BoatraceCSV

モーター能力指数 v2 設計書(時間減衰 + コース補正 + ベイズ収縮)

v1 (motor_ability_index.md) のスコアテーブル枠組みを 維持しつつ、以下の 3 点を追加する。

  1. 時間減衰加重 — 直近の走を相対的に重く、古い走を緩やかに薄める(指数減衰、 半減期 60 日)。
  2. コース(枠)補正 + SD 標準化 — 級別 × グレード × コースごとの期待点と 分散をベースラインとし、z 残差 (raw − μ_cell) / σ_cell を集計対象にする。 1コース 1着と 6コース 1着の価値差・セル間の分散差を同時に吸収。
  3. ベイズ収縮 — サンプル不足のモーター(期切替直後・休場明け等)を事前分布 (=モーター全体平均=z 残差 0)へ縮める。k = 10 相当走の情報量を prior に持たせる。

3 つの仕掛けは それぞれフィーチャーフラグで個別 ON/OFF 可能(§2.2 参照)。 全 OFF + MOTOR_HISTORY_SESSIONS=5 で v1 と算術等価になり、ablation テストと 段階リリースを容易にする。

下流の z スコア化(build_index.py の平均 50・SD 10 補正)は据え置きなので、 出力 CSV のスキーマ・スケールは変わらない。変わるのは値の意味だけ。

1. v1 からの差分サマリ

観点 v1(現行) v2(本設計)
集計対象 直近 5 節分の全スロット 直近 6 節分の全スロット(減衰でテール薄れる)
各走の重み 一律 1 exp(-ln2 × days_ago / 60)(ENABLE_DECAY=False で 1)
各走のスコア 級別 × グレード得点表の値 z 残差 (得点 − μ_cell) / σ_cell(ENABLE_LANE_CORRECTION=False で生得点)
集計式 単純平均 = Σpt / Σruns 加重平均(残差)+ ベイズ収縮(ENABLE_SHRINKAGE=False で収縮なし)
サンプル不足時 NaN → 下流で 50 補完 n_eff に応じて 0(=平均)へ縮める + 全 0 走で NaN → 50 補完
必要新カラム なし MotorRun.race_date / MotorRun.lane
必要新ファイル なし なし(コース baseline は履歴ウィンドウ内で動的算出)
算術等価性 — 全フラグ OFF + MOTOR_HISTORY_SESSIONS=5 で v1 と一致(ablation 基底)

v1 で確定済みの以下要素は そのまま流用(再記述しない):

2. 確定パラメータ

2.1 数値パラメータ

項目 値 根拠
(a) 減衰半減期 H 60 日 6 節(平均 30 日/節弱)で 1 割前後の重みまで自然減衰。整備による短期変化と長期安定性のバランス点
(b) 減衰定数 λ ln(2) / 60 ≈ 0.01155 半減期 60 日からの導出。日数ベース(節カウントベースではない)
(c) コース baseline 算出元 履歴ウィンドウ内(直近 6 節 × 24 場) 24場プール ≈ 12 k 走点。1 セル平均 300+ サンプルで十分な統計力。別ファイル不要
(d) baseline 採用最小サンプル 5 (級別,グレード,コース)セルにつき 5 サンプル未満は (級別,グレード) 平均にフォールバック
(e) baseline SD 下限 σ_floor 10 退化セル(σ → 0)での 0 除算と z 残差暴発防止。スコア表レンジ ~125 の 8% に相当
(f) ベイズ収縮 prior 強度 k 10 n_eff=10 で 50% 収縮、n_eff=30 で 25% 収縮。新モーター抑制と既存モーター精度の折衷
(g) ベイズ収縮 prior 平均 μ₀ 0(z 残差スケール) コース補正後の z 残差は構造的に 0 中心なので、prior 平均は 0 で自然
(h) 取得節数 MOTOR_HISTORY_SESSIONS 6(v1 は 5) 減衰で 6 節目の寄与は ~13%。これ以上増やしても I/O 増のみで実効寄与は薄い
(i) 節検出スキャン上限 LOOKBACK_MAX_SESSIONS 10(v1 据え置き) 期境界剪定で削られる分の保険として MOTOR_HISTORY_SESSIONS × 1.6 を維持
(j) 補完(全走スキップ時) NaN → 50 v1 と同じ。下流 z 化で吸収

2.2 フィーチャーフラグ(リリース段階制御)

3 つの改修ロジックは各々独立 ON/OFF できる。全 OFF + MOTOR_HISTORY_SESSIONS=5 で v1 と算術等価になることをユニットテストで保証する(§8.1)。

フラグ デフォルト 効果
ENABLE_DECAY True False で全走の重み w_i = 1.0(等加重)
ENABLE_LANE_CORRECTION True False で z 残差化を行わず residual_i = raw_i(μ, σ 補正なし)
ENABLE_SHRINKAGE True False でベイズ収縮を行わず motor_pt = mean_resid

ablation 検証(§8.3)で各フラグの貢献を切り分けてからリリース判断する。

2.3 定数定義

# 時間減衰
ENABLE_DECAY: bool = True
DECAY_HALF_LIFE_DAYS: float = 60.0
DECAY_LAMBDA: float = math.log(2) / DECAY_HALF_LIFE_DAYS   # ≈ 0.01155

# コース補正 / z 残差
ENABLE_LANE_CORRECTION: bool = True
LANE_BASELINE_MIN_SAMPLES: int = 5
LANE_BASELINE_SD_FLOOR: float = 10.0

# ベイズ収縮
ENABLE_SHRINKAGE: bool = True
SHRINKAGE_PRIOR_K: float = 10.0
SHRINKAGE_PRIOR_MEAN: float = 0.0

# 取得節数(v1: 5 → v2: 6)
MOTOR_HISTORY_SESSIONS: int = 6
# 節検出スキャン上限(v1 と同じ)
MOTOR_HISTORY_LOOKBACK_MAX_SESSIONS: int = 10

3. データモデル変更

3.1 MotorRun への列追加

@dataclass(frozen=True)
class MotorRun:
    session_end: dt.date
    stadium: str
    motor_num: int
    grade_bucket: str
    racer_class: str
    finish: str
    # ↓ v2 追加 ↓
    race_date: dt.date         # この走の実日付(時間減衰の重み計算用)
    lane: int                  # この走でのコース番号 1〜6(コース補正用)

race_date は時間減衰、lane はコース補正に必須なので 両方とも必須フィールド (Optional ではない)。取得失敗時はその走を集計から除外する。

3.2 ソース列(race_cards)

艇N_節D{D}走{S}_着順 に加え、以下を読み出す:

列 用途 フォールバック順
艇N_節D{D}走{S}_進入 実コース(進入後) 第 1 候補
艇N_節D{D}走{S}_枠 枠番(進入前) 進入が欠損なら採用
(どちらも欠損) — その走をスキップ

進入 を優先する根拠: 実際にレース展開を決めるのは進入コース。1 枠→1 進入が 9 割なので大半のケースで両者は一致するが、まくり差し・後手などで 枠 ≠ 進入 の レースがあり、進入 の方がモーターの真の実力を測る指標として整合的。

3.3 race_date の確定方法

slot D{D}走{S} の日付は session_start + (D - 1) 日 で求まる。 session_start は detect_session_end_days() 内部で構築する 連続開催日リスト (cur)の先頭日付。これを取得するため detect_session_end_days() を以下に リファクタする:

def detect_sessions(
    repo: Path, stadium: str, window_end: dt.date,
    max_sessions: int = MOTOR_HISTORY_SESSIONS,
    window_days: int = MOTOR_HISTORY_LOOKBACK_DAYS,
) -> list[list[dt.date]]:
    """直近 max_sessions 節分の **節日リスト** を新→旧で返す。

    各要素は ``[session_start, ..., session_end]`` の連続開催日。
    既存 ``detect_session_end_days`` は本関数の `[-1]` 抽出ラッパーとして残置可。
    """
    ...

v1 互換のため、detect_session_end_days() は内部で detect_sessions() を呼んで [s[-1] for s in sessions] を返すラッパに置き換える。

slot D が節日数を超える(短い節での D6, D7 等)場合は finish が必ず None になり、 そもそも MotorRun が生成されないため race_date 算出は不要。

3.4 lane のパース

艇N_節D{D}走{S}_進入 / _枠 の値は文字列または数値。次の関数で正規化する:

def parse_lane(raw_shinnyu, raw_waku) -> int | None:
    """進入優先、欠損なら枠。1〜6 でなければ None。"""
    for raw in (raw_shinnyu, raw_waku):
        if raw is None: continue
        s = str(raw).strip()
        if not s or s.lower() == "nan": continue
        try:
            v = int(float(s))
            if 1 <= v <= 6:
                return v
        except (ValueError, TypeError):
            pass
    return None

4. コース baseline の動的算出(z 残差化)

4.1 算出範囲

load_motor_history() が組み立てた 全 24 場 × 全節 × 全モーター × 全スロット の MotorRun を集約して、(racer_class, grade_bucket, lane) ごとに 平均と標準偏差 を計算する。残差は単純な減算ではなく (raw − μ_cell) / σ_cell の z 残差 とする ことで、セル間の分散異質性を吸収する(レビュー懸念 3 への対応)。

def compute_lane_baseline(
    all_runs: Iterable[MotorRun],
    score_table: dict[tuple[str, str], list[int]],
    min_samples: int = LANE_BASELINE_MIN_SAMPLES,
    sd_floor: float = LANE_BASELINE_SD_FLOOR,
) -> dict[tuple[str, str, int], tuple[float, float]]:
    """Returns: {(racer_class, grade_bucket, lane): (μ, σ)}.

    score_motor_run() で None になる走(F/L/失/妨/欠/不)は集計に含めない。
    転/落/沈/エ は -100 として参加(モーター固有ペナルティと整合)。
    サンプル < min_samples のセルは結果に含めない(呼び出し側でフォールバック)。
    σ は母集団 SD。退化セル(σ < sd_floor)は σ_floor に丸める。
    """
    cells: dict[tuple[str, str, int], list[float]] = defaultdict(list)
    for r in all_runs:
        sc = score_motor_run(score_table, r)
        if sc is None:
            continue
        key = (r.racer_class,
               r.grade_bucket if r.racer_class in ("A1", "A2") else "全",
               r.lane)
        cells[key].append(float(sc[0]))
    out: dict[tuple[str, str, int], tuple[float, float]] = {}
    for key, scores in cells.items():
        if len(scores) < min_samples:
            continue
        mean = sum(scores) / len(scores)
        var = sum((x - mean) ** 2 for x in scores) / len(scores)  # 母集団分散
        sd = max(math.sqrt(var), sd_floor)
        out[key] = (mean, sd)
    return out


def compute_class_grade_avg(
    all_runs: Iterable[MotorRun],
    score_table: dict[tuple[str, str], list[int]],
    min_samples: int = LANE_BASELINE_MIN_SAMPLES,
    sd_floor: float = LANE_BASELINE_SD_FLOOR,
) -> dict[tuple[str, str], tuple[float, float]]:
    """`(racer_class, grade_bucket)` レベルの (μ, σ)。lane baseline の第 1 フォールバック。"""
    # 実装は compute_lane_baseline と同型(key から lane を落とす)
    ...

4.2 算出粒度の根拠

24 場 × 6 節 × ~14 スロット × 6 艇 ≈ 12,000 走点を 36 セル(4 級別 × 2〜3 グレード × 6 コース、実質 (B1, B2 → 全)・(A1, A2 → SG_G1/G2_G3_一般))に分割すると 1 セル平均 200〜400 走点。コース由来の期待値・分散推定としては十分な精度。

4.3 フォールバック階層

(class, grade, lane) セルでサンプル不足の場合:

  1. (class, grade) レベルの (μ, σ)(=コース無視の期待値・分散)
  2. それも 5 サンプル未満なら (0, 1)(=実質コース補正なし、生得点をそのまま使用。 σ=1 は単位を変えないため)
def cell_stats(
    baseline: dict[tuple[str, str, int], tuple[float, float]],
    class_grade_avg: dict[tuple[str, str], tuple[float, float]],
    cls: str, grade: str, lane: int,
) -> tuple[float, float]:
    v = baseline.get((cls, grade, lane))
    if v is not None:
        return v
    v = class_grade_avg.get((cls, grade))
    if v is not None:
        return v
    return (0.0, 1.0)

4.4 算出タイミングとキャッシュ

# FeatureContext 拡張
self._lane_baseline_cache: dict[
    dt.date, tuple[dict[tuple[str, str, int], tuple[float, float]],
                   dict[tuple[str, str], tuple[float, float]]]
] = {}

5. スコアリング式(v2 motor_ability_pt)

5.1 数式

走 i について:

raw_i        = score_motor_run(table, run_i)[0]                 # 0 着なら -100, F/L 等なら None で除外
(μ_i, σ_i)   = cell_stats(..., run_i.cls, run_i.grade, run_i.lane)

# コース補正 + SD 標準化
residual_i   = (raw_i - μ_i) / σ_i        if ENABLE_LANE_CORRECTION
             = raw_i                       otherwise

# 時間減衰
days_ago_i   = max(0, (target_day - run_i.race_date).days)
w_i          = exp(- ln(2) × days_ago_i / 60)   if ENABLE_DECAY
             = 1.0                              otherwise

# 加重平均
Σw   = Σ w_i
Σwr  = Σ w_i × residual_i
Σw²  = Σ w_i²

n_eff      = (Σw)² / Σw²                 # Kish の有効サンプル数(全 w=1 なら n_eff=N)
mean_resid = Σwr / Σw                    # 加重平均(z)残差

# ベイズ収縮(prior 平均 0 へ縮める)
motor_ability_pt = n_eff / (n_eff + k) × mean_resid   if ENABLE_SHRINKAGE
                 = mean_resid                          otherwise

v1 等価性: ENABLE_DECAY = ENABLE_LANE_CORRECTION = ENABLE_SHRINKAGE = False かつ MOTOR_HISTORY_SESSIONS=5 で、motor_ability_pt = Σraw / N(単純平均)に縮退して v1 と一致。これを §8.1 ユニットテストで保証する。

実装は motor_ability_breakdown() に集約済み — 下流(fun-site)に素点の 計算過程を配るため、この式は 1 走ぶんの明細(生得点 / セル μ,σ / 残差 z / 減衰重み)を返す motor_ability_breakdown() として実装し、 motor_ability_pt() はその raw_pt を返すラッパになっている。累算順序が 同一なので両者は厳密一致する。明細の書き出しは scripts/build_motor_pt_breakdown.py、スキーマは docs/data/motor_pt.md。

5.2 関数実装スケッチ

def motor_ability_pt(
    history: dict[tuple[str, int], list[list[MotorRun]]],
    score_table: dict[tuple[str, str], list[int]],
    lane_baseline: dict[tuple[str, str, int], tuple[float, float]],
    class_grade_avg: dict[tuple[str, str], tuple[float, float]],
    stadium_code2: str, motor_num: int, target_day: dt.date,
) -> float:
    sessions = history.get((stadium_code2, motor_num))
    if not sessions:
        return float("nan")

    sum_w = 0.0
    sum_wr = 0.0
    sum_w2 = 0.0
    for sess in sessions:
        for run in sess:
            sc = score_motor_run(score_table, run)
            if sc is None:
                continue
            raw = float(sc[0])
            cls = run.racer_class
            bucket = run.grade_bucket if cls in ("A1", "A2") else "全"

            if ENABLE_LANE_CORRECTION:
                mu, sigma = cell_stats(lane_baseline, class_grade_avg,
                                       cls, bucket, run.lane)
                residual = (raw - mu) / sigma
            else:
                residual = raw

            if ENABLE_DECAY:
                days_ago = max(0, (target_day - run.race_date).days)
                w = math.exp(-DECAY_LAMBDA * days_ago)
            else:
                w = 1.0

            sum_w  += w
            sum_wr += w * residual
            sum_w2 += w * w

    if sum_w == 0.0:
        return float("nan")        # 下流の z 化で 50 補完
    mean_resid = sum_wr / sum_w
    if not ENABLE_SHRINKAGE:
        return mean_resid
    n_eff = (sum_w * sum_w) / sum_w2
    return n_eff / (n_eff + SHRINKAGE_PRIOR_K) * mean_resid

5.3 引数バンドル(将来検討)

シグネチャが 7 引数で重い(レビュー懸念 5)。フィーチャーフラグも増えるため、 将来的に MotorAbilityContext dataclass で (history, score_table, lane_baseline, class_grade_avg, target_day) を束ねるリファクタが望ましい。今回は ablation テストの 互換性確保を優先し、現状シグネチャで実装する。

5.4 出力値域の挙動

v1 との外形互換性: 出力 CSV のスケール(平均 50・SD 10)は変わらない。 重みファイル(stadium/index_weights/YYYY-MM.csv)の 数値は変わる ので リリース時に再学習が必要(v1 のスケールよりノイズが減っているはずなので、 motor の係数自体は概ね同方向に動く想定)。

6. パイプライン統合

6.1 build_index.py(日次)変更点

従来 v1:
  load_motor_period_starts(repo, day)           # period_starts
  load_motor_history(repo, day, period_starts)  # history
  for race: motor_ability_pt(history, table, stadium, motor_num)

v2:
  load_motor_period_starts(repo, day)           # period_starts (変更なし)
  load_motor_history(repo, day, period_starts)  # history(各 MotorRun に race_date/lane 追加)
  compute_lane_baseline(history.values())       # 動的 baseline(日次 1 回、24 場プール)
  compute_class_grade_avg(history.values())     # フォールバック用
  for race: motor_ability_pt(
      history, table, lane_baseline, class_grade_avg,
      stadium, motor_num, target_day=day)

load_motor_history() の負荷は v1 比で 微増(MOTOR_HISTORY_SESSIONS を 5→6 に増やしたぶんだけ race_cards 読込が ~1.2 倍)。compute_lane_baseline() は in-memory 集計だけなので無視可。

6.2 build_weights.py(月次)変更点

過去日ごとに lane_baseline を再計算する必要がある(履歴ウィンドウが日付依存)。 FeatureContext 側のキャッシュ層で {day: lane_baseline} をメモ化することで window 全日に対する重複計算を避ける。

旧重みファイルは 互換性なし。リリース時に対象月を build_weights.py --month YYYY-MM で必ず再学習する(mu_motor / sigma_motor も v2 スケールに合わせて再フィット)。

6.3 FeatureContext 拡張

class FeatureContext:
    # 既存に追加
    self._lane_baseline_cache: dict[
        dt.date, tuple[dict[tuple[str, str, int], tuple[float, float]],
                       dict[tuple[str, str], tuple[float, float]]]
    ] = {}

    def lane_baselines(
        self, day: dt.date,
    ) -> tuple[dict[tuple[str, str, int], tuple[float, float]],
               dict[tuple[str, str], tuple[float, float]]]:
        if day not in self._lane_baseline_cache:
            if not ENABLE_LANE_CORRECTION:
                self._lane_baseline_cache[day] = ({}, {})
                return self._lane_baseline_cache[day]
            history = self.motor_history(day)
            all_runs = [r for sess_list in history.values()
                          for sess in sess_list for r in sess]
            self._lane_baseline_cache[day] = (
                compute_lane_baseline(all_runs, self.motor_score_table()),
                compute_class_grade_avg(all_runs, self.motor_score_table()),
            )
        return self._lane_baseline_cache[day]

6.4 後方互換

観点 互換性
出力 CSV のスキーマ ◯ 変更なし(N枠_モーターpt / N枠_寄与_モーターpt 列据え置き)
出力 CSV の値スケール ◯ 平均 50・SD 10(下流 z 化で吸収)
重み CSV のフォーマット ◯ 変更なし
重み CSV の値 ✕ 数値は変わる(再学習必須)
旧 motor_pt 外部参照 リリースノートで「同列名で定義変更(v1→v2)」を周知

7. フェイルセーフ(v2 固有部分)

v1 §5.4 のすべてに加え、v2 で新たに想定する異常系:

異常系 挙動
艇N_節D{D}走{S}_進入 も _枠 も欠損 その走をスキップ(分母にも乗らない)
_進入 が “0” / “7” 等の不正値 _枠 にフォールバック、それも不正なら走をスキップ
(class, grade, lane) セルが 5 サンプル未満 (class, grade) フォールバック
(class, grade) も 5 サンプル未満 (μ, σ) = (0, 1) で実質コース補正なし
σ_cell ≈ 0(セル内全走同点の退化ケース) σ_floor = 10 に丸める
target_day < race_date(時計巻き戻し) days_ago = max(0, …) で 0 扱い(=重み 1.0)
履歴に全走存在するが全て F/L 等(score_motor_run=None) motor_ability_pt = NaN → 50 補完
節日数が 8 日以上(理論的) slot D が 7 までしか無いので問題なし。session_dates が 8 日以上でも [D-1] 参照は安全
session_dates のインデクスが slot D を超える race_date = session_end にフォールバック
節中に中止日 1 日含むケース detect_session_end_days の連続日まとめロジックで同節扱い(日差 ≤ 1)。slot D の race_date が実日付から 1 日ずれるが減衰重みへの影響は exp(-ln2/60) ≈ 0.99 倍で実害なし
ENABLE_LANE_CORRECTION=False baseline 算出スキップ、residual = raw
ENABLE_DECAY=False w_i = 1.0、n_eff = N(集計対象走数)
ENABLE_SHRINKAGE=False motor_pt = mean_resid(収縮なし)

8. テスト計画

8.1 ユニットテスト(scripts/tests/unit/test_motor_ability_v2.py 新規)

8.2 統合テスト

8.3 重み回帰テスト(ablation 含む)

8.4 リリース判断基準(success criteria 双方向)

判定 基準 アクション
GO(積極) 直近 6 ヶ月平均で total_r²(v2_full) − total_r²(v1) ≥ +0.3pp リリース
GO(消極) 平均差が [-0.2, +0.3) pp で どの単月も -0.5pp 未満ない リリース(理論的整合性で押し切る)
STOP(再検討) 平均差 < -0.2 pp、または任意の単月で < -0.5 pp 原因分析。ablation 表で犯人特定 → 該当フラグを False で再評価
STOP(致命) 任意の単月で < -1.0 pp または NaN 率 5% 超 設計の前提見直し

9. ドキュメント更新箇所(CLAUDE.md ルール準拠)

更新ファイル 内容
docs/data/estimate.md N枠_モーターpt の説明を v2(残差 × 減衰 × 収縮)に改稿
docs/data/motor_ability_score.md スコアテーブル CSV の役割を「生得点の元表」と再定義
docs/development.md scripts/build_index.py の依存に baseline 動的算出を追記
docs/design/motor_ability_index.md 冒頭に「v1 設計書(現状)。v2 については motor_ability_index_v2.md を参照」を追記
docs/design/motor_ability_index_v2.md 本ファイル

10. リリース手順

10.1 事前 EDA(実装着手前)

10.2 実装

  1. scripts/boatrace/index_features.py 改修
    • MotorRun に race_date / lane 追加
    • detect_sessions() 新設、detect_session_end_days() をラッパ化
    • extract_runs_for_session() で _進入 / _枠 を読み出して lane 設定、 race_date を session_dates[D-1] で設定
    • compute_lane_baseline() / compute_class_grade_avg() / cell_stats() / parse_lane() 新設
    • motor_ability_pt() を v2 数式に差し替え(引数追加 + フラグ分岐)
    • 定数群を §2.3 に従い更新(ENABLE_* フラグ追加、MOTOR_HISTORY_SESSIONS=6)
  2. FeatureContext.lane_baselines() 追加、compute_features_for_day() の呼び出し更新

10.3 テスト

  1. scripts/tests/unit/test_motor_ability_v2.py 追加、pytest scripts/tests/unit/ 全 PASS
    • 特に「v1 算術等価性」テスト(全フラグ OFF + N=5)が必ず PASS であること
  2. scripts/tests/compare_motor_v1_v2.py で v1/v2 比較。r² 改善方向を確認
  3. ablation 実行: 4 構成で scripts/tests/run_ablation.py --month YYYY-MM
    • §8.4 の success criteria を満たすか確認

10.4 リリース

  1. リリース対象月の重みを python scripts/build_weights.py --month YYYY-MM で再学習
  2. 当日 index を python scripts/build_index.py --mode daily --date $TODAY_JST --force で 再生成、N枠_モーターpt の分布(平均 50・SD 10)を目視確認
  3. docs/ 一式を同 PR で更新(CLAUDE.md ルール)
  4. 旧 v1 の motor_ability_pt シグネチャ参照が呼び出し側(build_index.py 含む)に 残っていないことを grep で確認

10.5 リリース後モニタリング

index 監視ダッシュボード(別途存在)に以下を追加:

指標 観点 アラート閾値
場別 motor 列の日次平均 50 から大きく外れる場の検知 \|mean - 50\| > 2.0 が 3 日連続
場別 motor 列の日次 SD SD 10 から大きく外れる場の検知 \|SD - 10\| > 2.0 が 3 日連続
motor NaN 率 データ取りこぼし検知 5% 超
期切替直後モーターの motor 分布 収縮が効いているか(50 近辺集中が期待) 中央値が [45, 55] を外れる
baseline 算出時の (class, grade, lane) 全 36 セル数 フォールバック発生検知 サンプル不足セル数が 3 以上

11. 将来課題