Evidence-Gated Research：自适应搜索中的统计控制模型采用

arXiv:2610.01751v1 公告类型：新提交 摘要：自适应模型搜索具有路径依赖性：一旦采用某个挑战者模型，它就会成为后续候选模型生成所依据的基准。因此，缺乏统计支持的替换可能改变尚未提出的假设。我们提出 Evidence-Gated Research（EGR），一种用于移动基准模型搜索的统计采用层。EGR 在决策证据披露前冻结每个挑战者模型，在预先声明的环境集合上构建任意时刻有效的证据，以可预测的方式将证据导向尚未解决的组件，合成一个持久候选者 e 值，并将该 e 值传递给在线控制器。在明确的条件有效性和可预测性条件下，即使较早的采用会改变后续挑战者模型，所得程序仍能针对所声明的全环境采用目标控制错误发现率。在一个包含 5,000 条轨迹的闭环基准测试中，仅用于开发阶段的 e-LOND 达到 0.621 的持久 FDR，而在该次有限运行中，经审计的 EGR 变体未观察到任何持久的错误采用路径。在对 600 个挑战者模型—基准模型对进行匹配重放时，Stagewise EGR 保持了固定任意时刻有效替代假设的越界决策，同时在代表性阈值下减少了 56.1% 的决策证据。一项三环境公开数据研究和一项包含 40,000 个样本的受控神经网络基准测试重现了证据效率模式。这些结果表明，模型替换是自适应模型开发中一个独特的统计控制点。