跳转至

Two Conformal Constructions for Adaptive Within-Document AI-Text Screening

作者: Marco Mandap, Jerahmeel Hipolito, Arcel Galvez, Charlie Margaret Balagtas, Michael Joshua Buluran et al.
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2609.31547


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是「带统计保证的AI生成文本检测」,其根本问题在于:当检测器(如 DetectGPT、Binoculars)被用于筛查一段文本是否为AI生成时,如何对"误报"(将人类文本标记为AI生成)给出有限样本的、非渐近的概率控制。这个问题的统计本质是假设检验:原假设 \(H_0\) 为"文本来自人类参考分布 \(P_0\)",备择假设为"文本来自AI生成分布"。该子方向的成熟度处于快速成长期——检测器本身(如 DetectGPT)已相当成熟,但如何为检测决策提供严格的统计推断保证(而非仅报告AUC或准确率)仍是开放问题。本文的独特定位在于:不研究单个固定检测器在完整文档上的误报控制,而是研究自适应地选择文档前缀和检测器、并可能提前停止的整个检查路径上的误报控制。

发展脉络(history)

奠基工作:基于概率曲率的零样本检测。 Mitchell et al. (2023) 提出 DetectGPT,利用LLM对数概率函数的负曲率来区分AI生成与人类文本,开创了无需训练分类器的零样本检测范式。其核心贡献是检测器本身,而非统计推断框架。Bao et al. (2024) 的 Fast-DetectGPT 通过条件概率曲率大幅加速了这一过程。这些工作确立了"得分函数"(score function)的概念——一个将文本映射到实数的函数,得分越高越可疑。

主要进展:对比得分与校准。 Hans et al. (2024) 的 Binoculars 引入对比两个相近LLM的得分差异,进一步提升了检测精度。与此同时,统计推断视角开始介入:Bates et al. (2021) 的"Testing for outliers with conformal p-values"为共形推断在异常检测中的应用奠定了基础——它证明了基于秩的p值在可交换性假设下的有效性,这是本文两个构造的核心工具。Zhu et al. (2025) 的多尺度共形预测(MCP)首次将共形推断引入AI文本检测,但其校准对象是单一文本长度的得分阈值,未处理多个前缀和多个检测器的自适应选择问题。

当前frontier:自适应与序贯决策。 最新的进展集中在序贯检测方向。Chen and Wang (2024) 研究从文本流中在线检测AI生成内容,但处理的是独立文档流而非同一文档内的依赖前缀。Koning and van Meer (2025) 的"Anytime Validity is Free"提供了从终端检验诱导序贯检验的一般框架,但该框架需要构造条件期望,在本文的设定下难以直接应用。本文的位置:它填补了"同一文档内、多前缀、多检测器、自适应选择、提前停止"这一具体场景的统计保证空白——既不是检测器设计(如 DetectGPT),也不是一般序贯理论(如 e-process),而是将共形推断的秩论证适配到自适应检查路径的专门构造。

子线索聚类

被引文献大致落在三条子线索上:

  1. 检测器设计(DetectGPT, Fast-DetectGPT, Binoculars):关注如何构造更有效的得分函数,不涉及统计推断保证。这条线索的成熟度最高,但留下的口子是:得分函数本身不提供误报率的概率控制。
  2. 共形推断与异常检测(Bates et al. 2021, Zhu et al. 2025):关注如何在可交换性假设下构造有效的p值或预测集。这条线索提供了秩论证这一核心工具,但主要处理单一得分或固定长度的设定。
  3. 序贯检验与e-process(Wald 1945, Howard et al. 2020, Koning and van Meer 2025):关注如何在数据依赖的停止时间下保持有效性。这条线索提供了时间一致性的理论框架,但通常假设独立观测或需要构造鞅/超鞅,在同一文档内的依赖前缀上难以直接应用。

这个方向在追问的核心问题

  1. 如何在自适应选择(前缀、检测器)下控制误报? 当检查者根据已观察到的得分决定"继续检查更长前缀"或"换一个检测器"时,naive的逐次检验会膨胀误报率。核心困难是选择依赖数据,破坏了固定检验的分布理论。
  2. 如何在不假设token独立的情况下获得有限样本保证? 文档内的token高度依赖,任何基于独立性的检验都可能失效。共形推断的可交换性假设(而非独立性)是绕过这一困难的关键。
  3. 提前停止的代价是什么? 提前停止节省计算资源,但可能降低检测功效。如何在不分割误差预算的前提下保护提前停止?

已知瓶颈:共形p值的保守性——由于秩的离散性,实际误报率可能远低于名义水平 \(\alpha\),导致检测功效下降。本文的构造A通过加权Bonferroni进一步加剧了保守性(需要 \(m \geq 1199\) 才能允许在 \(\alpha=0.01\) 下拒绝),这是其实际应用的主要障碍。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 成:"单个固定得分的共形校准不足以保护自适应检查路径"。具体而言,作者在引言中指出:"A threshold for one submitted text length does not, by itself, bound the probability of crossing any threshold across several inspected prefixes and detectors"(Zhu et al. 的MCP只校准单一长度)。作者据此提出两种构造:构造A通过注册有限得分族并分配误差预算来保护"选择";构造B通过校准完整路径最大值来保护"提前停止"。作者淡化的竞争路线包括:(1) e-process方法——作者明确承认"neither proof constructs an e-process",即未采用更强大的序贯检验工具;(2) 数据驱动的检测器学习(如 AdaDetectGPT)——作者将其归入"score learning"而非"error accounting",暗示两者正交。值得研究者去查的问题:为什么作者不尝试构造 e-process?Koning and van Meer (2025) 的框架是否真的无法适配到本文设定?作者没有讨论功效——两种构造的检测功效如何?是否存在比秩检验更有效的统计量?

张力

未见明显对立引用。被引工作之间没有在相同条件下得出相反结论的情况。但存在一个隐含张力:Bates et al. (2021) 的共形p值强调边际有效性(marginal validity),而本文的构造A通过加权Bonferroni试图获得选择条件有效性(selection-conditional validity),这两者的误差控制目标不同,可能导致功效上的显著差异。另一个张力在于:Zhu et al. (2025) 的MCP声称在多尺度上校准,而本文认为其未处理多个前缀——这取决于"尺度"是否包含"前缀长度"的定义,值得研究者去核实 Zhu et al. 原文的设定。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

在展开技术细节前,先立清记号。本文的核心记号如下:

  • \(X = (W_1, \ldots, W_L)\):一个完整的文档,\(W_t\) 为第 \(t\) 个token,\(L\) 为文档长度。这是随机变量(在原假设 \(P_0\) 下服从人类参考分布)。
  • \(P_0\):人类参考分布(原假设)。\(Q\):AI生成分布族(备择假设)。二者都是分布,不是参数。
  • \(H_1, \ldots, H_m\):\(m\) 个人类校准文档,可观测,用于校准。\(X\):新的待检测文档,可观测。
  • \(a = (k, j) \in \mathcal{A}\):一个"动作",\(k\) 索引token预算 \(b_k\)(即检查前 \(b_k\) 个token),\(j\) 索引检测器。\(\mathcal{A}\) 是有限动作族,在开发阶段固定。
  • \(S_a(X)\):动作 \(a\) 在文档 \(X\) 上的得分(如 DetectGPT 的负曲率),可观测。得分越大越可疑。
  • \(p_a(X)\):动作 \(a\) 的共形p值,定义为 \(p_a(X) = \frac{1 + \sum_{i=1}^m \mathbf{1}\{S_a(H_i) \geq S_a(X)\}}{m+1}\)。这是可观测的统计量。
  • \(\alpha \in (0,1)\):目标误报率(如 0.01)。\(\alpha_a = \alpha w_a\):动作 \(a\) 的误差预算,\(w_a \geq 0\) 且 \(\sum_{a \in \mathcal{A}} w_a \leq 1\)。
  • \(\pi\):构造B中的路线生成器,一个从已观测得分映射到"下一步动作"的确定性函数,在开发阶段固定。
  • \(M_\pi(X)\):完整路径最大得分,\(M_\pi(X) = \max_{1 \leq t \leq T_\pi(X)} g_{a_t}(X)\{S_{a_t}(X)\}\),其中 \(T_\pi(X)\) 为路线终点,\(g_a\) 为单调变换(如负对数)。
  • \(E_t\):e-process(第6.5节),满足 \(E_0 = 1\),\(E_t \geq 0\),\(\mathbb{E}(E_t \mid \mathcal{F}_{t-1}) \leq E_{t-1}\) 的非负超鞅。

可观测 vs 不可观测:研究者能观测到的是:校准文档 \(H_1, \ldots, H_m\)、新文档 \(X\)、所有动作的得分 \(S_a(\cdot)\)、以及由此计算的共形p值 \(p_a(X)\)。研究者观测不到的是:\(X\) 的真实来源(人类还是AI)、\(P_0\) 的具体形式、以及"未执行动作"的得分(在构造B中,路线 \(\pi\) 未访问的动作不会被计算)。

模型:本文的统计模型是非参数的——除了可交换性假设(Assumption 2.1)外,对 \(P_0\) 和 \(Q\) 没有任何分布假设。核心假设是:给定开发信息 \(D_{\text{dev}}\),校准文档 \(H_1, \ldots, H_m\) 和新文档 \(X\) 是可交换的(在原假设下)。这比独立同分布更弱,允许文档间存在一定依赖。

第二步:最小内核

支撑整篇论文的最小内核是这样一个问题:

假设你有一个得分函数 \(S\),\(m\) 个校准文档 \(H_1, \ldots, H_m\),一个新文档 \(X\)。在原假设 \(X \sim P_0\) 下,\(S(H_1), \ldots, S(H_m), S(X)\) 是可交换的。你希望检验 \(H_0: X \sim P_0\),并控制误报率 \(\leq \alpha\)。最简单的做法是什么?

答案:计算共形p值 \(p(X) = \frac{1 + \sum_{i=1}^m \mathbf{1}\{S(H_i) \geq S(X)\}}{m+1}\),当 \(p(X) \leq \alpha\) 时拒绝。Lemma 3.1 证明了 \(\mathbb{P}(p(X) \leq \alpha) \leq \alpha\)。证明的关键是:由于可交换性,\(S(X)\) 在 \(m+1\) 个得分中的秩是均匀分布在 \(\{1, \ldots, m+1\}\) 上的(用辅助均匀随机变量打破平局后)。因此,\(p(X) \leq \alpha\) 当且仅当 \(S(X)\) 的秩至少是 \(\lfloor (m+1)(1-\alpha) \rfloor\),其概率至多为 \(\alpha\)。

这个最小内核如何推广到本文的两种构造?

  • 构造A:将上述单检验推广到多个动作 \(a \in \mathcal{A}\)。每个动作 \(a\) 有自己的共形p值 \(p_a(X)\)。如果检查者可以任意选择执行哪些动作,那么"存在一个执行的动作 \(a\) 使得 \(p_a(X) \leq \alpha_a\)"的概率可能超过 \(\alpha\)(因为多个检验的联合分布未知)。本文的解法:预先固定权重 \(w_a\)(\(\sum w_a \leq 1\)),设定阈值 \(\alpha_a = \alpha w_a\),然后对每个动作单独应用 Lemma 3.1,最后用并集界(union bound)将所有动作的误报概率加起来。由于 \(\sum_a \alpha_a = \alpha \sum_a w_a \leq \alpha\),总误报率被控制。关键洞察:选择动作的顺序和方式完全不影响保证,因为并集界对"任何执行子集"都成立。

  • 构造B:将上述单检验推广到序贯决策。检查者沿路线 \(\pi\) 逐步执行动作,可能提前停止。naive做法:在每个时间步 \(t\) 计算部分最大值的共形p值 \(p^{\text{path}}_t(X)\),当 \(p^{\text{path}}_t(X) \leq \alpha\) 时停止并报警。问题:\(p^{\text{path}}_t(X)\) 是基于部分最大值 \(M_{\pi,t}(X)\) 的秩,而 \(M_{\pi,t}(X)\) 与 \(M_\pi(X)\) 的关系不明确。本文的解法:注意到 \(M_{\pi,t}(X) \leq M_\pi(X)\)(部分最大值不超过完整最大值),因此 \(p^{\text{path}}_t(X) \geq p^{\text{full}}(X)\)(部分p值不小于完整p值)。于是,"在任何时间步报警"的事件 \(\{ \exists t \leq \rho : p^{\text{path}}_t(X) \leq \alpha \}\) 被包含在 \(\{ p^{\text{full}}(X) \leq \alpha \}\) 中,而后者由 Lemma 3.1 控制。关键洞察:完整路径最大值是部分路径最大值的上界,这一单调性使得终端共形秩可以保护提前停止,无需分割误差预算。

为什么这个最小内核是"最小"的? 因为它剥离了所有技术细节(如得分变换 \(g_a\)、路线生成器的具体形式、随机化方案),只保留了共形推断的核心——秩的均匀性。一旦理解了"可交换性 → 秩均匀 → p值有效"这一链条,两种构造的证明就只是如何将"报警事件"嵌入到"秩事件"中的问题。

一个具体的数值例子:假设 \(m = 99\),\(\alpha = 0.01\),只有一个动作。则 \(p(X) \leq 0.01\) 当且仅当 \(S(X)\) 是100个得分中的最大值(秩为100),概率为 \(1/100 = 0.01\)。若 \(m = 999\),则 \(p(X) \leq 0.001\) 当且仅当 \(S(X)\) 是1000个得分中的最大值,概率为 \(1/1000 = 0.001\)。这就是 Corollary 4.3 和 5.3 中"校准计数"的来源:构造A中12个等权动作需要 \(m \geq 1199\)(因为 \(\alpha_a = 0.01/12 \approx 0.000833\),需要 \(m \geq 1/(0.000833) - 1 \approx 1199\)),构造B中单个完整路径需要 \(m \geq 99\)。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在筛查AI生成文本时,如何在自适应选择文档前缀和检测器、并可能提前停止的情况下,对"任何误报"给出有限样本的边际概率控制(目标 \(\alpha\)),且不假设文档内token独立。
  2. 核心工具/方法:两种共形构造——构造A注册有限动作族并分配误差预算(加权Bonferroni + 并集界),构造B校准完整路径最大值(单调性 + 终端共形秩),两者都基于文档级可交换性(Assumption 2.1)。
  3. 主要结论:两种构造均在各自指定范围内证明了对任何误报的边际控制(Theorem 4.1 和 5.1),并给出了拒绝所需的校准计数下界(Corollary 4.3 和 5.3);同时明确区分了所证明的路径级控制与 e-process 构造(第6.5节),并给出了 oracle 检验、分布偏移和独立审计的附加界(第6节)。

关键设定与假设

核心假设(Assumption 2.1):开发信息 \(D_{\text{dev}}\)(包括得分函数、动作族、路线生成器、误差权重)固定后,条件于 \(D_{\text{dev}}\),校准文档 \(H_1, \ldots, H_m\) 和新文档 \(X\) 在原假设下可交换。这比独立同分布弱,允许文档间存在依赖,但要求"新文档来自与校准文档相同的参考分布"这一交换性。关键点:该假设不要求文档内token独立,也不要求不同动作的得分独立。这是本文相比"将token视为独立样本"的检验(如 naive 的逐token检验)的核心优势。

构造A的额外设定: - 有限动作族 \(\mathcal{A}\),每个动作 \(a = (k, j)\) 对应一个token预算 \(b_k\) 和一个检测器 \(j\)。 - 预先固定权重 \(w_a \geq 0\),\(\sum_{a \in \mathcal{A}} w_a \leq 1\),设定 \(\alpha_a = \alpha w_a\)。 - 执行规则:检查者可以任意选择执行哪些动作、以什么顺序执行,但不能改变动作族或权重。

构造B的额外设定: - 路线生成器 \(\pi\) 在开发阶段固定,是一个从已观测得分到"下一步动作"的确定性映射。 - 完整路径最大值 \(M_\pi(X) = \max_{1 \leq t \leq T_\pi(X)} g_{a_t}(X)\{S_{a_t}(X)\}\),其中 \(T_\pi(X)\) 为路线终点。 - 部署时,检查者沿路线执行,可在任意时间步停止,但不能改变路线生成器。

相比已有文献的放宽/强化: - 放宽:不假设token独立(相比 naive 检验);不假设动作得分独立(相比简单Bonferroni);不假设校准集大小固定(构造B允许路线长度依赖数据)。 - 强化:要求动作族和路线生成器在开发阶段固定,不能根据校准数据调整(否则破坏可交换性)。这比 AdaDetectGPT 的"学习得分函数"更严格——后者允许从训练数据学习得分,但本文的保证不覆盖这种学习过程。

主要结果

Theorem 4.1(构造A的误报控制):在 Assumption 2.1 下,对任何可测的执行规则(选择执行动作的子集和顺序),构造A满足 \(\mathbb{P}_0\{\text{alert}\} \leq \alpha\)。证明分两步: 1. 对每个动作 \(a\),由 Lemma 3.1 得 \(\mathbb{P}_0(p_a(X) \leq \alpha_a) \leq \alpha_a\)。 2. 报警事件 \(\{\text{alert}\} \subseteq \bigcup_{a \in \mathcal{A}} \{p_a(X) \leq \alpha_a\}\),由并集界得 \(\mathbb{P}_0(\text{alert}) \leq \sum_a \alpha_a = \alpha \sum_a w_a \leq \alpha\)。

关键点:证明不依赖动作之间的独立性,也不依赖执行顺序。选择"最可疑"的动作执行不会破坏保证,因为并集界覆盖了所有可能的选择。

Theorem 5.1(构造B的误报控制):在 Assumption 2.1 下,对沿路线 \(\pi\) 的任意提前停止规则,构造B满足 \(\mathbb{P}_0\{\text{alert}\} \leq \alpha\)。证明的核心是路径一致性: 1. 对每个时间步 \(t\),\(M_{\pi,t}(X) \leq M_\pi(X)\)(部分最大值不超过完整最大值)。 2. 因此 \(p^{\text{path}}_t(X) \geq p^{\text{full}}(X)\)(部分p值不小于完整p值)。 3. 报警事件 \(\{\exists t \leq \rho : p^{\text{path}}_t(X) \leq \alpha\} \subseteq \{p^{\text{full}}(X) \leq \alpha\}\)。 4. 由 Lemma 3.1 应用于完整路径最大值 \(M_\pi(X)\),得 \(\mathbb{P}_0(p^{\text{full}}(X) \leq \alpha) \leq \alpha\)。

关键点:无需分割误差预算。提前停止是"免费"的,因为部分最大值永远不会超过完整最大值。这避免了构造A中"每个动作分配 \(\alpha_a\)"导致的保守性。

Corollary 4.3 和 5.3(校准计数): - 构造A:动作 \(a\) 要能拒绝,需要 \(m \geq \lceil 1/(\alpha w_a) \rceil - 1\)。例如,12个等权动作在 \(\alpha = 0.01\) 下需要 \(m \geq 1199\)。 - 构造B:要能拒绝,需要 \(m \geq \lceil 1/\alpha \rceil - 1\)。例如,\(\alpha = 0.01\) 需要 \(m \geq 99\),\(\alpha = 0.001\) 需要 \(m \geq 999\)。

这些计数是"必要"而非"充分"条件:它们只保证p值有可能达到拒绝阈值,不保证实际得分能达到。作者明确区分了"rank feasibility"(能否拒绝)与"detection power"(实际检测能力)。

第6节的支持性结果: - Theorem 6.1(oracle检验界):对任意两个文档分布 \(P_0, Q\),最优检验的总误差为 \(1 - \text{TV}(P_0^n, Q^n)\)。这给出了任何检测器的性能上界,但作者强调"它不将token数转化为独立样本数"——即不能将 \(n\) 个token视为 \(n\) 个独立观测。 - Proposition 6.2(Hoeffding界):若 \(n\) 个得分独立且取值于 \([0,1]\),则样本均值偏离其期望超过 \(\Delta/2\) 的概率至多 \(\exp(-n\Delta^2/2)\)。这是说明性的——作者明确警告"将其应用于token需要额外的独立性假设"。 - Proposition 6.3(分布偏移界):若参考分布 \(P_0\) 偏移为 \(\tilde{P}_0\),则误报率至多增加 \(\text{TV}(P_0, \tilde{P}_0)\)。这是平均意义上的界,不适用于每个固定的校准集。 - Example 6.4(边际 vs 条件误差):一个简单的反例说明,边际误报率 \(\leq \alpha\) 并不意味着对每个校准集的条件误报率 \(\leq \alpha\)。这直接回应了"校准条件有效性"的局限性。 - Proposition 6.5(Clopper-Pearson审计界):若 \(N_0\) 个独立审计样本中零误报,则真实误报率 \(q\) 的95%置信上界为 \(1 - 0.05^{1/N_0}\)。要保证 \(q < 0.001\),需要 \(N_0 \geq 2995\)。 - 第6.5节(e-process讨论):作者明确区分了本文的路径级控制与 e-process 构造。e-process 需要构造非负超鞅(如 Theorem 6.1 中的似然比),而本文的共形秩方法不构造这样的过程。作者承认"marginal rank validity alone cannot justify products of transformed ranks",即不能简单地将多个共形p值相乘来获得序贯检验。

真实例子与应用

本文为纯理论论文,无实证例子。作者在结论中明确写道:"This theory manuscript contains analytic results and no empirical evaluation." 唯一的"应用"是第6.5节中关于 e-process 的讨论,以及第7节中关于分布偏移和审计的说明性例子(Example 6.4)。作者提供了一个代码仓库(Burnwatch),但声明其"prototype"状态,未报告任何实验结果。

🔎 结论是否比证明窄

是的,存在几处"证明窄于结论"的地方:

  1. 构造A的"任何执行规则":Theorem 4.1 声称对"任何可测的执行规则"成立,但证明依赖于"动作族 \(\mathcal{A}\) 和权重 \(w_a\) 在开发阶段固定"。如果执行规则本身依赖于校准数据(例如,根据校准得分选择权重),则并集界不再适用。作者在 Remark 4.2 中承认了这一点:"The theorem does not justify choosing the weights after observing ranks."

  2. 构造B的"任意提前停止":Theorem 5.1 声称对"任意提前停止规则"成立,但证明依赖于"路线 \(\pi\) 在开发阶段固定"。如果路线本身根据已观测得分动态调整(例如,发现某个检测器效果不好就换一个),则完整路径最大值 \(M_\pi(X)\) 的定义不再清晰。作者在 Assumption 2.1 中要求"complete-route generator"固定,但未讨论"路线中途改变"的情况。

  3. 分布偏移界(Proposition 6.3):该界是平均意义上的,即 \(\mathbb{P}_{\mu \otimes \tilde{P}_0}(\text{alert}) \leq \alpha + \text{TV}(P_0, \tilde{P}_0)\)。但作者在 Example 6.4 中承认,对每个固定的校准集 \(c\),条件误报率可能远高于 \(\alpha\)。这意味着该界不能用于部署时的逐实例保证。

  4. e-process 的讨论:作者在第6.5节中讨论了 e-process,但明确表示"neither proof constructs an e-process"。这意味着本文的构造不提供时间一致性的强保证(即任意停止时间下的有效性),而只提供路径级保证。作者承认"marginal rank validity alone cannot justify products of transformed ranks",这实际上是对构造B的一个隐含限制:如果检查者沿路线多次计算p值并取最小值,该最小值可能不再有效。

最值得注意的"窄结论":Corollary 4.3 和 5.3 的校准计数是必要条件,但作者在结论中将其表述为"derived necessary calibration counts for rejection",未强调这些计数不保证检测功效。一个 \(m = 1199\) 的校准集可能允许拒绝,但如果得分分布使得 \(S_a(X)\) 很少达到最大值,实际检测能力可能极低。


四、开放问题

以下开放问题均扎根于本文的具体语句:

  1. e-process 构造:本文第6.5节明确承认"neither proof constructs an e-process"。开放问题是:能否为自适应检查路径构造一个非负超鞅(e-process),使得任意停止时间下的误报率都受控?这需要处理同一文档内token的依赖,以及多个检测器得分的联合分布。扎根于第6.5节:"Our rank proofs construct no such process and establish no conditional supermartingale property for products of transformed ranks."

  2. 功效分析:本文只给出了误报率控制(第一类错误),未分析检测功效(第二类错误)。开放问题是:在备择假设 \(Q\) 下,两种构造的拒绝概率是多少?这与校准集大小 \(m\)、得分分布、以及动作族大小 \(|\mathcal{A}|\) 的关系如何?扎根于第7节:"An empirical comparison must measure detection power and computational cost at matched error targets."

  3. 分布偏移的逐实例保证:Proposition 6.3 只给出了平均意义的偏移界,Example 6.4 表明条件误报率可能远高于 \(\alpha\)。开放问题是:能否在更弱的假设下(如加权交换性)获得逐实例的保证?扎根于第6.3节:"They give neither a posterior probability for q nor a prediction of zero observed errors."

  4. 自适应路线生成的保证:构造B要求路线生成器在开发阶段固定,但实际部署中可能希望根据已观测得分动态调整路线。开放问题是:能否在允许路线动态调整的同时保持误报率控制?这可能需要更复杂的并集界或在线共形推断工具。扎根于 Assumption 2.1:"For Construction B, also fix the complete-route generator using \(D_{\text{dev}}\)."

  5. 加权Bonferroni的最优性:构造A使用加权Bonferroni分配误差预算,但权重 \(w_a\) 的选择是任意的。开放问题是:是否存在最优权重分配,使得在给定误报率约束下最大化检测功效?这与多个检验的相依结构有关。扎根于 Theorem 4.1 的证明:"The executed-subset containment preserves that guarantee under action selection; it is not a new multiple-testing inequality."

建议:要确认上述问题是否为真 gap,建议去读以下子领域的近期论文(各约5篇)的引言:(a) 共形推断在序贯决策中的应用(如在线共形预测);(b) AI文本检测的统计保证(特别是 watermarking 的假设检验框架);(c) e-process 与 betting 在假设检验中的应用。如果这些论文的引言都指向同一个未解决问题,那大概率是共识性 gap;如果它们互相矛盾(例如,有的声称 e-process 可以适配,有的声称不行),那反而是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论