ghostdrift-adic-audit-JP

再現可能なドリフト検知のための証明書監査：時系列予測の実証

ghost-drift-audit-jp は、運用中の時系列予測におけるドリフト（分布変化／regime shift）の判定を、追試可能なプロトコルとして固定するための監査エンジンです。分割境界（split）、閾値ポリシー（thresholds）、入力データ同定、実行コード、実行環境を証明書（certificate）として一体化して出力し、第三者が同一入力から同一の監査結論（OK/NG）を再生成できる形にします。特に、推定は Calibration 期に限定し、Test 期は評価のみに用いることで、結果を見た後の閾値調整（後付け最適化）を構造的に排除します。ケーススタディとして、電力需要×気象の時系列データ（2024年1–4月）を対象に、証明書・台帳・エビデンス時系列を生成し、監査結論を再現可能なアーティファクトとして提示します。

🔗 Quick Links

• 📂 Source Code: GitHub Repository
• 📜 Main Script: ghost_drift_audit_JP.py
• 📦 Download: Project ZIP
• 📖 Documentation: Online Manual（⚙️ 実行モードへ直行）
• 🚨 Support: Report Issues

---

💎 Design Philosophy: From “Probabilistic” to “Accountable”

従来のAI運用が抱える「不透明な推論」という課題に対し、本フレームワークは以下を提供します。

[!TIP] Audit-First Design 予測実行と同時に、第三者が客観的に検証可能な「証拠（Evidence）」を自動生成します。

[!IMPORTANT] Tamper-evident Fingerprints 入力データと設定パラメータのハッシュ指紋を固定。後付けの改変を数学的に検知可能にします。

[!NOTE] Verifiable Integrity 単なる統計的最適性ではなく、運用ルールに対する「誠実な振る舞い」を可視化します。

---

🛠 Technical Specifications

System Requirements

• Language: Python 3.10+
• Dependencies: numpy, pandas, matplotlib, lightgbm

Project Structure

.
├── ghost_drift_audit_JP.py    # Core Logic & Audit Engine
├── electric_load_weather.csv  # Input: Weather (Synthetic)
├── power_usage.csv            # Input: Demand (Synthetic)
└── adic_out/                  # Output: Accountability Ledger

---

⚙️ 実行モード (Execution Profiles)

AUDIT_CONFIG[‘PROFILE’] で監査の厳格性を切り替えます。

Profile	用途 / ターゲット	厳格さ	主な特徴
demo	動作確認 / 学習	Low	挙動理解と証拠出力を優先
paper	研究 / 再現実験	Mid	seed固定による計算再現性を担保
commercial	実運用 / 意思決定	High	厳格なゲート判定とVerdictを生成

設定方法

AUDIT_CONFIG = {
  "PROFILE": "demo",  # "demo" | "paper" | "commercial"
}

---

🚀 Deployment & Usage

1. Setup

pip install numpy pandas matplotlib lightgbm

2. Prepare Data

.py と同じディレクトリにCSVを配置してください。

[!CAUTION] 同梱のCSVは合成データ（Dummy）です。 動作確認用であり、実運用や研究には自身が権利を持つ実データを使用してください。

3. Run

python ghost_drift_audit_JP.py

4. Verification (adic_out/)

• 📜 certificate.json: 実行条件と判定サマリーの「証明書」
• 📑 ledger.csv: すべての履歴を記録する不変の「台帳」
• 📉 evidence_timeseries.csv: 再検証用の時系列エビデンス

---

⚖️ Scope & Integrity (Non-claims)

🎯 Scope & Limits

• Scope: モデルの振る舞いと前提破綻を可観測化し、介入判断のための証跡を固定すること。
• Non-claims: 将来の誤差ゼロ、数学的な「唯一の正解」、外挿領域での一般化は保証しません。

🛡️ Threat Model (改変検知)

• 閾値操作: 異常隠蔽のための恣意的な変更 → Cap記録により検知
• 基準改変: 比較基準の事後変更 → 設定指紋の不一致で検知
• データ捏造: 入力の差し替えや捏造 → Data Fingerprints で照合

---

📜 License & Acknowledgments

• Code: MIT License
• Data: Synthetic dataset for demonstration.

「予測」を「責任」へ。 Produced by GhostDrift Mathematical Institute (GMI) — Official Website | Online Documentation