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。

🌐 GhostDrift Mathematical Institute (Official) https://www.ghostdriftresearch.com/

Formal Verification

The core lemma of the ADIC framework has been formally verified using the Lean theorem prover.

Lean proof artifact: https://ghostdrifttheory.github.io/adic-lean-proof/

Core file: ADIC_RSound.lean

🔗 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

📑 Audit Report (PDF)

Report: Scientific Audit Report on Structural Integrity of Forecasting Models (JP)
Verdict: NG (TAU_CAP_HIT)
Protocol: Ghost Drift Audit v8.0

💎 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

📜 Rights & Patent Notice

No open-source license is granted for the source code in this repository. The source code is publicly available for inspection, reproducibility, and technical verification only.

Reproduction, redistribution, modification, incorporation into other products or services, and commercial use are not permitted without prior written permission from the rights holder.

This repository implements techniques related to Japanese Patent Application No. 特願2025-182213. No patent license is granted by publication of this repository.

The included demonstration datasets are synthetic data. 「予測」を「責任」へ。 Produced by GhostDrift Mathematical Institute (GMI) — Official Website | Online Documentation