技術的概要：正則化された e プロセス：知識に基づく効率性向上を伴ういつでも有効な推論

1. 問題提起

古典的な統計手法は通常、サンプルサイズが事前に決定されているという仮定に依存している。しかし、多くの実用的な応用において、データ収集は動的であり、停止則はデータ自体によって決定される（例：逐次モニタリング）。このような「いつでも（anytime）」の状況において固定サンプルサイズ法を適用することは、理論的保証を損ない、信頼性の問題や再現性危機に寄与する。

e プロセスは、Ville の不等式を通じて「いつでも有効な（anytime valid）」推論（停止則に関わらず信頼性を保証する）を提供する解決策として登場したが、限界に直面している。その成長率は有界であるため、アルゴリズム的な微調整によって e プロセスをより速く成長させることができない場合、効率性（偽の仮説を棄却する速度）は頭打ちとなる。

さらに、標準的ないつでも有効な手法はしばしば「既製品（off-the-shelf）」であり、関心のある量 $\Theta$ に関する研究者の部分的な事前知識を無視している。従来のベイズ的アプローチは正確な事前分布を必要とするが、不完全な情報ではこれを正当化できない場合がある。逆に、そのような知識を無視することは非効率につながる。本論文は、信頼性を犠牲にすることなく効率性向上を達成するために、不完全で定性的な事前知識をいつでも有効な推論に組み込むという課題に取り組む。

2. 手法

提案される枠組みは、不確実な確率（特に可能性理論）と正則化メカニズムを通じてe プロセスを統合する。

2.1. 不確実な確率的正則化

研究者の事前知識は、正確な確率分布としてではなく、不確実な確率として符号化され、クレダル集合 $\mathcal{Q}$（互換性のある確率測度の集合）によって表現される。この特殊なケースとして可能性理論があり、ここでは不確実性が輪郭関数 $q(\theta) \in [0, 1]$ によって定量化される。

• 正則化子（$\rho$）: 事前知識に基づき仮説 $\Theta = \theta$ に対する証拠の重みを表す関数 $\rho: \mathcal{T} \to [0, \infty)$ が定義される。有効であるためには、$\rho$ は事前知識に対して有界性の条件を満たさなければならない。すなわち、クレダル集合 $\mathcal{Q}$ におけるその上限期待値は $\leq 1$ でなければならない（$\overline{\mathbb{E}}_{\mathcal{Q}}[\rho] \leq 1$）。
• 構成: 輪郭 $q$ を持つ可能性事前分布の場合、正則化子は輪郭の逆数を較正することによって構成される。すなわち、$\rho(\theta) = \{ \gamma \circ q(\theta) \}^{-1}$ であり、ここで $\gamma$ は期待値の上限が成り立つことを保証する「較正子」関数である。これにより、事前知識によって非現実的とみなされる $\theta$ の値に対して $\rho(\theta)$ を大きくし（e プロセスを強化する）ことができる。

2.2. 正則化された e プロセス

中核的な革新は、データ駆動型の標準的な e プロセス（$e_\theta$）に正則化子を乗算することで正則化された e プロセス（$e_{\text{reg}}$）を定義することである。
$$e_{\text{reg}}(z_n, \theta) = \rho(\theta) \times e_\theta(z_n)$$
この乗算は、事前知識と両立しない仮説に対して e プロセスを強化し、理論的には偽の仮説をより速く棄却することを可能にする（効率性向上）。

2.3. 一般化されたいつでも有効性

e プロセスを操作することは通常、そのいつでも有効性を破壊するという重要な技術的課題がある。本論文は、有効性の基準を知識依存のものとして再定義することでこれを解決する。

• すべての可能なデータ生成分布に対する有効性を要求する代わりに、この枠組みは統計モデルと研究者のクレダル集合 $\mathcal{Q}$ の両方と両立する（Data, $\Theta$）の任意の同時分布に対する有効性を要求する。
• これは、$\mathcal{Q}$ 内のすべての事前分布とそれらのパラメータ空間への対応する引き戻し（pull-backs）の上界（supremum）を取ることで構成される誘導された上限同時分布 $\overline{\mathbb{P}}$ によって形式化される。

3. 主要な貢献と理論的結果

3.1. 一般化された Ville の不等式

本論文は、正則化された e プロセスに対する一般化された Ville の不等式を確立する。

• 定理 1: $\rho$ が $\mathcal{Q}$ に対して有効な正則化子である場合、任意の停止時刻 $N$ に対して次が成り立つ。
  $$\overline{\mathbb{P}}\left( e_{\text{reg}}(Z_N, f(\Omega)) > \alpha^{-1} \right) \leq \alpha$$
  これにより、第一種過誤の制御が維持されるが、誤り確率は最悪ケースの均一な境界ではなく、研究者の事前知識（$\overline{\mathbb{P}}$ を通じて）に対して測定される。

3.2. e-可能性推論モデル（IMs）

この枠組みは仮説検定を超えて、完全な不確実性の定量化へと拡張される。

• 可能性 IM: 正則化された e プロセスは可能性輪郭 $\pi_{\text{reg}}(z_n, \theta) = 1 \wedge e_{\text{reg}}(z_n, \theta)^{-1}$ へと変換される。
• 定理 2 & 3: 得られるe-可能性 IMは強いつねに有効である。それは次を満たす。
  $$\overline{\mathbb{P}}\left( \pi_{\text{reg}}(Z_N, f(\Omega)) \leq \alpha \right) \leq \alpha$$
  これは、動的な停止則の下でも、IM が「偽の自信」（偽の仮説に対して体系的に高い自信を割り当てること）を回避することを意味する。

3.3. 意思決定論的性質

本論文は、e-可能性 IM がいくつかの望ましい性質を満たすことを示している。

• 尤度原理: 推論は尤度関数のみに依存する。
• 確実な損失の回避: IM から導出される価格設定スキームは整合的であり、エージェントが確実に金を失う「オランダのブック（Dutch book）」シナリオを防ぐ。
• 意思決定: この枠組みは、IM によって定量化された不確実性に対して頑健な規則を提供する上限期待損失（Choquet 積分）を最小化することにより、形式的な意思決定を支援する。

4. 結果と図示

本論文は、理論的証明と数値的図示を通じて手法を検証する。

• 効率性向上: 正規分布の平均モデルにおいて、正則化子を通じて部分的な事前情報（例：「平均が正であることに 95% の確信がある」）を組み込むことは、正則化されていない e プロセスと比較して、偽の仮説を棄却するために必要なサンプル数を大幅に削減する。この利点は、データが事前知識と軽微に矛盾しているが、事前知識が強い場合に最も顕著である。
• 臨床試験への応用: この枠組みは、Ware (1989) の ECMO 対 CMT 臨床試験データに適用された。
  • 事前知識（歴史的生存率）は可能性測度として符号化された。
  • 正則化された e プロセスは、事前情報が強い ECMO 生存率に対してより狭い信頼集合を生成し、事前情報が弱く、あるいはデータと両立しない CMT 率に対してはわずかに緩い集合を生成した。これは、保守的でありながら効率的な適応を示している。
  • ECMO が優れているという結論は、いつでも有効性を欠く標準的なフィッシャーの正確確率検定よりも強い正当性をもって達成され、一般化されたベイズ分析と一致した。

5. 意義と主張

本論文は、動的なデータ状況において部分的な事前知識を活用するための厳密な非漸近枠組みを提供すると主張する。

• ギャップの埋め合わせ: 厳密な信頼性を持つ頻度論的いつでも有効な手法と、正確な事前分布の強い仮定を必要としないベイズ的手法の効率性の間のギャップを埋める。
• 信頼性と効率性の両立: 有効性の定義を、使用される特定の事前知識を考慮して適切に緩和する限り、正則化から得られる効率性向上が信頼性の犠牲を伴わないことを証明する。
• 実用性: 可能性理論と不確実な確率を使用することで、研究者は「$\Theta = c$ であることに非常に驚くだろう」といった定性的または「驚きに基づく」知識を、正確な確率分布を捏造することを強制されることなく利用することを可能にする。
• 頑健性: 得られる推論は、敵対的またはデータ依存の停止則に対して「安全」であり、従来の確率的定量化における「偽の自信」に関連する体系的な誤った結論を回避する。

著者は、理論が確立されている一方で、事前知識の引き出し（定性的知識を可能性輪郭に変換すること）は、将来の探求のための心理的および方法論的な課題であると指摘している。さらに、現在の理論は固定次元のパラメータに焦点を当てており、高次元への適応は未解決の問題として残されている。