最快检测幻觉发作：延迟界限和学习的 CUSUM 统计

词元级 幻觉探测器被评估为分类器，通过 AUC 对所有词元进行评估，而流式监视器则通过其反应时间来判断：在幻觉出现和警报之间经过的词元数量。我们将幻觉发作检测制定为最快的变化检测问题。潜在忠实/幻觉状态的一阶马尔可夫模型在 RAGTruth 上得到验证，将任务置于经典的变点理论中，并得出洛登的检测延迟下限：大约 1.3 个词元，误报率为 0.01。然后，我们展示了因果循环贴标机充当具有学习增量的 CUSUM。在它捕获的起始点中，它检测到 11-13 个词元，而线性每个词元基线为 31 个词元，尽管在这个误报预算下，每个检测器捕获不到三分之一的起始点，并且召回诚实延迟为 56-66 个词元：低误报起始点检测很困难。受控分解将速度优势主要归因于更好的每个标记得分，而不是时间累积。 Donsker-Varadhan 类型的信息率最优定理解释了剩余的数量级差距：学习得分仅实现了特征所具有的散度的 1/4.5，这是重新校准无法消除的缺陷，其余部分是有限范围效应。分类指标隐藏了这种延迟结构；序贯分析使其可测量。