ANÁLISE EDITORIAL / 2026-09-21 — 2026-09-25
Validar séries temporais tem um preço inevitável
Trindade impossível da validação, unlearning de dados de mercado e fine-tuning com restrição de chance.
Dos candidatos de cs.LG, 21 papers entraram no grafo. O destaque prova que validação de séries temporais não pode ser simultaneamente suficiente, abrangente e causal, dando fundamento formal às escolhas de backtest. Em seguida, um benchmark de machine unlearning pergunta se dá para remover um ano de dados de mercado de um previsor quando a licença expira, sem retreinar do zero — tema contratual real para quem licencia dados. Na segurança, fine-tuning com restrição de chance controla a probabilidade de regressão em prompts críticos, não só a média. Para dados empresariais, 'linhas idênticas que discordam' mostram como duplicatas escondem uma camada de medição que afeta benchmarks e detecção de anomalias, e frameworks zero-trust coordenam agentes em engenharia de dados. Também há crítica ao uso de teoria clássica de testes para juízes LLM e seleção online de janelas em portfólios.
EVOLUÇÃO
W38 tratou de retrieval, benchmarks e look-ahead em séries temporais; a W39 aprofunda a discussão de validação e governança dos dados de treino.
O QUE FAZER COM ISSO
Políticas de dados de mercado licenciados devem prever custo e evidência de unlearning ao fim do contrato.
Pré-seleção por título com cobertura muito parcial (~50 de ~1.230 títulos; limite de taxa e paginação ignorada). Maior parte dos papers veio por cross-list. Resumos via WebFetch.