知识卡片：序列预测中的诚实校准度量

一句话结论

在二值序列预测中，精确诚实（exact truthfulness）的校准度量与 soundness、completeness 不可兼得；但若放宽为近似诚实（approximate truthfulness），则可以构造 sound and complete 的校准度量，并且本文给出的乘法近似诚实界优于 Haghtalab et al. (2024) 的结果。

事件概述或研究问题

校准要求预测者的概率报告是“条件无偏的”，并且能够可靠地解释为概率。
校准度量（calibration measure）用于给不准确的概率报告赋一个数值误差。
Haghtalab et al. (2024) 在线预测中提出了一个近似诚实的校准度量，留下开放问题：exact truthfulness 能否与 completeness、soundness 同时成立？
本文对“二值序列预测”给出否定回答：即使在结果相互独立的情况下，也不能同时满足 exact truthfulness、completeness 和 soundness。

方法/产品要点

研究对象是序列预测中的“校准度量”设计，而不是具体模型或产品。
文章证明了一个不可能性结果：exact truthfulness 与 completeness/soundness 不相容。
然后证明该不可能性只对 exact truthfulness 成立。
文章给出两个一般性归约（reduction），可把任意基础校准度量分别改造成加法近似诚实和乘法近似诚实的校准度量。
应用 multiplicative reduction 后，对任意 $0<\varepsilon<1$，可构造一个 sound and complete 的校准度量，其诚实性为 $$(1+\exp(-T^{(1-\varepsilon)/2}/2)) \text{-multiplicatively truthful.}$$

主要结果或产业意义

主要结果属于理论计算机科学、算法博弈论与在线学习交叉方向。
该结果改进了 Haghtalab et al. (2024) 的近似诚实保证。
摘要层面未讨论具体产业应用；对需要可靠概率输出的智能系统而言，该结果提示“精确防操纵的校准度量”存在理论障碍，但“近似防操纵且可靠”的方案是可行的（具体产业意义待核实）。

为什么重要

它回答了一个关于校准度量基本设计空间的开放问题：exact truthfulness 不能与 soundness/completeness 同时实现。
同时指出摆脱不可能性的途径是放宽到近似诚实，并给出通用构造方法。
与既有知识卡片（4DR360、QANTA、MotionForesight）的主题无直接重叠；本卡片的增量信息是“在线预测/校准度量中的诚实性-可靠性权衡”这一新结果。

局限与不确定性

不可能性结论针对的是 sequential binary prediction（二值序列预测）；对多分类或更复杂预测设置是否同样成立，摘要未给出。
摘要未详细定义 soundness/completeness 的具体内容，也未展开解释 $T$ 的定义；$T$ 可能是序列长度或时间步（待核实）。
近似诚实构造的具体实现复杂度、有限样本表现等细节，需查阅全文确认（待核实）。

可用于图书/PPT/简报的角度

标题建议：“校准度量也要防操纵：为什么精确诚实与可靠度量不可兼得？”
可讲主线：校准 → 校准度量 → 诚实性 → 不可能性 → 近似诚实构造。
适合出现在：AI 可信度、算法决策、在线预测评估、博弈论与机器学习交叉主题的课件或综述中。

原始材料

English title: Truthful Calibration Measures for Sequential Prediction
English keywords: calibration; calibration measure; truthfulness; sequential prediction; online prediction; soundness; completeness
arXiv ID: 2608.21348v1
Authors: Anagha Gokul, Jason Hartline, Lunjia Hu, Jonathan Ullman, Yifan Wu
Published: 2026-08-21
Primary category: cs.DS
Categories: cs.DS, cs.GT, cs.LG
URL: https://arxiv.org/abs/2608.21348v1
PDF URL: https://arxiv.org/pdf/2608.21348v1