下一笔核验预算花在哪一路?补全分支、差距投影与保守选流
保持六路审计目标和错误预算不变,枚举下一条标签的两种结果,用最坏分支的差距宽度改善除以成本排序,解释合法选流、核验失败与启发式的边界。
上一篇未知结果补全界限与时间一致区间让未回传者继续留在分母。现在六路都有待核验案例,团队今天只剩十分钟:该查 A 组参考正类比例,还是查 B 组特异度?按“哪路缺的人最多”排队,会忽略分母、错分通道的放大和核验成本。
本篇讲一个机制:把一项核验的全部结果分支投影到最终差距,再按最坏宽度改善与成本排序。 只连接三件事:保持抽样目标、枚举 0/1 分支、按预先固定规则调度。这是透明的单步启发式(One-step Heuristic),所有数字都是合成教学设定;生成封面仅作装饰。
01 先固定推断,再让调度读取证据#
沿用六路均值向量 ,形状 [6]。 是组 的参考标签正类比例, 是可信真阳性中参考判正的敏感度(Sensitivity), 是可信真阴性中参考判负的特异度(Specificity)。真实正类比例 满足
目标 是无量纲比例差,乘 100 后为百分点。模型、来源、可信类别定义和参考协议固定。每路底层是既定的独立同分布(Independent and Identically Distributed)二元候选流;若实际按有限总体不放回抽样,应换成适用的概率界。
第 路计数为 :已知成功、全部已发出人数、未知人数。它满足 。六路输入形状 [6,3]。保留前文总错误预算 ,每路区间为
空流用 [0,1]。六路全部前缀已同时覆盖,未知补全对任意回传掩码成立。因此,依据当前历史选择下一路,或者优先核验某个已发出未知者,都保留原先的覆盖事件;前提是始终保留完整已发出前缀,已知标签正确且固定。
这里“选流(Stream Selection)”决定从哪条既定来源继续取得证据。“选人(Case Selection)”若删除难例、把仅有低风险人的结果重新当作整路随机样本,就改变了分布。对当前未知池定向补一个人本身可以:完整名单和其余未知范围都仍然保留。若只用被优先补齐者计算均值,证明便失效。
02 两个结果分支,怎样变成一个优先级?#
先固定已发出名单,仅安排核验一个未知标签。其结果 到齐后,该路变成
分母与统计半径保持不变,缺失宽度减少 。哪边端点移动由结果决定;最终差距的变化还受到错分反演的影响。对强通道,,通道越弱,同样的参考比例变化越可能放大。敏感度和特异度的作用还随当前真实比例变化,所以只排序 仍不够。
令 为把六路盒 按前文错分方程投影得到的差距区间, 是其宽度。候选任务 的两个后继盒记作 ,预留成本为 ,单位分钟。定义
是本计算器在“最终得到一个正确二元结果”条件下的保守宽度改善, 单位为比例/分钟。它没有使用未知结果的概率,不需要先猜 。相同得分按固定任务键排序,便于重放。成本超出剩余预算的候选先剔除。
若核验可能无响应,第三个分支是状态完全不变,此时严格的最坏改善就是零。下面的得分明确以成功完成为条件;调度系统应另报完成概率、等待时间和成本上限。用预测分钟代替预留分钟,还可能超支。
03 两组手算:人数多,不代表优先级高#
先用可信真实二元结果的两路特例去掉错分,检查缺失算术。A 的 ,B 为 ;暂只算逻辑补全范围,不加置信半径。A 范围 [1/4,3/4],B 范围 [1/2,1],故差距范围 [-3/4,1/4],宽度为 1。
| 任务 | 若补为 0 的差距范围 | 若补为 1 的差距范围 | 最坏新宽度 | 成本/分钟 | 改善/分钟 |
|---|---|---|---|---|---|
| 补 A 一人 | 1 | ||||
| 补 B 一人 | 4 |
B 的一条标签减少更多缺失宽度,但每分钟收益更小,当前规则会先补 A。如果预算只有三分钟,B 还会先被可支付性检查剔除。这个手算仅验证规则;表中区间是固定名单的逻辑范围,没有 95% 置信声明。
当加上裁剪和错分投影,两分支的改善可能不同。直接枚举比用一阶导数乘标准误更容易暴露弱通道和状态切换;导数适合定位潜在瓶颈,不能替代完整分支检查。
04 Python:推断器只算范围,调度器只排任务#
将联合置信盒文章的完整代码保存为 fixed.py,将上一篇的完整代码保存为 pending.py,与以下 allocate.py 放在同一目录,运行 python3 allocate.py。依赖都是 Python 标准库;已核对官方 math.isfinite ↗ 的有限数语义,没有新增机器学习库 API。冻结模型后这里只做审计推断,没有训练参数更新。
输入 snapshot 为六个 (k,n,m),任务为 (task_id, stream_index, reserved_minutes),形状 [A,3],A 是任务数。任务索引在 0 到 5 间。输出当前区间及按得分排序的候选,每个候选保留两条分支,便于解释为什么优先。
验证六路计数、唯一任务键、分钟预算
用同一 alpha 生成当前六路补全盒,投影当前差距
对每个可支付且有未知者的任务:
分别假设下一标签为 0、1,生成两份新计数
重新算盒和差距,不修改原快照
用两分支中更宽者计算保守改善/分钟
按得分降序、任务键升序排序;执行前原子预留资源
收到最终事件后更新账本,再重新规划下一步textfrom math import isfinite
from fixed import project_gap
from pending import counts, pending_interval
def gap(snapshot, alpha=0.05):
if not isinstance(snapshot, (list, tuple)) or len(snapshot) != 6:
raise ValueError("need six streams")
pairs = tuple(pending_interval(t, alpha) for t in snapshot)
return project_gap((pairs[:3], pairs[3:]))
def money(x):
if type(x) not in (int, float) or not isfinite(x) or x <= 0:
raise ValueError("minutes must be finite and positive")
return x
def rank_tasks(snapshot, tasks, minutes, alpha=0.05):
money(minutes)
current = gap(snapshot, alpha)
width = current["interval"][1] - current["interval"][0]
checked, seen = [], set()
for task in tasks:
if not isinstance(task, (list, tuple)) or len(task) != 3:
raise ValueError("expected task_id, stream_index, minutes")
key, j, cost = task
if type(key) is not str or not key or key in seen:
raise ValueError("task keys must be unique nonempty strings")
if type(j) is not int or not 0 <= j < 6:
raise ValueError("stream index must be integer in 0..5")
money(cost)
seen.add(key)
checked.append((key, j, cost))
ranked = []
for key, j, cost in checked:
k, n, m = counts(snapshot[j])
if cost > minutes or m == 0:
continue
branches = []
for y in (0, 1):
candidate = list(snapshot)
candidate[j] = (k + y, n, m - 1)
branches.append(gap(candidate, alpha))
worst = max(b["interval"][1] - b["interval"][0] for b in branches)
gain = max(0.0, width - worst)
ranked.append(dict(task=key, stream=j, cost=cost, gain=gain,
score=round(gain / cost, 12), branches=tuple(branches)))
ranked.sort(key=lambda row: (-row["score"], row["task"]))
return dict(current=current, ranked=ranked)
if __name__ == "__main__":
state = ((40000, 100000, 10000), (80000, 100000, 1000),
(90000, 100000, 1000), (30000, 100000, 1000),
(80000, 100000, 1000), (90000, 100000, 1000))
tasks = [("q-A", 0, 1), ("s-A", 1, 2), ("c-A", 2, 2),
("q-B", 3, 1), ("s-B", 4, 2), ("c-B", 5, 2)]
answer = rank_tasks(state, tasks, minutes=3)
print(answer["current"]["status"])
for row in answer["ranked"]:
print(row["task"], round(row["score"], 9))
assert state[0] == (40000, 100000, 10000)
assert len(rank_tasks(state, tasks, minutes=0.5)["ranked"]) == 0python输出第一行为 ok;随后依次为 q-A 1.4085e-05、q-B 1.4085e-05、c-B 4.623e-06、c-A 2.739e-06、s-A 2.739e-06、s-B 1.747e-06。排序分数预先约定舍入到小数点后十二位,让浮点尾差不决定教学并列顺序;原始改善和分支仍完整保留。这个调度舍入不参与置信端点或停止判断。这里核验一个人,变化约在十万分之一量级,显示到三位小数会全部变成零,所以代码显示九位。严格临界决策要采用验证过的向外舍入和预定数值余量。
pending_interval 的裁剪可能让早期两个分支仍都是全范围。project_gap 也可能返回弱通道或不兼容诊断及 [-1,1] 的保守回退;得分为零表示当前单步规则看不到保证改善,不能推出继续核验无用。规划时保留 branches[*].groups,不要把失败分支删掉后算平均。
05 什么让这个调度有效,什么限制其效率?#
覆盖证明依然来自同一个事件 。选择器只决定下一步收集信息,既不重分配 ,也不丢掉不利分支。因此统计覆盖与任务排序解耦。最高得分不代表最佳长期策略:补两条标签才能摆脱弱通道时,任何单条的得分都可能为零;两项任务也可能共享成本或互相阻塞。
| 做法 | 优化对象 | 先检查什么 |
|---|---|---|
| 本篇两分支排序 | 成功核验条件下的单步最坏宽度/分钟 | 全部分支、成本上限、弱通道状态 |
| 按缺失人数排序 | 原始待办数量 | 分母和反演敏感度可能不同 |
| Neyman 成本分配 | 固定设计下估计量方差 | 前文有条件方差模型,目标不同 |
| 主动学习(Active Learning) | 改善训练模型 | 主动挑难例会改变审计样本分布 |
| 最佳臂识别(Best-arm Identification) | 以受控错误选出最优臂 | 其最优采样理论不能直接移植为本规则保证 |
调试按三层做:计数层核对已知成功、已知失败、未知数之和;分支层核对两后继计数只改变一个未知、各自区间包含在原区间内;规划层核对成本筛选、固定键打破并列、原快照完全不变。固定分母补全时,正向强通道的精确投影应嵌套;保守状态回退要单独诊断。
候选数为 ,每个只做两次常数维投影,计算量 ,排序 ,候选报告空间 。输入是聚合计数;生产系统仍要用不可变任务键绑定真实案例,防止两个执行器重复预留同一个人的工时。队列等待时间、参考标签错误、来源漂移与跨组共享约束都需要自己的模型,扩大核验数不会自动修复它们。
如果结果一时查不到,能否把预算让给下一人,并删除该任务?
可以释放尚未消耗的资源并重排任务,但案例的未知位置仍留在计数和账本中。记录已消耗分钟与失败原因;未知不会因为任务关闭而变成失败标签,也不会消失。再核验同一案例要用独立任务键、相同案例键去重。
得分最高的一路一定应该永远优先吗?
每得到一份最终标签,就重新计算当前状态。即使排序不变,也应受预设的等待上限、来源覆盖和资源策略约束。零得分时保留探索或批量规划,停止决定仍由差距区间与预定阈值负责。
思考练习#
- 将手算中 B 的核验成本从 4 改为 1,重新排序;再加入“核验可能不响应”的第三分支,严格最坏收益如何变化?
- 运行代码,把 A 的敏感度、特异度改为接近 0.5 的计数。查看状态而非只看得分,解释为什么单步核验可能全部得零。
- 构造两项任务分别得零、合起来却能跨过弱通道边界的例子,说明该规则没有长期最优性;同时说明为什么这不破坏覆盖保证。
相关工作#
- Hoeffding (1963), Probability Inequalities for Sums of Bounded Random Variables ↗:有界流的概率基础。
- Howard, Ramdas, McAuliffe & Sekhon (2021), Time-Uniform, Nonparametric, Nonasymptotic Confidence Sequences ↗:时间一致覆盖使收集与停止可以依历史调整。
- Garivier & Kaufmann (2016), Optimal Best Arm Identification with Fixed Confidence ↗:把采样效率与停止正确性联合设计的经典工作;本文没有复现其 Track-and-Stop 算法或最优性。
下一篇预告#
选流后当前区间可能因新分母与新比例移动。下一篇把同一目标、同一覆盖事件下的历史区间累积成运行交集,并让空交集、协议变更和重放冲突成为显式状态,避免报表偷偷忘掉已经获得的证据。