{
  "version": "v0.2",
  "createdAt": "2026-08-28",
  "step": 1516,
  "origin": "藤本さん directive (2026-08-28 帰宅後) + chat-Claude 分析 「概念が欠けているのではなく別名を知らないだけ」 → 対訳マップ + ワークフロー順 の 合わせ技",
  "scope": "統計基礎 / 機械学習 / データ処理 / 時系列 / FX-finance の 5 layer、 ~90 term",
  "howToUse": "workflow_stage で 並び順、 aliases で 別名対応、 rei_stack で Rei stack との 対応 concept 参照 (存在する場合のみ)、 example で 具体例。 「知っている概念に 別名が 付いているだけ」 という chat-Claude 分析 の 直接 実装。",
  "workflowStages": [
    "01-data-collect",
    "02-preprocess",
    "03-statistics-basic",
    "04-model-basic",
    "05-model-advanced",
    "06-eval-metric",
    "07-time-series",
    "08-fx-finance-domain"
  ],
  "terms": [
    {
      "id": "population",
      "primary": "母集団",
      "aliases": [
        "population",
        "ぼしゅうだん"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "対象全体の集合。 標本 (sample) が抽出される元。",
      "rei_stack": "benchtop-mcp measurement scope の 「対象全体」 (実 hardware では 個体差)、 sample = 1 session の 記録",
      "example": "全世界の株式トレーダー = 母集団、 手元のデータ = 標本"
    },
    {
      "id": "sample",
      "primary": "標本",
      "aliases": [
        "sample",
        "サンプル",
        "ひょうほん"
      ],
      "category": "statistics",
      "workflow_stage": "01-data-collect",
      "concise": "母集団から抽出した部分集合。 統計推論の入力。",
      "rei_stack": "benchtop-mcp measure_* = 単一 sample 取得器 (STEP 1345-1415)",
      "example": "USDJPY 直近 1000 tick = 全時系列 (母集団) からの 標本"
    },
    {
      "id": "sample-mean",
      "primary": "標本平均",
      "aliases": [
        "sample mean",
        "μ̂",
        "x-bar",
        "算術平均",
        "arithmetic mean",
        "average",
        "アベレージ"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "標本の値を合計して個数で割ったもの。 母平均 μ の 不偏推定量。",
      "rei_stack": "benchtop-mcp analyze_session の mean 出力、 D-FUMT NNUE eval の baseline",
      "example": "Σx_i / n"
    },
    {
      "id": "variance",
      "primary": "分散",
      "aliases": [
        "variance",
        "σ²",
        "ぶんさん"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "平均からの二乗偏差の期待値。 ばらつきの二乗次元指標。",
      "rei_stack": "benchtop-mcp analyze_session の 3σ 固定則 + check_alert_rules stdev_gt (STEP 1471 v0.10)。 rei-checker-mcp v0.3 ledger の 変動測定 primitive",
      "example": "σ² = E[(X - μ)²]"
    },
    {
      "id": "standard-deviation",
      "primary": "標準偏差",
      "aliases": [
        "standard deviation",
        "SD",
        "σ",
        "std",
        "ひょうじゅんへんさ"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "分散の平方根、 元データと同じ次元のばらつき指標。",
      "rei_stack": "d8_verdict_from_measurement (STEP 1350) の SNR 判定に使用",
      "example": "σ = √σ²"
    },
    {
      "id": "unbiased-variance",
      "primary": "不偏分散",
      "aliases": [
        "unbiased variance",
        "sample variance (Bessel corrected)",
        "n-1 分母"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "標本分散を n の代わりに n-1 で割った推定量。 母分散 σ² の不偏推定 (Bessel's correction)。",
      "rei_stack": null,
      "example": "s² = Σ(x - x̄)² / (n - 1)"
    },
    {
      "id": "median",
      "primary": "中央値",
      "aliases": [
        "median",
        "メジアン",
        "50%点"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "順序統計量の中央。 外れ値に頑健。",
      "rei_stack": null
    },
    {
      "id": "iqr",
      "primary": "四分位範囲",
      "aliases": [
        "IQR",
        "interquartile range",
        "Q3 - Q1"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "第3四分位 - 第1四分位。 外れ値に頑健なばらつき指標。 箱ひげ図の箱の幅。",
      "rei_stack": null
    },
    {
      "id": "normal-distribution",
      "primary": "正規分布",
      "aliases": [
        "normal distribution",
        "Gaussian",
        "ガウス分布",
        "正規",
        "Gauss"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "μ + σ で決まる釣鐘型分布。 中心極限定理 の 帰結、 誤差モデルの default。",
      "rei_stack": "STEP 1353 Statistics×NEITHER Education v0.1 で Box-Muller pure JS 実装、 Welch t-test の 基礎分布",
      "example": "N(μ, σ²)"
    },
    {
      "id": "clt",
      "primary": "中心極限定理",
      "aliases": [
        "CLT",
        "Central Limit Theorem",
        "ちゅうしんきょくげんていり"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "独立同分布の和は n → ∞ で正規分布に収束。 「なぜ正規が default」 の理論的根拠。",
      "rei_stack": "STEP 1487 data science × D-FUMT₈ arc で LCG bootstrap 決定性 4 theorem (Lean 4 zero sorry) と 対応、 集約時の 正規化前提",
      "example": "√n(X̄_n - μ) → N(0, σ²)"
    },
    {
      "id": "lln",
      "primary": "大数の法則",
      "aliases": [
        "LLN",
        "Law of Large Numbers",
        "たいすうのほうそく"
      ],
      "category": "statistics",
      "workflow_stage": "03-statistics-basic",
      "concise": "標本平均は n → ∞ で母平均に収束。 「n が 増えれば 推定は 正確」 の 保証。",
      "rei_stack": null
    },
    {
      "id": "confidence-interval",
      "primary": "信頼区間",
      "aliases": [
        "CI",
        "confidence interval",
        "しんらいくかん"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "推定量が真値を含む確率を保証する区間。 95% CI が最頻。 「p値の裏返し」。",
      "rei_stack": "STEP 1358 教材で 直接扱い、 Wilson CI 下限は STEP 1480 判断再現テスト pilot の N=20 caveat と 対応 (95% CI 下限保証しない honest scope)",
      "example": "μ̂ ± 1.96 · σ/√n"
    },
    {
      "id": "p-value",
      "primary": "p値",
      "aliases": [
        "p-value",
        "有意確率"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "帰無仮説の下で 観測値以上に極端な結果が 出る確率。 「小さい ほど 帰無仮説が疑わしい」。",
      "rei_stack": "STEP 1350 d8_verdict_from_measurement + STEP 1358 Statistics×NEITHER Education v0.2 (p 値予測 field POE) + rei-preregister (p-hacking 予防、 事前登録)。 Welch t-test は STEP 1376 primitive",
      "example": "p < 0.05 で 有意 と される慣習"
    },
    {
      "id": "significance-level",
      "primary": "有意水準",
      "aliases": [
        "significance level",
        "α",
        "アルファ"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "第一種の過誤 (誤って有意と判定) の 許容確率。 慣習的に 0.05 or 0.01。",
      "rei_stack": "STEP 1350 verdict threshold (SNR<3→NEITHER 対応) + STEP 1358 Statistics×NEITHER Education v0.2 で α=0.05 縦線 可視化"
    },
    {
      "id": "type-i-error",
      "primary": "第一種の過誤",
      "aliases": [
        "Type I error",
        "false positive",
        "偽陽性",
        "α error"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "帰無仮説が真なのに 棄却する誤り。 有意水準 α で 制御。",
      "rei_stack": "STEP 1358 Statistics×NEITHER Education v0.2 で α (Type I) と β (Type II) を Cohen 1988 「安全帯」 の 数値化 として 教材化、 D-FUMT₈ NEITHER が Type I 抑制の 機械形"
    },
    {
      "id": "type-ii-error",
      "primary": "第二種の過誤",
      "aliases": [
        "Type II error",
        "false negative",
        "偽陰性",
        "β error"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "帰無仮説が偽なのに 棄却しない誤り。 検定力 1-β で 制御。",
      "rei_stack": "STEP 1358 Statistics×NEITHER Education v0.2 で 検定力 (1-β) 不足体験、 SNR<3→NEITHER で 「効果あるかもしれないが 見えない」 を 積極的に 判定"
    },
    {
      "id": "statistical-power",
      "primary": "検定力",
      "aliases": [
        "statistical power",
        "power",
        "1-β"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "帰無仮説が偽の時に正しく棄却する確率。 サンプルサイズ設計の基準。",
      "rei_stack": "STEP 1358 Statistics×NEITHER Education v0.2 の 中心概念 (POE pedagogy で 予測→観測→差分説明の 3 段)。 SNR = |d|×√(n/2)、 SNR<3→NEITHER の Rei 側 判定と 直結"
    },
    {
      "id": "pearson-correlation",
      "primary": "相関係数",
      "aliases": [
        "correlation coefficient",
        "Pearson r",
        "ピアソン相関",
        "ピアソン"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "2 変数の 線形関係の強さ (-1 〜 1)。 「相関 ≠ 因果」 の 標準警告。",
      "rei_stack": null
    },
    {
      "id": "spearman-correlation",
      "primary": "順位相関",
      "aliases": [
        "Spearman",
        "Kendall τ",
        "rank correlation"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "順位を使う相関係数。 非線形単調関係も検出、 外れ値に頑健。",
      "rei_stack": "Rei stack の 順位ベース 分析 (非パラメトリック)、 benchtop cross-session comparison の候補"
    },
    {
      "id": "regression",
      "primary": "回帰",
      "aliases": [
        "regression",
        "回帰分析",
        "regression analysis"
      ],
      "category": "statistics",
      "workflow_stage": "04-model-basic",
      "concise": "説明変数から 目的変数を 予測する model。 線形回帰が 基本。",
      "example": "y = β₀ + β₁ x + ε"
    },
    {
      "id": "ols",
      "primary": "最小二乗法",
      "aliases": [
        "OLS",
        "Ordinary Least Squares",
        "least squares",
        "さいしょうにじょう"
      ],
      "category": "statistics",
      "workflow_stage": "04-model-basic",
      "concise": "残差二乗和を最小化する 回帰係数推定。 正規誤差仮定下で MLE と 一致。"
    },
    {
      "id": "mle",
      "primary": "最尤推定",
      "aliases": [
        "MLE",
        "Maximum Likelihood Estimation",
        "最尤法",
        "さいゆう"
      ],
      "category": "statistics",
      "workflow_stage": "04-model-basic",
      "concise": "尤度関数を最大化するパラメタ推定。 「観測データが 最も起こりやすい」 母数を選ぶ。",
      "rei_stack": "Fisher metric g_ij(θ) 井筒 invention SEED_KERNEL 1679 (2026-08-26 approve、 STEP 25 load-bearing #29)。 Amari 1985 情報幾何学の Rei-side embedding"
    },
    {
      "id": "bayesian-inference",
      "primary": "ベイズ推定",
      "aliases": [
        "Bayesian inference",
        "Bayes",
        "事後確率"
      ],
      "category": "statistics",
      "workflow_stage": "04-model-basic",
      "concise": "事前分布 × 尤度 ∝ 事後分布。 「不確実性を 分布で 表す」 枠組み。",
      "example": "P(θ|D) ∝ P(D|θ) P(θ)",
      "rei_stack": "rei-preregister v0.1 (STEP 1359) の 事前登録=事前分布固定 pattern、 グリーン ≠ 検証済み discipline embed"
    },
    {
      "id": "supervised-learning",
      "primary": "教師あり学習",
      "aliases": [
        "supervised learning",
        "教師あり"
      ],
      "category": "ml",
      "workflow_stage": "04-model-basic",
      "concise": "(入力, 正解ラベル) の pair で 学習。 分類 or 回帰。",
      "rei_stack": "D-FUMT NNUE eval-only training data ↔ label learning、 教師データ = SEED_KERNEL theory labeled corpus"
    },
    {
      "id": "unsupervised-learning",
      "primary": "教師なし学習",
      "aliases": [
        "unsupervised learning",
        "教師なし"
      ],
      "category": "ml",
      "workflow_stage": "04-model-basic",
      "concise": "ラベルなしデータから 構造 (cluster / 潜在変数) を 見出す。"
    },
    {
      "id": "reinforcement-learning",
      "primary": "強化学習",
      "aliases": [
        "RL",
        "reinforcement learning",
        "きょうかがくしゅう"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "環境との interaction で 累積報酬を 最大化。 policy / value / Q-learning。",
      "rei_stack": "Rei stack simulation loop (run_simulation_turn) の 内部評価 signal、 D-FUMT NNUE self-play NNUE evolution (STEP 1199)"
    },
    {
      "id": "feature",
      "primary": "特徴量",
      "aliases": [
        "feature",
        "explanatory variable",
        "independent variable",
        "X",
        "説明変数",
        "独立変数",
        "共変量",
        "covariate"
      ],
      "category": "ml",
      "workflow_stage": "02-preprocess",
      "concise": "model の 入力変数。 統計では 「説明変数」、 ML では 「特徴量」 が 通り言葉。",
      "rei_stack": "D-FUMT NNUE feature engineering (STEP 1352-1400 arc)、 feature = 数値化された 状態表現"
    },
    {
      "id": "target",
      "primary": "目的変数",
      "aliases": [
        "target",
        "label",
        "response",
        "dependent variable",
        "Y",
        "従属変数"
      ],
      "category": "ml",
      "workflow_stage": "02-preprocess",
      "concise": "model が 予測すべき 出力変数。 統計では 「従属変数」、 ML では 「target/label」 が 通り言葉。"
    },
    {
      "id": "loss-function",
      "primary": "損失関数",
      "aliases": [
        "loss function",
        "objective function",
        "criterion",
        "cost function",
        "目的関数"
      ],
      "category": "ml",
      "workflow_stage": "04-model-basic",
      "concise": "予測誤差を測る関数。 MSE / cross-entropy / hinge 等。 最適化の対象。",
      "rei_stack": "D-FUMT NNUE MSE loss (Ollama 実験系)、 gradient descent objective"
    },
    {
      "id": "overfitting",
      "primary": "過学習",
      "aliases": [
        "overfitting",
        "過剰適合",
        "overtraining",
        "汎化失敗",
        "オーバーフィット"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "訓練データに 過剰適合し、 未知データで 性能低下。 「有限標本への 過剰適合 = 一般化の失敗」 (chat-Claude 定義)",
      "rei_stack": "SEED_KERNEL invention pipeline hardening (STEP 1019-1253 12 layer) の pool saturation ceiling = overfitting on 既存 theory の 予防 pattern。 データ側 overfitting の 対応 concept"
    },
    {
      "id": "underfitting",
      "primary": "未学習",
      "aliases": [
        "underfitting",
        "偏り不足",
        "アンダーフィット"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "model 表現力 不足で 訓練データも 適合できず。",
      "rei_stack": "D-FUMT₈ NEITHER (STEP 1350) = 「効果あるかもしれないが 見えない」 の 積極形、 SNR<3 が underfitting の 判定 hook"
    },
    {
      "id": "generalization",
      "primary": "汎化",
      "aliases": [
        "generalization",
        "はんか"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "未知データへの 性能。 ML の 究極目標。 過学習 / 未学習 の 逆概念。"
    },
    {
      "id": "cross-validation",
      "primary": "交差検証",
      "aliases": [
        "cross-validation",
        "CV",
        "k-fold",
        "k分割交差検証"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "データを k 分割し、 各 fold で 訓練/検証を 循環。 過学習検出の 標準手法。",
      "rei_stack": "rei-preregister v0.1 (STEP 1359) 事前登録 pattern + STEP 1480 判断再現テスト pilot (peer-review consensus mode)"
    },
    {
      "id": "train-val-test-split",
      "primary": "訓練/検証/テスト分割",
      "aliases": [
        "train / validation / test split",
        "train-val-test",
        "訓練テスト分割",
        "70/15/15"
      ],
      "category": "ml",
      "workflow_stage": "02-preprocess",
      "concise": "データを 3 群に 分ける。 訓練 = 学習、 検証 = ハイパー選択、 テスト = 汎化性能 の 最終評価 (1 回のみ)。"
    },
    {
      "id": "bias-variance-tradeoff",
      "primary": "バイアス-バリアンス トレードオフ",
      "aliases": [
        "bias-variance tradeoff",
        "偏りと分散のトレードオフ"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "model 複雑度 ↑ で bias ↓ / variance ↑ の 交換関係。 汎化誤差の 分解 = bias² + variance + noise。 chat-Claude 例示 の 対訳ターゲット。",
      "rei_stack": null
    },
    {
      "id": "regularization",
      "primary": "正則化",
      "aliases": [
        "regularization",
        "L1 (Lasso)",
        "L2 (Ridge)",
        "weight decay",
        "ペナルティ項"
      ],
      "category": "ml",
      "workflow_stage": "04-model-basic",
      "concise": "loss に パラメタ大きさペナルティを 加える。 「解空間に制約を課して 一意性を 回復する」 (chat-Claude 定義)。 過学習抑制の 標準手段。",
      "example": "loss + λ Σ|w| (L1) or loss + λ Σw² (L2)",
      "rei_stack": "SEED_KERNEL invention pipeline の cooldown (60 day、 STEP 1088 6th iteration) + dropOnRotationExhaustion (STEP 1257) = 発明側 L2/L1 相当の 規則化 pattern"
    },
    {
      "id": "gradient-descent",
      "primary": "勾配降下法",
      "aliases": [
        "gradient descent",
        "GD",
        "SGD",
        "stochastic gradient descent",
        "Adam",
        "RMSprop",
        "確率的勾配降下法"
      ],
      "category": "ml",
      "workflow_stage": "04-model-basic",
      "concise": "loss の 勾配方向に パラメタを 更新。 SGD = ミニバッチ版、 Adam = 適応学習率版。",
      "example": "w ← w - η ∇loss",
      "rei_stack": "D-FUMT NNUE training loop (STEP 199-210)、 loss 減少 = Lyapunov 安定性 (STEP 1497 制御理論 arc)"
    },
    {
      "id": "backpropagation",
      "primary": "バックプロパゲーション",
      "aliases": [
        "backpropagation",
        "backprop",
        "誤差逆伝播",
        "自動微分",
        "autograd",
        "ごさぎゃくでんぱ"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "連鎖律 (chain rule) で 各層の 勾配を 出力側から 逆算。 深層学習の 学習アルゴリズム。",
      "rei_stack": "D-FUMT NNUE training chain rule。 Rei stack simulation 内 で 明示的には 実装せず、 pipe ト経由"
    },
    {
      "id": "learning-rate",
      "primary": "学習率",
      "aliases": [
        "learning rate",
        "lr",
        "η",
        "ステップ幅"
      ],
      "category": "ml",
      "workflow_stage": "04-model-basic",
      "concise": "勾配降下の 更新ステップ幅。 大きすぎる = 発散、 小さすぎる = 遅い / 停滞。"
    },
    {
      "id": "epoch",
      "primary": "エポック",
      "aliases": [
        "epoch",
        "iteration",
        "batch",
        "mini-batch",
        "ミニバッチ"
      ],
      "category": "ml",
      "workflow_stage": "04-model-basic",
      "concise": "epoch = 訓練データを 1 周、 iteration = 1 更新、 batch = 1 更新分のデータ。"
    },
    {
      "id": "confusion-matrix",
      "primary": "混同行列",
      "aliases": [
        "confusion matrix",
        "こんどうぎょうれつ",
        "TP/FP/FN/TN"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "分類の 予測 × 実際 の 2x2 (or K×K) 表。 TP / FP / FN / TN 分類。"
    },
    {
      "id": "precision-recall-f1",
      "primary": "適合率 / 再現率 / F1",
      "aliases": [
        "precision",
        "recall",
        "F1 score",
        "精度",
        "感度",
        "sensitivity",
        "適合率",
        "再現率"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "precision = TP/(TP+FP) 予測が 当たる率、 recall = TP/(TP+FN) 実物を 拾う率、 F1 = 調和平均。 imbalance 対応。"
    },
    {
      "id": "roc-auc",
      "primary": "ROC / AUC",
      "aliases": [
        "ROC curve",
        "AUC",
        "AUROC",
        "受信者操作特性"
      ],
      "category": "ml",
      "workflow_stage": "06-eval-metric",
      "concise": "閾値を 動かした時の TPR vs FPR 曲線 と 曲線下面積。 分類器の 閾値非依存 性能指標。"
    },
    {
      "id": "decision-tree",
      "primary": "決定木",
      "aliases": [
        "decision tree",
        "けっていぼく",
        "DT"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "分岐 rule の 木で 予測。 解釈性 高、 過学習しやすい。 CART / ID3 / C4.5 変種あり。"
    },
    {
      "id": "random-forest",
      "primary": "ランダムフォレスト",
      "aliases": [
        "random forest",
        "RF"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "複数決定木の 平均。 bagging + feature subsample で 分散低減。 tabular data の default。"
    },
    {
      "id": "gradient-boosting",
      "primary": "勾配ブースティング",
      "aliases": [
        "gradient boosting",
        "GBM",
        "XGBoost",
        "LightGBM",
        "CatBoost",
        "こうばい"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "弱学習器 (決定木) を 逐次的に 追加、 前段の 残差に fit。 tabular data の 最強系。"
    },
    {
      "id": "svm",
      "primary": "サポートベクトルマシン",
      "aliases": [
        "SVM",
        "support vector machine",
        "kernel trick"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "最大マージン分離超平面。 kernel trick で 非線形拡張。 高次元で 効きやすい。"
    },
    {
      "id": "knn",
      "primary": "k近傍法",
      "aliases": [
        "k-NN",
        "k-Nearest Neighbors",
        "近傍法"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "訓練データ そのものが model、 予測時に 最近傍 k 個で 多数決 / 平均。 lazy learning。"
    },
    {
      "id": "clustering",
      "primary": "クラスタリング",
      "aliases": [
        "clustering",
        "k-means",
        "hierarchical clustering",
        "階層クラスタリング",
        "DBSCAN"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "教師なしで 似た point を まとめる。 k-means (中心距離) / hierarchical (denrogram) / DBSCAN (密度)。",
      "rei_stack": "SEED_KERNEL search_theories (semantic clustering)、 rei-meta-mcp meta_check_coherence の cluster verification"
    },
    {
      "id": "pca",
      "primary": "主成分分析",
      "aliases": [
        "PCA",
        "Principal Component Analysis",
        "しゅせいぶんぶんせき",
        "次元削減",
        "dimensionality reduction"
      ],
      "category": "ml",
      "workflow_stage": "02-preprocess",
      "concise": "分散最大方向に 直交射影して 次元削減。 共分散行列の 固有値分解。",
      "rei_stack": "TDA (giotto-tda + Ripser、 STEP 567-595 数学トラック) が高次元 → 低次元 抽出の Rei 側 実装、 Cayley-Dickson × TDA embedding も 系譜"
    },
    {
      "id": "curse-of-dimensionality",
      "primary": "次元の呪い",
      "aliases": [
        "curse of dimensionality",
        "じげんののろい"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "高次元で 距離が 均等化 / データ 疎になる / 汎化困難。 「高次元幾何の 性質そのもの」 (chat-Claude 定義)。",
      "rei_stack": "Bekenstein bound (STEP 1478 arc) が 情報密度 上限として、 高次元での 疎性 の 物理的 side、 データ側 curse と 補完"
    },
    {
      "id": "transformer-attention",
      "primary": "Transformer / 注意機構",
      "aliases": [
        "Transformer",
        "attention",
        "self-attention",
        "アテンション",
        "GPT",
        "BERT"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "全 token pair の 重み (attention) で 文脈 model 化。 LLM の 基盤。 Vaswani et al. 2017。",
      "rei_stack": "D-FUMT NNUE 内 attention layer + Paper 185 Transformer 数式研究 (2026-05-01)、 Rei stack 内 attention head 実装 は 別 project"
    },
    {
      "id": "embedding",
      "primary": "埋め込み",
      "aliases": [
        "embedding",
        "vector representation",
        "word2vec",
        "ベクトル表現",
        "エンベディング"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "離散 token を 連続 vector 化。 意味的類似 = ベクトル距離。 LLM の 内部表現。",
      "rei_stack": "SEED_KERNEL 意味埋込 (STEP 402-410 意味距離形式定義)、 semantic search theory lookup の baseline"
    },
    {
      "id": "data-cleaning",
      "primary": "データクリーニング",
      "aliases": [
        "data cleaning",
        "cleansing",
        "データクレンジング"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "重複除去 / 型統一 / 欠損処理 / 外れ値 / 表記揺れ 修正。 分析前の 必須工程。",
      "rei_stack": "benchtop-mcp provenance module (STEP 1345 v0.5) = ALCOA+ / ISO 17025 準拠 記録の 保持、 削除でなく 訂正で 履歴保持"
    },
    {
      "id": "missing-value",
      "primary": "欠損値",
      "aliases": [
        "missing value",
        "NaN",
        "null",
        "None",
        "NA",
        "imputation",
        "欠損補完"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "値が 記録されていない cell。 補完 (imputation) = 平均 / 中央 / 前後値 / model 予測 / 削除。",
      "rei_stack": "D-FUMT₈ NEITHER (STEP 1350) の 直接 mapping = 「知り得ない」 vs 「知り得るが 今回 未測」 の 区別、 rei-checker-mcp v0.3 ledger で 欠測 vs 定義外 の 分離"
    },
    {
      "id": "outlier",
      "primary": "外れ値",
      "aliases": [
        "outlier",
        "anomaly",
        "はずれち"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "他の観測から 大きく離れた値。 IQR × 1.5 or z-score > 3 が 検出慣習。 削除 or 変換の 判断要。",
      "rei_stack": "benchtop-mcp analyze_session 3σ 固定則 + check_alert_rules abs_gt (STEP 1471 v0.10)。 STEP 1350 の SNR<3 判定と 補完 (outlier detection と NEITHER 判定は 異なる目的)"
    },
    {
      "id": "standardization",
      "primary": "標準化",
      "aliases": [
        "standardization",
        "z-score",
        "ゼットスコア"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "(x - μ) / σ で 平均 0 分散 1 に 変換。 単位揃え + 勾配降下の 収束加速。",
      "rei_stack": "benchtop-mcp calibrate (校正) pattern、 各 session 記録は origin 単位で 校正済み前提"
    },
    {
      "id": "normalization",
      "primary": "正規化 (min-max)",
      "aliases": [
        "normalization",
        "min-max scaling",
        "min-max 正規化"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "(x - min) / (max - min) で [0, 1] に 変換。 分布形状は 保持、 外れ値に 弱い。 (統計の 「正規化」 とは 別概念)"
    },
    {
      "id": "one-hot-encoding",
      "primary": "ワンホットエンコーディング",
      "aliases": [
        "one-hot encoding",
        "OHE",
        "ダミー変数化",
        "dummy encoding"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "カテゴリ変数を 各カテゴリ 1 列 × 0/1 に 展開。 K カテゴリ → K 列 (or K-1)。"
    },
    {
      "id": "label-encoding",
      "primary": "ラベルエンコーディング",
      "aliases": [
        "label encoding",
        "ordinal encoding",
        "順序エンコーディング"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "カテゴリを 整数に 置換。 順序意味あり時に 使用、 なければ one-hot が 安全。"
    },
    {
      "id": "feature-engineering",
      "primary": "特徴量エンジニアリング",
      "aliases": [
        "feature engineering",
        "特徴生成",
        "feature extraction"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "既存 column から 新規 feature を 作る。 log 変換 / 交差項 / 差分 / lag / rolling stat 等。 tabular の 最大 lever。",
      "rei_stack": "D-FUMT NNUE feature crafting (SEED_KERNEL 由来 特徴量)、 SEED_KERNEL categoryB 299 = feature vocabulary の 蓄積"
    },
    {
      "id": "sampling-imbalance",
      "primary": "サンプリング / 不均衡対応",
      "aliases": [
        "sampling",
        "oversampling",
        "undersampling",
        "SMOTE",
        "class imbalance",
        "不均衡データ"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "少数 class を 過標本 (SMOTE) or 多数 class を 過小標本。 imbalance 分類の 標準対処。",
      "rei_stack": "SEED_KERNEL invention pipeline requireSourceDiversity (STEP 1087 5th iteration) = source-side 不均衡 の 発明側 mirror"
    },
    {
      "id": "etl",
      "primary": "前処理パイプライン (ETL)",
      "aliases": [
        "ETL",
        "Extract-Transform-Load",
        "preprocessing pipeline",
        "データパイプライン"
      ],
      "category": "data-processing",
      "workflow_stage": "01-data-collect",
      "concise": "抽出 → 変換 → ロード の 反復可能 workflow。 sklearn Pipeline / dbt / airflow 等。",
      "rei_stack": "harness-sync (2026-05-11 STEP 1056 Activity Log)、 external system → Rei stack への 取込 pipeline"
    },
    {
      "id": "time-series",
      "primary": "時系列",
      "aliases": [
        "time series",
        "temporal data",
        "じけいれつ"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "時刻順に並んだ観測列。 IID 仮定が 破れる (自己相関あり) のが 特徴。"
    },
    {
      "id": "trend",
      "primary": "トレンド",
      "aliases": [
        "trend",
        "傾向"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "時系列の 長期方向性 (上昇 / 下降)。 分解 (decomposition) の 3 成分の 1 つ。",
      "rei_stack": "benchtop-mcp check_alert_rules drift_abs (STEP 1471 v0.10) = long-run trend detection の 直接 mapping"
    },
    {
      "id": "seasonality",
      "primary": "季節性",
      "aliases": [
        "seasonality",
        "周期成分",
        "せいそくせい"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "定周期 (日 / 週 / 月 / 年) の パターン。 SARIMA / STL 分解 で 抽出。"
    },
    {
      "id": "stationarity",
      "primary": "定常性",
      "aliases": [
        "stationarity",
        "unit root",
        "単位根",
        "ていじょうせい",
        "ADF test",
        "KPSS test"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "統計性質 (平均 / 分散 / 自己共分散) が 時間不変。 多くの 時系列 model の 前提。 ADF 検定 で 検査。",
      "rei_stack": "STEP 1497 制御理論 arc の Lyapunov 安定性、 STEP 1484 fixpoint arc の fixed point stable"
    },
    {
      "id": "autocorrelation",
      "primary": "自己相関",
      "aliases": [
        "autocorrelation",
        "ACF",
        "PACF",
        "partial autocorrelation",
        "偏自己相関"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "時系列と 自身の lag との 相関。 ACF / PACF plot で AR / MA order 選定。",
      "rei_stack": "SEED_KERNEL cooldown pattern (STEP 1088 6th iteration) の time-lag mirror、 60 day 自己相関 予防 discipline"
    },
    {
      "id": "differencing",
      "primary": "差分",
      "aliases": [
        "differencing",
        "d 階差分",
        "unit root removal"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "y_t - y_{t-1} で トレンド除去 → 定常化。 ARIMA の I (Integrated) 部分。"
    },
    {
      "id": "arima-family",
      "primary": "AR / MA / ARIMA / SARIMA",
      "aliases": [
        "AR",
        "MA",
        "ARMA",
        "ARIMA",
        "SARIMA",
        "自己回帰"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "AR = 自己回帰、 MA = 移動平均誤差、 I = 差分、 S = 季節。 線形時系列 model の 基本 4 変種。"
    },
    {
      "id": "garch",
      "primary": "GARCH / ボラティリティ変動",
      "aliases": [
        "GARCH",
        "ARCH",
        "conditional heteroscedasticity",
        "分散不均一"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "分散が 時間変動 する model (volatility clustering)。 金融時系列の 標準ツール。"
    },
    {
      "id": "moving-average",
      "primary": "移動平均",
      "aliases": [
        "moving average",
        "MA",
        "SMA",
        "EMA",
        "WMA",
        "単純移動平均",
        "指数移動平均"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "直近 n 期の 平均。 SMA = 単純、 EMA = 指数重み、 ノイズ除去 + トレンド抽出。"
    },
    {
      "id": "state-space-kalman",
      "primary": "状態空間モデル / カルマンフィルタ",
      "aliases": [
        "state-space model",
        "Kalman filter",
        "SSM"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "潜在状態 + 観測方程式 の 表現。 Kalman filter で 逐次推定。 ARIMA を 包含する 一般枠組み。",
      "rei_stack": "STEP 1358 Statistics×NEITHER Education v0.2 の Welch-Satterthwaite df 更新 pattern と 対応、 逐次 Bayesian update の 教材化 候補"
    },
    {
      "id": "ohlc",
      "primary": "OHLC / 4本値",
      "aliases": [
        "OHLC",
        "open",
        "high",
        "low",
        "close",
        "始値",
        "高値",
        "安値",
        "終値"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "1 期間の 4 特徴 (始値 / 高値 / 安値 / 終値)。 candlestick 描画 と 時系列 model の 基本入力。"
    },
    {
      "id": "candlestick",
      "primary": "ローソク足",
      "aliases": [
        "candlestick chart",
        "candlestick",
        "kabu-chart",
        "K-line"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "OHLC を 実体 (open→close) + ヒゲ (high/low) で 図示。 日本発祥。"
    },
    {
      "id": "spread",
      "primary": "スプレッド",
      "aliases": [
        "spread",
        "bid-ask spread",
        "ビッドアスクスプレッド"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "売値 (bid) と 買値 (ask) の 差。 broker の 主な収益源、 取引コスト。"
    },
    {
      "id": "leverage",
      "primary": "レバレッジ",
      "aliases": [
        "leverage",
        "gearing"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "証拠金の 何倍まで 建てられるか。 収益と 損失 を 同倍率 拡大。 日本 FX 最大 25 倍。"
    },
    {
      "id": "margin",
      "primary": "証拠金 / マージン",
      "aliases": [
        "margin",
        "証拠金",
        "しょうこきん"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "レバレッジ取引の 担保。 維持率 割り込みで 追証 or ロスカット。"
    },
    {
      "id": "long-short",
      "primary": "ロング / ショート",
      "aliases": [
        "long",
        "short",
        "買い",
        "売り",
        "long position",
        "short position"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "long = 買い建て (値上がりで利益)、 short = 売り建て (値下がりで利益)。 FX は 両建て 標準。"
    },
    {
      "id": "stop-loss",
      "primary": "損切り (SL)",
      "aliases": [
        "stop-loss",
        "SL",
        "stop",
        "ストップロス"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "指定価格に 達したら 自動決済 (損失確定)。 risk 管理の 最重要 tool。"
    },
    {
      "id": "take-profit",
      "primary": "利確 (TP)",
      "aliases": [
        "take-profit",
        "TP",
        "利食い"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "指定価格に 達したら 自動決済 (利益確定)。 SL と 対"
    },
    {
      "id": "risk-reward-ratio",
      "primary": "リスクリワード比",
      "aliases": [
        "risk-reward ratio",
        "RR",
        "reward-to-risk",
        "損益比"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "TP幅 / SL幅。 RR 2 = 1 勝で 2 敗ぶん取り戻せる。 勝率 × RR - 1 > 0 が 期待値プラス。"
    },
    {
      "id": "drawdown",
      "primary": "ドローダウン",
      "aliases": [
        "drawdown",
        "maximum drawdown",
        "MDD",
        "最大ドローダウン"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "資産曲線の ピークから 谷への 下落率。 戦略 risk の 標準指標。"
    },
    {
      "id": "sharpe-ratio",
      "primary": "シャープレシオ",
      "aliases": [
        "Sharpe ratio",
        "リスク調整後リターン"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "(戦略リターン - 無リスク金利) / リターン標準偏差。 リスク調整後 収益効率。 > 1 で 良、 > 2 で 優。"
    },
    {
      "id": "backtest",
      "primary": "バックテスト",
      "aliases": [
        "backtest",
        "historical simulation"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "戦略を 過去 data で 仮想実行。 look-ahead bias / overfitting / survivorship bias 注意。",
      "rei_stack": "既存: HonestConfluence_JP.mq4 (STEP 1181)、 更新: rei-preregister v0.1 (STEP 1359) との 統合 candidate (backtest 事前登録 = look-ahead bias 予防)"
    },
    {
      "id": "volatility",
      "primary": "ボラティリティ",
      "aliases": [
        "volatility",
        "σ",
        "実現ボラ",
        "realized vol",
        "implied vol",
        "IV"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "価格変動の 標準偏差 (通常 年率化)。 realized = 過去実績、 implied = option 価格 逆算。",
      "rei_stack": "STEP 1200 FX indicator dictionary v0.1 + STEP 1479 pc-three-tier-backup の par2 redundancy ratio (10%) = 頑健性 pattern"
    },
    {
      "id": "currency-pair",
      "primary": "通貨ペア",
      "aliases": [
        "currency pair",
        "major",
        "minor",
        "cross",
        "メジャー通貨"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "EUR/USD 等 の 2 通貨組。 major = USD 絡み 7 種、 cross = USD 非絡み。"
    },
    {
      "id": "pip",
      "primary": "pip / ポイント",
      "aliases": [
        "pip",
        "pipette",
        "point",
        "ピップ"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "FX の 最小価格単位 (通常 小数点第4位、 JPY絡みは 第2位)。 pipette = pip の 1/10。"
    },
    {
      "id": "rsi",
      "primary": "RSI",
      "aliases": [
        "RSI",
        "Relative Strength Index",
        "相対力指数"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "直近 n 期の 上昇率。 0-100 range、 > 70 = 買われすぎ / < 30 = 売られすぎ の 慣習閾値。"
    },
    {
      "id": "macd",
      "primary": "MACD",
      "aliases": [
        "MACD",
        "Moving Average Convergence Divergence",
        "マックディー"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "短期 EMA - 長期 EMA + signal line。 trend / momentum の 定番指標。"
    },
    {
      "id": "bollinger-bands",
      "primary": "ボリンジャーバンド",
      "aliases": [
        "Bollinger Bands",
        "BB",
        "BBands"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "SMA ± k · σ の チャネル。 k=2 で ~95% 範囲。 volatility 適応型 支持抵抗。"
    },
    {
      "id": "fibonacci-retracement",
      "primary": "フィボナッチリトレースメント",
      "aliases": [
        "Fibonacci retracement",
        "Fib retracement",
        "フィボナッチ"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "23.6% / 38.2% / 50% / 61.8% / 78.6% の 押し目候補水準。 大衆心理 self-fulfilling。",
      "rei_stack": "Fibonacci × π(64)=96 arc (STEP 700)、 SNST Spiral 14 (STEP 1048)"
    },
    {
      "id": "effect-size-cohens-d",
      "primary": "効果量 (Cohen's d)",
      "aliases": [
        "cohen's d",
        "effect size",
        "こうかりょう",
        "d"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "2 群平均差を pooled 標準偏差で 正規化した 大きさ (0.2=小 / 0.5=中 / 0.8=大)。 p 値と 独立に 「実用意味」 を 定量化。",
      "rei_stack": "STEP 1379 Cohen's d threshold BOTH 経路 + STEP 1376 Welch t-test primitive + STEP 1358 Statistics×NEITHER Education v0.2。 「有意 だが 実用意味なし」 = BOTH verdict の 直接 mapping",
      "example": "n=200 で d=0.05 → p<0.05 (有意) だが d 小 = 実用意味乏しい → D-FUMT₈ BOTH で 「両立」 判定"
    },
    {
      "id": "power-analysis",
      "primary": "検定力分析",
      "aliases": [
        "power analysis",
        "けんていりょくぶんせき",
        "sample size calculation"
      ],
      "category": "statistics",
      "workflow_stage": "01-data-collect",
      "concise": "目標検出力 (通常 0.8) と 想定効果量から 必要 sample size を 事前計算。 実験前 discipline。",
      "rei_stack": "STEP 1358 Statistics×NEITHER Education v0.2 の POE pedagogy = 予測 → 観測 で 「想定より 効果小 → 検定力不足」 を 体験、 rei-preregister v0.1 の 事前登録と 統合",
      "example": "d=0.5 想定で power=0.8 に n=64 必要、 手元 n=20 なら NEITHER 経路が 適切"
    },
    {
      "id": "bootstrap-resampling",
      "primary": "ブートストラップ",
      "aliases": [
        "bootstrap",
        "ブートストラップ",
        "resampling"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "元 sample から 復元抽出で 疑似 sample 大量生成 → 統計量分布を 経験的に 推定。 CI や SE を 分布仮定なしで 得る。",
      "rei_stack": "STEP 1487 data science × D-FUMT₈ arc の LCG bootstrap 決定性 4 theorem (Lean 4 zero sorry) = seed 固定で 再現可能 bootstrap の 形式化",
      "example": "n=30 の median の CI を bootstrap 1000 回で 経験分布から 2.5/97.5 percentile 取得"
    },
    {
      "id": "permutation-test",
      "primary": "並べ替え検定",
      "aliases": [
        "permutation test",
        "randomization test",
        "ならべかえけんてい"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "群ラベルを ランダムに 入れ替えて 帰無仮説下の 統計量分布を 直接生成。 分布仮定なし で p 値を 算出。",
      "rei_stack": "STEP 1487 bootstrap 決定性 4 theorem の 姉妹 pattern、 seed 固定 permutation で 再現可能検定",
      "example": "2 群 t 統計量が 全並べ替え 100000 回中 95 回以下なら p<0.001"
    },
    {
      "id": "mann-whitney-u",
      "primary": "マンホイットニー U 検定",
      "aliases": [
        "mann-whitney u",
        "wilcoxon rank sum",
        "ノンパラ 2 群比較"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "2 群の 分布が異なるかを 順位ベースで 検定 (非パラメトリック)。 正規性仮定不可時の Welch t 代替。",
      "rei_stack": "STEP 1376 Welch t-test primitive の 順位ベース mirror、 分布仮定緩和 candidate (v0.13+)",
      "example": "n=15 の 非対称分布 2 群、 Welch t が不安定 → Mann-Whitney U で 順位差 検定"
    },
    {
      "id": "wilcoxon-signed-rank",
      "primary": "ウィルコクソン符号順位検定",
      "aliases": [
        "wilcoxon signed rank",
        "対応 2 群 ノンパラ"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "対応 2 群 (before / after) の 差の 符号と 順位で 検定。 対応 t 検定の 非パラメトリック 代替。",
      "rei_stack": "benchtop-mcp regression_check (baseline vs current tolerance-based) の 順位ベース extension candidate",
      "example": "同一被験者の pre/post 血圧 n=20、 差の 分布が 非正規 → Wilcoxon 符号順位で 検定"
    },
    {
      "id": "chi-squared-test",
      "primary": "カイ二乗検定",
      "aliases": [
        "chi-squared",
        "chi2 test",
        "χ² test",
        "適合度検定",
        "独立性検定"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "カテゴリカル変数の 期待度数 vs 観測度数の 乖離を 検定。 適合度 / 独立性 / 均質性 の 3 用途。",
      "rei_stack": "D-FUMT₈ 8 verdict 分布の 期待 vs 観測乖離 検定に 使用可能 (candidate)",
      "example": "サイコロ 100 投で 各目 期待 16.7 vs 観測、 χ² 統計量から p 値"
    },
    {
      "id": "anova-one-way",
      "primary": "一元配置分散分析",
      "aliases": [
        "one-way anova",
        "ANOVA",
        "分散分析"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "3 群以上の 平均差検定。 F 統計量 = 群間分散 / 群内分散。 事後は Tukey / Bonferroni。",
      "rei_stack": "STEP 1377 BH FDR (Benjamini-Hochberg) primitive の 事前段階、 multiple testing correction と 直結",
      "example": "3 治療群 x n=30 の 治癒率、 ANOVA で F=4.5 → p<0.01 → 事後で どの 対か 特定"
    },
    {
      "id": "multiple-testing-correction",
      "primary": "多重検定補正",
      "aliases": [
        "multiple testing",
        "Bonferroni",
        "多重比較補正"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "複数検定で FWER (false-wise error rate) or FDR (false discovery rate) 制御。 Bonferroni α/m は保守的、 BH FDR が modern default。",
      "rei_stack": "STEP 1377 discovery-worker v0.4 fdr_gate (Python BH FDR primitive) + STEP 1371 rei-aios d8_verdict_from_multi_trial (BH FDR aggregate NEITHER 経路)",
      "example": "10000 遺伝子 差分発現、 各 p<0.05 で 500 hit だが BH FDR 0.05 なら 実 hit 100 程度"
    },
    {
      "id": "bh-fdr",
      "primary": "BH FDR (Benjamini-Hochberg)",
      "aliases": [
        "Benjamini-Hochberg",
        "false discovery rate",
        "BH 手続き"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "p 値昇順に i/m*α と 比較、 越えない 最大 i まで reject。 FWER でなく FDR (誤発見率) 制御 = 検出力保持。",
      "rei_stack": "STEP 1377 (discovery-worker Python primitive、 stdlib only) + STEP 1371 (rei-aios d8_verdict_from_multi_trial 集約 NEITHER 経路)、 double implementation で TS/Python drift check (STEP 1380)",
      "example": "m=1000 検定、 p 値昇順で i=50 番目が 50/1000*0.05=0.0025 越えなければ 50 番以下 全 reject"
    },
    {
      "id": "welch-t-test",
      "primary": "Welch の t 検定",
      "aliases": [
        "Welch t-test",
        "unequal variance t-test",
        "ウェルチの t 検定"
      ],
      "category": "statistics",
      "workflow_stage": "06-eval-metric",
      "concise": "2 群の 等分散を 仮定しない t 検定。 df は Welch-Satterthwaite 近似。 Student t より 頑健、 modern default。",
      "rei_stack": "STEP 1376 discovery-worker v0.3 welch_t_test primitive + STEP 1358 Statistics×NEITHER Education v0.2 (client-side Lentz 連分数 + Lanczos log-gamma pure JS 実装、 200 iter 1e-10 収束)",
      "example": "n1=15, n2=30, 分散比 4:1 → Student t は 誤 df、 Welch で df≈35 の t 分布から p 値"
    },
    {
      "id": "prior-posterior",
      "primary": "事前分布 / 事後分布",
      "aliases": [
        "prior",
        "posterior",
        "Bayesian prior/posterior",
        "じぜんぶんぷ"
      ],
      "category": "statistics",
      "workflow_stage": "04-model-basic",
      "concise": "事前 = data 前の 信念、 事後 = data で 更新した 信念 (Bayes 定理)。 conjugate prior は 事後も同族分布。",
      "rei_stack": "rei-preregister v0.1 (STEP 1359) の 事前登録 = 事前分布固定、 「data 見てから prior 選ぶ」 = p-hacking pattern の 予防",
      "example": "ベータ (α, β) prior + Binomial (n, k) likelihood → ベータ (α+k, β+n-k) posterior (conjugate)"
    },
    {
      "id": "kalman-filter",
      "primary": "カルマンフィルタ",
      "aliases": [
        "Kalman filter",
        "recursive Bayesian estimation"
      ],
      "category": "ml",
      "workflow_stage": "07-time-series",
      "concise": "線形 Gauss 状態空間モデルの 逐次 Bayesian update。 予測 → 観測 → 更新の 2 段で 最適推定 (MMSE)。",
      "rei_stack": "STEP 1358 Statistics×NEITHER Education v0.2 の POE (Predict-Observe-Explain) pedagogy 3 段と 構造同型 (予測→観測→差分説明 = 予測→観測→更新)",
      "example": "GPS 位置推定、 車両動力学 model + noisy 観測、 逐次更新で smooth trajectory"
    },
    {
      "id": "hidden-markov-model",
      "primary": "隠れマルコフモデル (HMM)",
      "aliases": [
        "HMM",
        "hidden markov"
      ],
      "category": "ml",
      "workflow_stage": "07-time-series",
      "concise": "隠れ状態 (Markov chain) から 観測が 確率生成される 生成モデル。 Viterbi (最尤 path) / Forward-Backward (状態確率) が 主要 algo。",
      "rei_stack": "STEP 930 unsolved problem typology の 7 型 (BSD/Hodge→BOTH、 YM→BOTH+NEITHER 等) の 隠れ状態モデルとして 埋込 candidate",
      "example": "音声認識、 隠れ音素 → 観測 MFCC、 Viterbi で 最尤音素列"
    },
    {
      "id": "gan",
      "primary": "敵対的生成ネットワーク (GAN)",
      "aliases": [
        "GAN",
        "generative adversarial network"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "生成 G と 識別 D の min-max game。 G は D を騙す、 D は真偽判定。 Nash 均衡 で 高品質生成。",
      "rei_stack": "rei-verify 反証機械 (STEP 1276+) の 姉妹思想 (敵対的検証 pattern)、 生成 vs 反証の 動的均衡",
      "example": "顔画像生成、 G が生成 → D が real/fake 判定 → G 損失で 更新"
    },
    {
      "id": "diffusion-model",
      "primary": "拡散モデル",
      "aliases": [
        "diffusion model",
        "denoising diffusion",
        "score matching"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "noise 段階的追加 (forward) → noise 除去学習 (reverse)。 GAN より 安定学習、 画像生成 SOTA (Stable Diffusion 等)。",
      "rei_stack": "STEP 1400 SEED_KERNEL 1677 → gradual noise 添加 pattern と 逆方向 学習 = 情報幾何学 Fisher metric (mle term 参照)",
      "example": "Stable Diffusion、 純 noise から T=1000 step で 高品質 画像 出力"
    },
    {
      "id": "vae",
      "primary": "変分オートエンコーダ (VAE)",
      "aliases": [
        "VAE",
        "variational autoencoder"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "encoder (x→z) + decoder (z→x)、 z は Gauss prior、 ELBO 最大化。 reparameterization trick で 勾配伝播。",
      "rei_stack": "embedding 表現 (embedding term 参照) の 生成モデル extension、 SEED_KERNEL 意味空間の 分布 model candidate",
      "example": "MNIST を 2 次元 latent z に 埋込、 z 空間内 補間で 手書き数字 morph"
    },
    {
      "id": "lora",
      "primary": "LoRA (Low-Rank Adaptation)",
      "aliases": [
        "LoRA",
        "low-rank adaptation",
        "peft"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "大規模事前学習モデルに 低ランク行列 A×B (rank r=8-64) を 追加学習。 全 finetune の 0.1% param で 匹敵性能。",
      "rei_stack": "D-FUMT NNUE 進化系 (STEP 1199) の 差分学習 pattern と 対応 concept",
      "example": "LLaMA 7B に LoRA r=16 適用、 追加 param 33M で 特定 domain 適応"
    },
    {
      "id": "rlhf",
      "primary": "人間フィードバック強化学習 (RLHF)",
      "aliases": [
        "RLHF",
        "reinforcement learning from human feedback"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "人間 preference で reward model 学習 → PPO で LLM finetune。 Claude / GPT の アラインメント基盤。",
      "rei_stack": "藤本さん directive による Rei stack 進化 = 人間 feedback loop、 SAC-4 51 対称処理 = feedback discipline の 形式化",
      "example": "LLM 応答 A vs B を 人間ランク → reward model → PPO で LLM 方策更新"
    },
    {
      "id": "contrastive-learning",
      "primary": "対照学習",
      "aliases": [
        "contrastive learning",
        "SimCLR",
        "対照的表現学習"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "positive pair (同 origin 変換) は近く、 negative pair は遠く 学習。 label なしで 表現獲得 (self-supervised)。",
      "rei_stack": "SEED_KERNEL search_theories (semantic clustering) の 学習 側 pattern、 意味近傍構造の 抽出",
      "example": "画像 x に crop + rotation で 2 view → embedding 空間で 近づけ、 別 image は 遠ざける"
    },
    {
      "id": "self-supervised",
      "primary": "自己教師あり学習",
      "aliases": [
        "self-supervised",
        "SSL",
        "じこきょうしありがくしゅう"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "label なし data から pretext task (穴埋め / 順序予測 / 対比) で 表現学習。 downstream で 少数 label finetune。",
      "rei_stack": "SEED_KERNEL 自律学習 (STEP 20-51 系列) の 教師なし core、 arxiv/GitHub stream から 教師 signal 自己抽出",
      "example": "BERT MLM = mask した word 予測、 100M 文書で pretrain → 分類 finetune 1000 sample"
    },
    {
      "id": "attention-head",
      "primary": "attention head",
      "aliases": [
        "attention head",
        "multi-head attention",
        "アテンションヘッド"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "Transformer 内 各 head は 独立に Q/K/V 計算 → 異なる 部分空間で attention。 head 数 h、 head 次元 d/h。",
      "rei_stack": "Paper 185 Transformer 数式研究 (2026-05-01) の 分解 unit、 Transformer 数式 → D-FUMT₈ 8 verdict 対応 (candidate)",
      "example": "GPT-3 large は 96 head、 head A が 主語-述語 attention、 head B が 位置 attention 等 役割分化"
    },
    {
      "id": "layer-normalization",
      "primary": "レイヤー正規化 (LayerNorm)",
      "aliases": [
        "layer normalization",
        "LayerNorm",
        "LN"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "layer 単位で (mean, var) 計算 → 正規化 → learnable γ, β で affine。 BatchNorm と違い batch 依存なし = 推論安定。",
      "rei_stack": "D-FUMT₈ verdict 内 正規化 pattern (SNR = |d|×√(n/2) の 正規化 STEP 1350) と 概念的類似",
      "example": "Transformer 各 sublayer 出力に LayerNorm 適用 = 勾配消失予防"
    },
    {
      "id": "batch-normalization",
      "primary": "バッチ正規化 (BatchNorm)",
      "aliases": [
        "batch normalization",
        "BatchNorm",
        "BN"
      ],
      "category": "ml",
      "workflow_stage": "05-model-advanced",
      "concise": "mini-batch 内 で (mean, var) → 正規化 + γ, β。 CNN で 学習高速化 + 汎化。 batch 小で 不安定 = LayerNorm へ 置換傾向。",
      "rei_stack": "benchtop-mcp analyze_session の 3σ 標準化 pattern と 対応 concept (session 内 正規化)",
      "example": "ResNet 内 各 conv 直後 BN、 batch size 32 で 学習加速"
    },
    {
      "id": "parquet",
      "primary": "Parquet",
      "aliases": [
        "Parquet",
        "columnar storage"
      ],
      "category": "data-processing",
      "workflow_stage": "01-data-collect",
      "concise": "Apache 列指向 binary 形式。 列単位 compression + predicate pushdown で SELECT 高速。 Spark / DuckDB / Polars 標準。",
      "rei_stack": "SEED_KERNEL export 形式 (data/seed-kernel-*.json 現状 JSON) の 大規模化 candidate、 v0.2 では 参照のみ",
      "example": "10GB CSV → Parquet 変換で 2GB (5x compression) + column pruning で 特定列読取が 100x 速"
    },
    {
      "id": "arrow-format",
      "primary": "Apache Arrow",
      "aliases": [
        "Arrow",
        "Apache Arrow"
      ],
      "category": "data-processing",
      "workflow_stage": "01-data-collect",
      "concise": "in-memory 列指向 zero-copy 形式。 Python/Rust/Java/C++ 間で serialization なし memory 共有 = 高速データ交換。",
      "rei_stack": "rei-aios TypeScript + benchtop Python 間 の pyarrow bridge candidate、 v0.2 では 参照のみ",
      "example": "Python pandas → pyarrow → Rust polars zero-copy、 100M row DataFrame 秒単位交換"
    },
    {
      "id": "feature-store",
      "primary": "フィーチャーストア",
      "aliases": [
        "feature store",
        "Feast",
        "Tecton"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "本番 model 用 feature の 中央管理 store。 training/inference 一貫性 + 再利用 + versioning + monitoring。 modern MLOps 中核。",
      "rei_stack": "SEED_KERNEL categoryB 299 feature vocabulary + rei-checker-mcp v0.3 ledger の 姉妹 concept",
      "example": "user_login_count_7d を training + real-time inference 両方から 同定義 fetch"
    },
    {
      "id": "data-lineage",
      "primary": "データリネージ",
      "aliases": [
        "data lineage",
        "provenance",
        "系譜"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "data の origin → transform → destination の 全 chain 記録。 audit / debugging / compliance (GDPR) に 必須。",
      "rei_stack": "benchtop-mcp v0.3 audit log hash chain (STEP 1340+、 append-only JSONL + sha256 prev-hash) が 直接 lineage 実装、 verify_audit_chain で 改竄検出",
      "example": "ML prediction が どの raw record + どの transform に 由来か 遡及可能"
    },
    {
      "id": "data-drift",
      "primary": "データドリフト",
      "aliases": [
        "data drift",
        "distribution shift",
        "concept drift"
      ],
      "category": "data-processing",
      "workflow_stage": "06-eval-metric",
      "concise": "training 時分布 vs 本番分布の 乖離。 KS / MMD / PSI 統計量で 検出。 検出後 retrain or rollback。",
      "rei_stack": "benchtop-mcp check_alert_rules drift_abs (STEP 1471 v0.10) + regression_check (v0.4) の 直接 mapping、 baseline vs current tolerance-based 劣化検出",
      "example": "COVID 以前学習 → post-COVID 消費予測 KS 統計量 0.3 → drift 検出 → retrain trigger"
    },
    {
      "id": "schema-evolution",
      "primary": "スキーマ進化",
      "aliases": [
        "schema evolution",
        "schema migration",
        "スキーマ変更"
      ],
      "category": "data-processing",
      "workflow_stage": "02-preprocess",
      "concise": "既存 data 破壊せず schema 変更 (add column / rename / type change)。 Avro / Protobuf の backward/forward compat rule。",
      "rei_stack": "SEED_KERNEL judgmentStatus? field 追加 (STEP 1276 additive) = optional field 追加 pattern (schema evolution 実例)、 全 既存 theory backward compat 維持",
      "example": "column 追加は forward compat OK (旧 reader は ignore)、 削除は breaking"
    },
    {
      "id": "hidden-markov-time-series",
      "primary": "隠れマルコフ時系列",
      "aliases": [
        "HMM time-series",
        "regime-switching"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "時系列を 隠れ regime (state) 遷移として model。 各 regime で 別 emission model。 金融 bull/bear regime 等。",
      "rei_stack": "STEP 1497 制御理論 arc の 状態空間可制御性 verdict と 姉妹 (隠れ状態 identify)",
      "example": "株価 regime = bull/bear/crisis 3 状態 HMM、 Viterbi で 各 t の regime 推定"
    },
    {
      "id": "structural-time-series",
      "primary": "構造時系列 (STS)",
      "aliases": [
        "structural time-series",
        "STS",
        "state space TS"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "時系列を trend + seasonal + regression + AR + irregular の 加法分解、 各成分は 状態空間 model。 Bayesian estimation (PyMC / TensorFlow Probability)。",
      "rei_stack": "STEP 1487 data science × D-FUMT₈ arc の 記述統計 identity 3 theorem の 時系列 extension candidate",
      "example": "Google Trends → 週次 seasonal + 長期 trend + COVID intervention 加法分解"
    },
    {
      "id": "changepoint-detection",
      "primary": "変化点検出",
      "aliases": [
        "changepoint detection",
        "structural break",
        "変化点"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "時系列内で 統計性質 (mean / variance / distribution) が 急変する時刻を 検出。 CUSUM / Bayesian online / PELT algo。",
      "rei_stack": "benchtop-mcp check_alert_rules drift_abs (STEP 1471) の 時系列 extension = 局所変化点検出 candidate",
      "example": "サーバー応答時間 で 変化点 t=1000 検出 → deploy 事故 timestamp と 突合"
    },
    {
      "id": "garch-family",
      "primary": "GARCH ファミリー",
      "aliases": [
        "GARCH family",
        "EGARCH",
        "GJR-GARCH",
        "TGARCH"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "volatility clustering を model 化。 GARCH(1,1) baseline + EGARCH (非対称) + GJR-GARCH (leverage effect) 等。",
      "rei_stack": "STEP 1200 FX indicator dictionary v0.1 の 姉妹、 高度 volatility model candidate",
      "example": "S&P500 日次 log return に GARCH(1,1)、 forecasted volatility から option pricing"
    },
    {
      "id": "var-vector-autoregression",
      "primary": "VAR (ベクトル自己回帰)",
      "aliases": [
        "VAR",
        "vector autoregression",
        "ベクトルAR"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "多変量時系列の 各成分を 全成分の 過去 lag から 回帰。 マクロ経済 (GDP + inflation + unemployment) 同時 model。",
      "rei_stack": "SEED_KERNEL theory network の 相互影響 model candidate、 各 theory を 変数として lag 影響推定",
      "example": "GDP + 失業率 + 金利 の VAR(4) → shock 応答関数で 政策効果推定"
    },
    {
      "id": "lstm-time-series",
      "primary": "LSTM 時系列",
      "aliases": [
        "LSTM time-series",
        "sequence LSTM"
      ],
      "category": "time-series",
      "workflow_stage": "07-time-series",
      "concise": "long short-term memory RNN で 長期依存を 記憶。 gate 機構 (forget / input / output) で 勾配消失緩和。 Transformer 前は SOTA。",
      "rei_stack": "D-FUMT NNUE state (STEP 199-210) の RNN mirror candidate、 現状 D-FUMT NNUE は feedforward",
      "example": "電力需要 24 時間予測、 LSTM で 過去 168h (1 週) 入力 → 次 24h 出力"
    },
    {
      "id": "kelly-criterion",
      "primary": "ケリー基準",
      "aliases": [
        "Kelly criterion",
        "Kelly formula",
        "ケリー公式"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "対数効用最大化する bet size 式: f* = (p*b - q) / b (p=勝率、 b=odds、 q=1-p)。 half-Kelly が実務 default (drawdown 抑制)。",
      "rei_stack": "STEP 1200 FX indicator dictionary v0.1 の position sizing 拡張 candidate、 情報理論 (Kelly 1956) と Fisher metric (mle term) の 接続",
      "example": "勝率 55% / odds 1:1 → f* = 0.10 = 資本 10% bet、 half-Kelly なら 5%"
    },
    {
      "id": "max-drawdown",
      "primary": "最大 drawdown (MaxDD)",
      "aliases": [
        "max drawdown",
        "MDD",
        "最大下落率"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "peak → trough の 最大下落率。 Sharpe と 並ぶ risk 指標。 recovery time と併記が standard。",
      "rei_stack": "STEP 1479 pc-three-tier-backup の par2 redundancy (10%) = drawdown 抑制と 姉妹 (頑健性 buffer)",
      "example": "$100k → $60k → $80k → $110k の 場合 MaxDD = 40% ($100k → $60k)"
    },
    {
      "id": "var-value-at-risk",
      "primary": "VaR (Value at Risk)",
      "aliases": [
        "VaR",
        "Value at Risk"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "信頼水準 α で 損失が VaR を超えない 閾値。 histogram / parametric (normal) / MC simulation で 推定。",
      "rei_stack": "STEP 1478 Bekenstein bound arc の 情報密度上限 と 姉妹 concept (テール確率の 定量化)",
      "example": "1 日 99% VaR = $100k = 1% 確率で 1 日 $100k 以上損失"
    },
    {
      "id": "cvar-conditional-var",
      "primary": "CVaR (Conditional VaR)",
      "aliases": [
        "CVaR",
        "Expected Shortfall",
        "ES",
        "TailVaR"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "VaR 超過時の 条件付期待損失。 テールリスクを VaR より 忠実に 捕捉、 coherent risk measure。 Basel III 標準。",
      "rei_stack": "VaR (var-value-at-risk term) の 拡張、 テール平均で 「越えた時 平均いくら失う」 の 情報",
      "example": "99% VaR=$100k、 99% CVaR=$150k = 上位 1% 損失日 平均 $150k"
    },
    {
      "id": "calmar-ratio",
      "primary": "Calmar 比",
      "aliases": [
        "Calmar ratio",
        "MAR ratio"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "年率 return / MaxDD。 Sharpe 比の 変種 (分母を volatility でなく MaxDD)。 実務 drawdown-averse 投資家 好み。",
      "rei_stack": "STEP 1200 FX indicator dictionary v0.1 の 姉妹 performance 指標",
      "example": "年率 30% return / 15% MaxDD = Calmar 2.0 (Sharpe より drawdown 直接反映)"
    },
    {
      "id": "sortino-ratio",
      "primary": "Sortino 比",
      "aliases": [
        "Sortino ratio",
        "downside deviation ratio"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "excess return / downside deviation (下方リスクのみ)。 Sharpe が上方 volatility も penalty するのを 修正。",
      "rei_stack": "STEP 1200 FX indicator dictionary v0.1 の 姉妹、 非対称 risk 評価",
      "example": "年率 20% / 下方σ 8% = Sortino 2.5 (上方σ 15% でも 分母不変)"
    },
    {
      "id": "expected-shortfall",
      "primary": "期待ショートフォール (ES)",
      "aliases": [
        "Expected Shortfall",
        "ES"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "CVaR の 別名。 テール平均損失。 Basel III で VaR より 優先採用 (subadditivity 満たす)。",
      "rei_stack": "CVaR (cvar-conditional-var term) と 同一、 regulatory 文脈で ES 呼称 主流",
      "example": "99% ES = 上位 1% 損失日の 平均損失、 = CVaR 同義"
    },
    {
      "id": "kupiec-test",
      "primary": "Kupiec 検定",
      "aliases": [
        "Kupiec test",
        "unconditional coverage test",
        "POF test"
      ],
      "category": "fx-finance",
      "workflow_stage": "08-fx-finance-domain",
      "concise": "VaR breach 回数が 理論値と 一致するか χ² 検定。 backtest 妥当性検証の 基本 tool。",
      "rei_stack": "backtest term (Rei stack HonestConfluence_JP.mq4) の validation 追加 candidate、 chi-squared-test の VaR domain 応用",
      "example": "250 日で 99% VaR breach 期待 2.5 回 vs 観測 8 回 → Kupiec χ² で 妥当性検定"
    }
  ],
  "previousVersion": {
    "version": "v0.1",
    "step": 1481,
    "createdAt": "2026-08-28"
  },
  "updatedAt": "2026-08-28",
  "v02_additions_summary": "STEP 1516 (v0.1 → v0.2 in-place upgrade): (a) 44 advanced terms across 5 categories (statistics +12 with Cohen's d / Welch t / bootstrap / BH FDR / anova / prior-posterior、 ml +12 with Kalman smoothing / HMM / GAN / diffusion / VAE / LoRA / RLHF、 data-processing +6 with Parquet / Arrow / feature-store / data-lineage / data-drift、 time-series +6 with structural / changepoint / VAR / LSTM、 fx-finance +8 with Kelly / max-drawdown / VaR / CVaR / Sortino / Kupiec) (b) STEP 1358 (Statistics × NEITHER Education v0.2 POE pedagogy) cross-linked to 5 statistics terms (c) Rei stack mapping expanded 10 → 30+ (audit-driven、 honest scope 保持、 overclaim なし)."
}