所有泄漏都很重要，有些泄漏更重要：LLM 回测中可解释的时间污染检测

为了评估大语言模型是否能够准确预测未来事件，我们需要能够对已经解决的事件进行回测。这要求模型仅根据过去指定日期的可用信息进行推理。然而，大语言模型可能会无意中泄露培训期间编码的截止后知识，从而破坏回顾性评估的有效性。我们引入了一个声明级框架来检测和量化这种\emph{时间知识泄漏}。我们的方法将模型原理分解为原子声明，并通过时间可验证性对它们进行分类，然后应用 \textit{Shapley 值} 来衡量每个声明对预测的贡献。这产生了 \textbf{Shapley} 加权 \textbf{D}ecision-\textbf{C}ritical \textbf{L}eakage \textbf{R}ate (\textbf{Shapley-DCLR})，这是一个可解释的度量，用于捕获决策驱动推理的哪一部分来自泄露的信息。在此框架的基础上，我们提出了 \textbf{Time}-\textbf{S} 监督 \textbf{P}rediction 和 \textbf{E}xtracted \textbf{C}laims (\textbf{TimeSPEC})，它将生成与声明验证和重新生成交织在一起，以主动过滤时间污染 - 生成预测，其中每个支持声明都可以追溯到截止日期之前可用的来源。对涵盖美国最高法院案件预测、NBA 薪资估算和股票回报排名的 350 个实例进行的实验表明，标准提示基线存在严重泄漏。 TimeSPEC 减少了 Shapley-DCLR，同时保留了任务性能，证明了显式的、可解释的声明级验证优于基于提示的时间约束，可实现可靠的回测。