値非依存のフラグメント(ウィンドウ化,再サンプリング,結合,ポイントインタイム,ビンテージ読み込み,エージェント検索)について,線形時間で決定可能な型と効果のシステムを提案する。
チェックは線形にスケールし、独立したオラクルは受け入れられたパイプラインの漏れを目撃し、チェッカーは差分検出器とタイリング検出器が見逃すすべての植物漏れをキャッチする。
関連論文リスト
- A prior-free blind detection of information leakage from model predictions [0.0]
本稿では,リーク診断が予測リスク/アウトカム則の関数となる決定論的枠組みを提案する。
正当モデルの校正と識別に適合する校正されたリークは、予測の空白関数により、正直な性能と区別できない。
ほぼ決定論的部分群は、非決定論的結果の正当な予測者が製造できない持続的単位純度ヘッドを生成する。
論文 参考訳（メタデータ） (2026-06-09T05:13:03Z) - Position: AI for Science Should Treat Measurement-to-Dataset Pipelines as Inference Components [2.439525434311725]
間接観察に依存する領域において、学習者は多段階計測、再構成、前処理パイプラインによって生成された微分表現を観察する。
「この凍結レンズから生じる3つの故障モードを特定します。」
私たちはAI4Scienceコミュニティに、ドメイン固有のComputable Observation Frameworkを通じて、パイプラインに計算可能な推論オブジェクトを作成するよう呼びかけています。
論文 参考訳（メタデータ） (2026-05-23T12:50:00Z) - Teaching Large Language Models When Not to Know: Learning Temporal Critique for Ex-Ante Reasoning [21.280999165642932]
大規模言語モデル (LLM) はしばしば時間的カットオフの下では推論に失敗する。
カットオフ対応の時間的検証を得るためにモデルを訓練するフレームワークであるTCFTを提案する。
論文 参考訳（メタデータ） (2026-05-14T09:49:35Z) - Affordance Agent Harness: Verification-Gated Skill Orchestration [45.231685718099264]
Affordance groundingは、オープンワールドのシーンでエージェントがどこでどのように対話すべきかを特定する必要がある。
本稿では,エビデンスストアとコストコントロールを備えたクローズドループランタイムであるAffordance Agent Harnessを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:45:16Z) - All Leaks Count, Some Count More: Interpretable Temporal Contamination Detection in LLM Backtesting [5.719582970287213]
この時間的知識漏洩を検出し定量化するクレームレベルフレームワークを提案する。
提案手法はモデル論理を原子的クレームに分解し,時間的検証可能性によって分類し,各クレームの予測への寄与を測定するためにtextitShapley値を適用する。
TimeSPECはタスクパフォーマンスを保ちながらShapley-DCLRを削減し、明示的で解釈可能なクレームレベルの検証は、信頼できるバックテストのためのプロンプトベースの時間的制約よりも優れていることを示した。
論文 参考訳（メタデータ） (2026-02-19T10:28:00Z) - Refinement Provenance Inference: Detecting LLM-Refined Training Prompts from Model Behavior [58.751981587234916]
本稿では,Refinement Provenance Inference (RPI)監査タスクをRefinement Provenance Inference (RPI)として定式化する。
本稿では,ロジットレベルの信号で教師が強制する可能性機能を融合させるロジットベースのフレームワークであるReProを提案する。
トレーニング中、ReProはシャドウファインチューニングを通じて転送可能な表現を学び、訓練データアクセスなしで、見えない犠牲者の証明を推測するために軽量のリニアヘッドを使用する。
論文 参考訳（メタデータ） (2026-01-05T10:16:41Z) - Exploring Diffusion Time-steps for Unsupervised Representation Learning [72.43246871893936]
拡散時間ステップと隠れ属性を結合する理論的枠組みを構築する。
CelebA、FFHQ、Bedroomのデータセットでは、学習された機能は分類を大幅に改善する。
論文 参考訳（メタデータ） (2024-01-21T08:35:25Z) - Mitigating Temporal Misalignment by Discarding Outdated Facts [58.620269228776294]
大規模な言語モデルは、しばしば時間的ミスアライメントの下で使われ、現在に関する質問に答える。
我々は、ある事実がいつまで真実であるかを予測するタスクとして、事実期間予測を提案する。
私たちのデータとコードはhttps://github.com/mikejqzhang/mitigating_misalignment.comで公開されています。
論文 参考訳（メタデータ） (2023-05-24T07:30:08Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - A Sober Look at the Unsupervised Learning of Disentangled
Representations and their Evaluation [63.042651834453544]
モデルとデータの両方に帰納的バイアスを伴わずに,非教師なしの非教師付き表現学習は不可能であることを示す。
異なる手法は、対応する損失によって「強化」された特性を効果的に強制するが、よく見分けられたモデルは監督なしでは特定できないように見える。
以上の結果から,遠絡学習における今後の研究は,帰納的バイアスと(単純に)監督の役割を明確化すべきであることが示唆された。
論文 参考訳（メタデータ） (2020-10-27T10:17:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。