通过 Monitoring-by-Betting 学习检测非结构化数据流中的分布偏移

基于摘要分析。本文研究生成式 AI 系统输入与输出的非结构化数据流监测，提出 Monitoring-by-Betting，以 testing-by-betting 将序贯变点检测转化为下注过程，在持续学习偏移方向的同时维持统计有效性。主要贡献是提出 asymptotic e-detectors，并结合嵌入学习和 LLM 概念生成构建自适应监测策略。 核心机制：预先固定差异度量会形成敏感性与覆盖范围的权衡；针对预期偏移设计的度量可能遗漏意外变化，宽泛度量则可能降低检测敏感性。方法随观测更新假设的偏移方向，即 witness function，并以大小为 m 的校准集近似变化前分布。作者给出的理论结论是：随着 m 增大，误报前平均运行长度得到渐近控制；这不等同于任意有限校准集下的精确保证。具体下注规则、更新时序及理论假设尚未验证。 作者报告：实验中，小至 m=30 的校准集也能提供有效控制；在三个真实世界数据集上，包括临床 AI 记录助手部署数据，自适应监测器在相同误报水平下比固定监测器更快发现偏移。当真实偏移稀疏且可解释时，LLM 概念监测器检测最快、解释性最好，并可辅助复杂偏移的根因诊断。摘要未给出数据集名称、检测延迟数值或误报水平，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其自适应 witness function 可能用于 EEG 跨会话或跨被试的特征分布监测，但原研究并非 BCI 验证。该迁移假设依赖代表性的变化前校准数据及可学习的偏移特征；可复用下注与序贯监测框架，需改造 EEG 表征、校准流程及时间依赖处理。低信噪比、通道变化和小校准集可能使监测器将伪迹当作任务相关漂移；LLM 概念模块也未必适合连续 EEG。可先在保留时间顺序的 EEG 跨会话数据上，对比自适应与固定 witness function，在匹配误报前平均运行长度的条件下测量检测延迟，并核对对任务相关变化与伪迹的区分能力。已有 EEG 相关工作尚未检索确认。