MECHVAR：面向自主机器学习实验选择的方差引导机制判别

arXiv:2610.01819v1 公告类型：new 摘要：基准性能提升往往无法明确归因于具体机制：复现某项改进本身并不能说明改进为何发生。我们研究有限机制库中的机制判别问题，其中后验加权的候选机制、可执行探针和有限的实验预算共同构成一个序贯实验选择问题。MECHVAR通过最大化探针预测响应的后验加权方差来选择下一个探针。在共享高斯预测模型下，该评分与经典的 Box--Hill 后验加权成对 KL 准则严格成正比，同时支持 O(KE) 的向量化重新评分，并可对机制对进行透明的加性审计。局部展开进一步表明，当预测响应之间的差异较小时，该评分与期望信息增益（EIG）相关。在包含 25 个区块的压力审计中，MECHVAR 在若干中等程度的模型失配情形下优于 confirmation-first，但其与 EIG 的主要比较在统计上仍无法得出明确结论。在留出的 Digits 循环中，MECHVAR 的归一化机制识别 AUC 为 0.8975，score-greedy 策略为 0.7825，EIG 为 0.9092。在 K = 100、E = 200 时，在记录的环境中，MECHVAR 对完整机制库进行单线程评分的中位耗时为 10.36 微秒，而采用六节点求积的 EIG 为 57.69 毫秒。因此，当共享预测尺度是一种合理的近似时，MECHVAR 为有限机制库实验选择提供了一种轻量且可审计的采集规则。