aurora

---

⬇️ デスクトップアプリをダウンロード

Aurora を最も簡単に実行する方法です。Python もターミナルもセットアップも必要ありません。 お使いの OS 用のインストーラーをダウンロードしてダブルクリックすると、分析バックエンドが組み込まれたネイティブアプリとして Aurora が起動します。

→ 最新リリースをダウンロード

お使いの OS に合ったファイルを選んでください（ファイル名にはバージョンが含まれます。例：0.2.0）。

OS	ダウンロードするファイル	インストール方法
Windows 10/11	Aurora_x.x.x_x64-setup.exe （推奨）	セットアップウィザードを実行します。
Windows 10/11	Aurora_x.x.x_x64_en-US.msi	代替の MSI インストーラーです（アプリは同じです）。
macOS（Apple Silicon · M1/M2/M3/M4）	Aurora_x.x.x_aarch64.dmg	.dmg を開き、Aurora を Applications にドラッグします。
Linux（Debian / Ubuntu / Mint）	Aurora_x.x.x_amd64.deb	sudo apt install ./Aurora_x.x.x_amd64.deb
Linux（Fedora / RHEL / openSUSE）	Aurora-x.x.x-1.x86_64.rpm	sudo dnf install ./Aurora-x.x.x-1.x86_64.rpm

Aurora_aarch64.app.tar.gz は自動アップデーター用の成果物であり、ダウンロード用ではありません。 macOS では .dmg を使用してください。現時点では Intel Mac（x86_64）版や Linux AppImage ビルドはありません。Intel Mac ユーザーはソースから実行できます。

初回起動時に Aurora は小さなナレッジバンクのシードを初期化し、その後は完全にオフラインで実行されます。API キーもクラウド接続もテレメトリも必要ありません。CSV をウィンドウにドロップして、分析の様子をご覧ください。Aurora はローカルファーストです。特定の調査結果を共有する操作を明示的に行わない限り、データがマシンの外部に送信されることはありません。PRIVACY.md をご覧ください。

「発行元を確認できません」という警告について。 現在のリリースはまだコード署名されていないため、Windows SmartScreen に 「Windows によって PC が保護されました」 と表示されたり、macOS Gatekeeper に 「開発元を検証できません」 と表示されたりする場合があります。新しいオープンソースプロジェクトでは想定されることです。Windows の場合：詳細情報 → 実行。macOS の場合：アプリを右クリック → 開く。コード署名はロードマップに含まれています。

デスクトップアプリ — ヒントと既知の注意点

以下はバグではなく、想定される動作です。

• 初回起動時に表示されるのは実行結果ではなく、ウェルカム画面です。 これは意図された動作です。新規起動時は何もない状態から始まります。CSV をドロップするか、デモカードをクリックして開始してください。過去の実行結果はいつでも Data → Bundles から確認できます。
• 初回起動時は、バックエンドの準備に数秒かかります。 Aurora を初めて開くと、ローカルの分析サーバー（127.0.0.1:8001）が起動します。ステータスのドットが「接続中…」と表示されるのは、サーバーが稼働するまでの約 5～10 秒間です。表示が長く続く場合も、アプリはまだ準備中であり、フリーズしているわけではありません。
• 大きなデータセットは時間がかかり、結果は一度に表示されます。 大きなファイルでは、「分析中…」 の状態がしばらく続くことがあります。完了すると 「分析完了」 と表示され、各ビューに内容が表示されます。完了直後に Overview が一時的に空に見える場合は、数秒待つか、別のタブをクリックしてから戻ってください。構成済みの状態を取得中のため、少し待つと表示されます。
• 同じファイルを再実行すると、すぐに完了します。 同一のデータと設定にはキャッシュ済みの分析が再利用され、バナーに 「即時 · キャッシュ済み」 と表示されます。これは処理が速くなるということであり、実行が省略されたわけではありません。
• 新規インストール時の Knowledge Bank は小規模です。 同梱アプリには、時間とともに拡張されるシードバンクが含まれています。スクリーンショットで見かける数千件規模の大きなバンクは、しばらくデータを取り込んでいるマシンで構築されたものです。引用機能は、ローカルにあるデータを対象に引き続き利用できます。

自分でビルドする場合や、ソースから実行する場合は、このまま読み進めてください。

---

⚡ クイックスタート（60 秒）

# 1. Clone + create a virtualenv
git clone https://github.com/FantasyLab-ai/aurora.git
cd aurora
python -m venv .venv
# Windows:
.\.venv\Scripts\Activate.ps1
# macOS / Linux:
source .venv/bin/activate

# 2. Install
pip install -r requirements.txt

# 3. Run the Studio
python studio_api.py

http://127.0.0.1:8000 を開きます。▶ デモを試す をクリックしてすぐに動作を確認するか、独自の CSV／Parquet／JSON／XLSX ファイルをドロップします。

初回実行時には、小規模なナレッジバンクのシード（約 50 MB）がダウンロードされます。その後、Aurora は 完全オフライン で動作します。API キー、クラウド、テレメトリーは不要です。

任意の追加機能（必要な場合のみ）：

pip install cryptography             # Ed25519 bundle signing
pip install mcp                      # MCP server for LLM agents (Claude Desktop, Cursor, etc.)
pip install -r requirements-dev.txt  # contributor / test extras

任意の Vite + TypeScript フロントエンドビルド（開発者向け）については、§ 任意のフロントエンドビルド を参照してください。

---

🖥️ デスクトップアプリ

ネイティブのインストール可能なアプリです。フレームレスウィンドウとサイドバーナビゲーションを備え、あらゆるファイルをドラッグ＆ドロップできます。Tauri 2 で構築されており、Aurora の分析バックエンド全体がインストーラーに同梱されているため、セットアップ不要で動作します。Python、venv、ターミナルは必要ありません。

ほとんどの方はダウンロードするだけで使えます。 このセクションの残りは、ソースからビルドしたい方や UI を改良したい開発者向けです。

できること

画面	動作
フレームレスウィンドウ	OS の透明な背景に角丸カードを表示。aurora ◆ のタイトルバーから最小化／最大化／閉じる操作が可能
サイドバー（左）	Workspace · Data · Full Studio の各セクションと、「aurora: オンライン／オフライン」を示すライブステータスドット
タブバー（上部）	Overview／Findings／Data を、共通のスライド式下線で表示
あらゆるファイルをドラッグ＆ドロップ	CSV、TSV、JSON、JSONL、Parquet、XLSX。ウィンドウ内のどこにでもドロップするか、クリックしてファイルを選択
Overview	統計カード（Findings · Methods · Anomalies · Regimes）と、平易な英語で書かれたAurora の分析内容
Findings	重要度で絞り込めるカードグリッド。カードをクリックすると、証拠の詳細パネルを表示
Methods	実行ごとの手法の集計と割合バー
Datasets	同梱のフィクスチャとデモデータセット。カードをクリックして実行
Bundles	過去の実行結果。ディスク上の署名済み .aurora.json をすべて表示し、ステータスを色で表示
Aurora Studio サイドバー	レガシー UI 全体を iframe で表示し、引き続きすべての機能を利用可能

ソースからのビルド／開発

デスクトップアプリは desktop/ にあります。インストーラーを自分でビルドする場合（PyInstaller バックエンド + Tauri シェル）、またはホットリロード対応の開発モードで UI を実行する場合は、desktop/README.md を参照してください。前提条件（Node、Rust）、1 コマンドで起動するランチャー（launch.ps1）、インストーラーのビルド（build_installer.ps1）、Windows Smart App Control に関する注意事項が記載されています。git tag vX.Y.Z のプッシュにより、クロスプラットフォームのリリース CI が実行されます。

---

🚨 Aurora Sentinel — 判断コントラクトを現場に

Aurora には、Decision Contract による一連の体験を具体的な形にする完全な デモ一式 が demos/ に用意されています。Discord への通知、Slack アラート、OBS オーバーレイカード、部屋のスマートプラグの切り替えなど、さまざまな形で実演できます。「ローカル AI に X を渡したら、何を検出したか」という動画を5本、すべて同じ足場の上に構築しています。

#	デモ	見どころ	内容
1	Aurora Alarm	データに異常があると、物理ライトが点灯します	クローズドループが現実のものだと示します。ソフトウェア → 引用付きの理由 → 現実世界への影響
2	Community Sentinel	手法＋行＋|z|σ を示す Discord 埋め込みが届きます	どんな Discord コミュニティにもすぐに導入できます。引用付きの異常検出をクラウドなしで実現します
3	The Save	レジームシフトの発生時に Slack 通知が届きます	「ダッシュボードを見ていた人間なら見逃していた」ことを実演します
4	Verification Cortex	エージェントが Aurora の MCP を呼び出し、検証済みの数値に基づいて動作します	エージェント構築のユースケースを訴求します。自信満々なのに誤った z スコアはもう不要です
5	Rediscover the Law	Aurora が落下するボールの動画から y = ½·a·t² を導き出します	主力となる訴求ポイントです。無料のローカル AI が重力を再発見し、SINDy に基づく根拠を示します

デモのクイックスタート（上記のインストール後）：

# Generate the synthetic datasets one time:
python -m demos.datasets.falling_ball.generate
python -m demos.datasets.server_metrics.generate

# Install the demo contracts into Aurora's contracts dir:
cp demos/contracts/*.json ~/.aurora/decision_contracts/        # macOS / Linux
copy demos\contracts\*.json $env:USERPROFILE\.aurora\decision_contracts\   # Windows

# Configure your webhooks once (copy the template + paste your URLs):
cp demos/.env.demos.example demos/.env.demos                   # macOS / Linux
copy demos\.env.demos.example demos\.env.demos                 # Windows

# Run the relay (it reads .env.demos for Discord/Slack URLs):
python -m demos.relay.app

OBS の設定、コントラクトのインストール、デモごとの実行手順を含む録画の詳しい手順は、demos/README.md をご覧ください。

---

Aurora の動作を見る

環境の大気質データセットで実行した内容を、Studio セッションからそのままキャプチャしました。

### すべての文に出典が付くことが、他にはない強みです

構造化されたアトムとしての検出結果。各カードは、LLM が生成した文章ではなく、手法、重大度（crit / high / med）、しきい値、エビデンス、引用を持つ型付きオブジェクトです。p < 0E+0を伴う+448.6σは、雰囲気だけの「異常」ではありません。6715行目のデータに対する Hampel の z スコアであり、再実行できます。	高度な手法19種類を、正直に開示します。HMM（3つの潜在レジーム）、相互情報量（13特徴量の行列）、Granger（5つの因果ペア）、Wavelet Morlet CWT、ガウス過程、永続的トポロジー、多変量外れ値（5000件中325件を、2つ以上の検出器がフラグ付け）。実行できなかった手法は、no_time_axis、negative_values_present、cross_sectional_no_time_axisなど、理由とともに明示的にskippedと表示します。サイレントな失敗はありません。
時空間の世界線。8つのエンティティの世界線（風、気圧、太陽入力、湿度、気温、海面水温、波高、降水量）を時間軸に対してプロットしています。垂直の「NOW」線は、過去と予測円錐を分けます。オレンジ色のマーカーは、+2.0h で予測されたしきい値超過を示しており、人間ではなく Aurora が検出しました。	位相空間。システムを2次元の状態投影に縮約しています。シアン色のNOWマーカーは現在位置を示し、その後ろの軌跡は、そこに至るまでの経路を示します。気圧 ↔ 太陽、気圧 ↔ 湿度、気圧 ↔ air_temp の共鳴（35.71m、コヒーレンス1.0）が、形状を生み出します。

_{AUTO ティアで、9357行の横断的な大気質データセットを用いて取得しました。一般向けハードウェアでローカル実行し、所要時間は約14秒でした。0 fabricated。引用付きナレッジエントリーは12件。理由を明示して3つの手法を保留。}

---

インストールの確認

python studio_api.py の起動後、次のような表示が見られます。

[aurora] frontend = /path/to/aurora/frontend
 * Running on http://127.0.0.1:8000

URL を開くと、Studio に「データセットをドロップ」する領域が表示されます。次のいずれかを使用してください。

data/fixtures/factory_bearing_demo.csv      # ships with the repo — bearing failure
data/fixtures/climate_buoy_demo.csv         # ships with the repo — NOAA-style buoy data
data/fixtures/patient_cohort_demo.csv       # ships with the repo — clinical cohort

いずれかをドロップし、AUTO と ▶ RUN ANALYSIS をクリックします。約10～20秒で次の内容が表示されます。

• 6つの分析レンズ（Overview、Anomalies、Regimes、Motifs、Forecast、Physics）が表示されます
• Findings カードに、引用されたすべての主張が一覧表示されます
• 0 fabricated チップが表示されます（常に表示されます。これが Aurora の契約です）

ここまでできれば、本番環境で使用する準備は完了です。

オプション：フロントエンドの拡張ビルド（v0.10 Phase 2）

Aurora の実行にこれは必要ありません。 必要なコマンドは python studio_api.py だけです。このセクションは、将来のパネル開発で型安全性と Vite のホットリロード開発ループを活用したい開発者向けです。

Phase 2 のバンドルでは、型付き API ヘルパー、堅牢化された Server-Sent Events、Nanostores を利用した状態モデルを備えた Vite + TypeScript レイヤーが追加されます。既存のフロントエンドと並行して動作し、完全に後方互換です。これを使用してもしなくても、Studio の表示は同じです。

必要要件：Node 18 以降と npm。

有効化するには、一度だけビルドします。

cd frontend
npm install              # installs Vite, TypeScript, @types/node, Nanostores
npm run build            # produces frontend/dist/aurora.js + aurora.css
cd ..

以上です。次に誰かが Studio を読み込むと（Flask がすでに起動しているかどうかにかかわらず）、バンドルが自動的に有効になります。Flask の静的ルートが新しいファイルを配信し、読み込み時に index.html が HEAD リクエストでその有無を確認します。ページを再読み込みした後、DevTools のコンソールを開くと、⚡ Aurora 0.10.0+phase2 loaded と表示され、カスタムパネル開発用に window.Aurora.api / .store / .stream が利用可能になります。

無効に戻すには：rm -rf frontend/dist/ を実行します（またはフォルダーを削除します）。コンソール警告のない従来のみのモードに戻ります。

ホットリロードを使った TypeScript の開発を行う場合（ターミナルを2つ使用）：

# Terminal 1 — Flask backend on :8000
python studio_api.py

# Terminal 2 — Vite dev server on :5173 with HMR + Flask proxy
cd frontend && npm run dev

http://127.0.0.1:5173 を開きます（:8000 ではありません）。frontend/src/ 以下のファイルを編集すると、すぐにホットリロードされます。詳しくは、docs/frontend-build.md をご覧ください。

ステータス： v1.1 はリリース済み（2026年5月）。v1.2 は大部分がリリース済み（ストリーミング、クラウド、Jupyter、コントラクトアクション、実行ライブラリ、MCP HTTP）。v2.0 は main で積極的にリリース中（因果的 do-calculus、複数データセットの結合、Plugin SDK、カスタム KB 取り込み、バンドルの証明、KB マーケットプレイス、Kafka + Postgres CDC コネクター、GPU 埋め込み）。ローカルで599件のテストに合格し、CI では約625件に合格しています。実ユーザーが実データで利用しています。

Docker で実行する（BYO-LLM）

cp .env.example .env           # pick a provider + paste your key
docker compose up              # → Aurora Studio at http://localhost:8000

コマンド1つで、状態をホスト側（./aurora-data/）に永続化して実行できます。クラウドへの依存もありません。Fly／Railway／Render／VPS の手順と、新しいマルチテナント認証モデルについては、docs/cloud-deploy.md をご覧ください。

---

1つのエンジン。2つの利用方法。同じグラスボックス。

Aurora には、1つの分析エンジンを共有する2つの顔があります。同じコード、同じ原則で、統合方法は2種類です。1つは人が調査結果を順に確認するため、もう1つは AI システムが API を呼び出すためのものです。

🧠 Aurora Copilot — 人間向け

アナリスト、クオンツ、科学者、エンジニア向け。

ハルシネーションを起こすモデルに任せるには重要すぎる仕事のための、ローカル定量分析コパイロットです。データセットを投入すると、厳密な分析結果を得られます。異常の検出、因果関係の検証、信頼区間付きの予測に加え、すべての主張に根拠となる計算を明記します。クラウド LLM に推測させることはありません。ブラックボックスの計算もありません。

• グラスボックス型スタジオ — 6 つの分析レンズ（Overview、Anomalies、Regimes、Motifs、Forecast、Physics）、時空間システムグラフ、相空間への射影
• 研究グレードの手法を 24 種以上搭載 — Isolation Forest、ロバスト z スコア（Hampel）、Granger、HMM Baum-Welch、パーシステントホモロジー、SINDy、ガウス過程、相互情報量、VAR、DTW、BOCPD、Robust PCA、EMD、Kalman、Spectral entropyなど
• ナレッジに基づく統合 — すべての「What This Means」の文に、公開ライセンス付きナレッジバンク内の seed:* エントリーを引用します
• 事前のデータ品質チェック — 分析を実行する前に、スキーマ検証、欠損パターンの検出、不規則サンプリングの確認を行います（作成されたカウンターの横に data ok / N issues チップが表示されます）
• 因果推論（do-calculus） — Pearl 流のバックドア識別と調整 OLS 推定を実行します。従来の WHAT-IF パネルでは、各シミュレーター出力の下に「do() causal verdict」が表示されるようになりました。v2.0 LAB には、処置・結果・介入の明示的な問い合わせと反実仮想に対応する、全画面表示の専用 Causal タブがあります
• ストリーミング／連続モード — Aurora にディレクトリを指定すると、新しいデータが届くたびに分析結果が更新されます。分析結果ごとに重複を排除するため、バスが反応するのは本当に新しい結果があるときだけです。オプトインの Decision Contracts 自動起動ブリッジにも対応します。ファイル以外のソースには Kafka + Postgres CDC コネクターを利用できます（依存関係のインストールが必要です。v2.0 LAB → Connectors タブに記載）
• 分析結果の合成 — 完了した実行のフィッティング済み物理モデル／レジーム／ベースラインを次の実行の事前分布として利用できます。整合した分析結果には PRIOR バッジが付きます
• 複数データセットの結合 — 完了した 2 つの実行を組み合わせ、共有キー、スキーマの互換性、継承候補を確認できます
• 実行ライブラリ — セッションをまたいで実行をピン留めし、任意の 2 つの実行を A/B 比較し、ポータブルな .aurora.json バンドルとして共有できます
• カスタム KB の取り込み — PDF／TXT／MD ファイルを含むフォルダーを投入すると、Aurora がファイルを巡回してテキストを抽出し、チャンクをワークスペースの KB に統合します。v2.0 LAB ではフォルダー選択 UI を利用できます
• KB パックのマーケットプレイス — 厳選された分野別 KB パック（Climate／Finance／Biomed／Industrial）をインストールできます。プレビュー状態のパックには、その状態を正直に表示します
• バンドルの証明 — 任意の .aurora.json に対し、3 つのチェック（整合性 + Ed25519 署名 + 信頼できる署名者レジストリ）の結果をまとめて表示します
• 誠実な開示 — サンプリング、タイムアウト、スキップされた手法を明示し、決して黙って偽装することはありません

→ 動作例：examples/factory-bearing/
→ 概念の概要：docs/concepts.md

🛡️ Aurora Cortex — AI システム向け

AI ビルダー、エージェント開発者、AI プロダクトチーム向け。

AI エージェントや AI プロダクトが、数値に関する主張を誤って生成できない場面で呼び出す検証レイヤーです。現在の LLM はどれも数値を捏造します。Aurora は構造的に異なる解決策です。予測ではなく、計算して検証します。MCP、Python SDK、または Decision Contracts 経由で接続できます。

4 つのプログラム可能なインターフェースは、すべて同じ .aurora.json バンドル形式を使用します。

import aurora_sdk as aurora

r = aurora.run("data.csv", depth="standard")
r.findings.critical().by_method("iso-forest")
r.forecast.peak(horizon_hours=24)
r.bundle.save("audit.aurora.json")        # SHA-256 integrity + optional Ed25519 signing

# Verify on any machine with Aurora installed
b = aurora.Bundle.load("audit.aurora.json")
b.verify()                                  # raises if tampered

レイヤー	対象	機能
Aurora SDK (ドキュメント)	Python 開発者、ノートブック、パイプライン	pip install するだけで、出典付きの透明性の高い定量的推論を利用できます
Aurora Jupyter (ドキュメント)	ノートブックユーザー	リッチな HTML 表示と to_html_report() エクスポートを備えた aurora.run(df)
Aurora MCP (ドキュメント)	LLM エージェント（Claude Desktop、Claude Code、Cursor、カスタム）	uvx aurora-mcp — stdio または HTTP トランスポート経由で 7 つのツールを提供。パス許可リスト対応、出力上限付き、JSON のみ
Decision Contracts (ドキュメント)	自動化パイプライン	プログラム可能な述語 → 検出結果が条件に一致した際に webhook／ログ／ファイル／Slack／Discord／メールへ通知します。SSRF と宛先数の上限に対するガードを備えています。ストリーミングブリッジは、リアルタイムの検出結果に対してコントラクトを実行します
Aurora Streaming (ドキュメント)	ライブデータフィード	ファイル監視機能＋ローリングウィンドウ＋SSE イベントバス。検出結果ごとに重複を排除し、オプションでコントラクトを自動実行できます。Kafka + Postgres CDC コネクター（依存関係はゲートで制御）
Aurora Causal (ドキュメント)	「X だったらどうなるか？」を知りたいアナリスト	Pearl の do 計算：バックドア識別＋調整 OLS＋実行時の system_model DAG に対する反実仮想クエリ
Runs Library (ドキュメント)	データセットを反復的に処理するすべてのユーザー	セッションをまたいで実行結果を固定し、2 つの実行結果を A/B 比較し、ポータブルな .aurora.json をエクスポートできます
Plugin SDK (ドキュメント)	ドメインの専門家	aurora_plugins エントリーポイントグループ経由でサードパーティの手法を登録できます。組み込み機能と同じ検出結果の契約を使用します
カスタム KB 取り込み	非公開のライブラリを持つ研究者	PDF／TXT／MD のフォルダーをワークスペースの KB に追加できます
Bundle Attestation	共有された .aurora.json を利用するすべてのユーザー	整合性、Ed25519 署名、信頼できる署名者のレジストリを 1 回の呼び出しで検証します
Aurora Cloud (ドキュメント)	セルフホスト可能なデプロイ	Docker イメージ、BYO-LLM、マルチテナント認証、ワークスペースごとのデータ分離、使用状況のログ記録
Research Kit (ドキュメント)	研究者、学術関係者	DOI 発行用の methods.md + references.bib + replication.json + .zenodo.json

→ 5 分で Aurora を Claude Desktop に接続できます：examples/mcp-claude-desktop/
→ 「重大な異常が 3 件以上現れたら実行する」自動化を構築できます：examples/decision-contracts/

---

Aurora が存在する理由

現在の AI はすべて、最高性能のクラウド LLM も含め、数値に関する主張を誤って生成します。モデルを大きくしても解決しません。RAG だけでも解決しません。Chain-of-thought は、自信に満ちた嘘を長くするだけです。

Aurora は、きわめてまれな種類の解決策です。構造的に異なります。予測ではなく、計算して検証します。お使いのマシン上でローカルに実行されます。計算の内容を示します。Aurora が報告する関係性はすべて、推測ではなく計算によって得られたものです。主張にはすべて出典が付されています。不確かな検出結果は、不確かであることが分かる形で表示されます。不確かな根拠の上に、確かなように見える数式を示すことはありません。

コア原則

• 🔍 すべての層でグラスボックス。 すべてのノード、エッジ、発見事項、推奨事項は、その情報源まで追跡できます。バンドルには SHA-256 コンテンツハッシュが付与され、Ed25519 で署名できます。
• 💻 常にローカルファースト。 データはお使いのマシンに保存されます。テレメトリはありません。外部への通信もありません。MCP サーバーは呼び出しごとにパスの許可リストを適用し、Decision Contracts はデフォルトでプライベート IP の Webhook 宛先をブロックします。
• 🎯 誠実さのルール。 不確かな関係は不確かなものとして表示されます。手法がサンプリングやタイムアウトを行った場合、そのことをユーザーに伝えます。Aurora の fabricated_count チップは契約上 0 であり、リアルタイムで監査されます。
• 📖 オープンソース。 Apache 2.0 です。検査可能で、フォーク可能です。自由に監査、ベンダー提供、組み込み、再配布できます。

---

引用だけでなく、較正されています

自身のエラー率を定量化できない判定器は、判定器とは言えません。v0.10.0 から、Aurora には較正エンジンが搭載されています。変化点検出ファミリー（BOCPD、CUSUM、PELT）では、すべての発見事項に、その検出器が「見つけるべきものが何もない」データ（お客様のデータに似た形状のデータ）で発火する率の実測値が含まれます。

Aurora 独自の本番用 CUSUM 検出器による主な実測値は次のとおりです（n=90、各セルでシードを固定した帰無試行を4,000回実施）：独立した定常系列での発火率は**0.1％、ラグ1自己相関 φ=0.6 では48.3％、φ=0.8 では89.5％**です。日次需要やセンサーデータではごく一般的な自己相関によって、「検出」はコイントス同然になります。較正がなければ、その後の処理ではこれを見分けられません。データ長とともに悪化もします。φ=0.4 の場合、発火率は n=90 の13.6％から n=180 の39.6％に上昇します。データを増やすほど、この失敗モードは改善するどころか悪化します。一方、同じコーパスでは検出器を惑わせない要因も明らかになっています。強い7日周期の季節性（4,000試行中、発火0回）や裾の重いノイズ（0.4％）は、ほとんど影響しません。最大の問題は自己相関であり、今ではその影響が測定されています。

そのため Aurora は、発見事項を生成する時点で次の情報を提示します。

• データの特徴（長さ、バイアス補正済み自己相関、裾の重さ、季節性、欠損値）に対応する、Wilson 95％区間付きの実測誤発火率
• 正直なステータス — calibrated、interpolated（最大誤差を明示）、unavailable（実測範囲外であることと、該当する次元を明示）、または not_yet_calibrated — デフォルト値で黙って補うことはありません
• 判定の格下げ：データが裏付けられない発見事項は not_identifiable に切り替わります。生の統計量は引き続き報告され、設定された上限も明示されます
• 導出された修正策 — 必要な連続確認回数や、推定された φ を使ったプレホワイトニング。数学的に裏付けられる場合に限ります
• 発見事項とバンドルに含まれるコーパスのバージョンと SHA-256。これにより、批判的な検証者はどのテーブルから主張が導かれたかを確認できます

制約上は合法でも、根拠のない理由で実行されたアクションを検出する様子をご覧ください。

python -m demos.phantom_signal.run_demo

詳細、スキーマ、誠実さに関する完全なルールセットについては、docs/CALIBRATION.md をご覧ください。主張していないこと：検出力や感度の数値、実データのグラウンドトゥルースは提供していません。また、コーパス v1 が対応するのは変化点検出ファミリーであり、その他の手法は装うことなく not_yet_calibrated と明示します。

---

連携方法

Aurora は、人間と AI システムの両方が呼び出せるインフラストラクチャとして構築されています。

• MCP サーバー — MCP 互換 AI クライアント（Claude Desktop、Claude Code、Cursor、カスタムエージェント）を接続できます。7つのツールを公開し、パスの許可リストを適用、出力は2 MBに制限し、エラーは JSON のみでラップします
• Python SDK — ノートブック、スクリプト、パイプライン、エージェントフレームワークで import aurora_sdk を使用できます
• Decision Contracts — プログラム可能な述語でアクション（Webhook／ログ／追記専用ファイル）を実行します。SSRF 対策、レート制限、監査に対応しています
• Webhooks — 検証済みの発見事項を Slack／Discord／PagerDuty／独自の受付 API に配信します（Slack／Discord／PagerDuty のアクションタイプは v1.2 で追加予定です。汎用 Webhook は現在利用できます）
• Local Studio — 発見事項、インテリジェンスパネル、システムグラフ、キューブナビゲーターを完全なグラスボックスで探索できます
• Aurora Bundle Format v1 — 上記のすべての層で生成、利用できる、ポータブルで署名・引用可能な .aurora.json アーティファクトです

---

クイック例

Copilot として — CSV をドロップして、Aurora の分析結果を読む

python studio_api.py
# Open http://127.0.0.1:8000 → click "Try a demo → factory_bearing_demo"
# 10 seconds later: 11 cited findings, 3 critical, confidence 84%, 0 fabricated.

Cortex として — Claude Desktop に実際の数学的根拠を引用する機能を追加する

claude_desktop_config.json に追加します：

{
  "mcpServers": {
    "aurora": {
      "command": "uvx",
      "args": ["aurora-mcp", "--allow-root", "/Users/you/data"]
    }
  }
}

インストール手順は不要です — 初回実行時に uvx が PyPI から aurora-mcp を取得します。ソースのチェックアウトから実行する場合は、"command": "/path/to/aurora/.venv/bin/python", "args": ["-m", "aurora_mcp.server", "--allow-root", "/Users/you/data"] を使用します。

次のように Claude に依頼します：

/Users/you/data/factory_bearing.csv に対して標準の深度で Aurora を実行し、最も重大な異常を完全な根拠とともに詳しく調査してください。

Claude は aurora_analyze → aurora_findings(severity=crit) → aurora_explain(claim_id=…) を連鎖させ、すべての手法を引用した回答を書きます — 行番号や z スコアをでっち上げることはありません。

詳細な手順：examples/mcp-claude-desktop/

Cortex として — 分析結果を自動化に組み込む

~/.aurora/decision_contracts/bearing-watch.json：

{
  "id": "bearing-watch",
  "trigger": {"field": "findings.crit_count", "op": ">=", "value": 3},
  "actions": [
    {"type": "webhook", "url": "https://hooks.example.com/aurora"},
    {"type": "file", "path": "alerts.jsonl"}
  ],
  "rate_limit": {"max_per_hour": 12}
}

from aurora_sdk import Bundle
from fantasyai.aurora.decision_contracts import load_contracts, fire_contract

bundle = Bundle.load("latest.aurora.json").doc
for c in load_contracts():
    fire_contract(c, bundle)               # webhook fires, audit row appended

---

現在利用できる機能

v1.1 の基盤であるバンドル形式、SDK、MCP、意思決定契約、リサーチキット、6つの分析レンズはリリース済みで安定しています。v1.2 のスプリントはほぼ完了しており、v2.0 の開発は main で継続的に進んでいます。

分析手法（17 → 24以上）：

• v1.1：Isolation Forest、Hampel z-score、HMM、相互情報量、Granger、ウェーブレット、Lomb-Scargle、ガウス過程、パーシステントトポロジー、SINDy、多変量外れ値、クラスタ安定性、ベイズ、パネル、生存、空間、ネットワーク、DiD
• v1.2 で追加：VAR、DTW、BOCPD、Robust PCA、EMD、Kalman、スペクトルエントロピー — それぞれにスキップ理由とグラスボックス準拠機能を備えています

v1.2 の機能（大部分をリリース済み）：

• ストリーミング／継続モード — SSE イベントバスを備えた /api/stream/start|stop|status|events、指摘ごとの重複排除、オプトイン方式の意思決定契約ブリッジ、Studio のライブ指摘ストリップ
• Aurora Cloud（フェーズ1＋2） — Docker、docker-compose、クラウドデプロイガイド。AURORA_AUTH_REQUIRED=1 の設定で有効になるマルチテナント認証、ワークスペースごとのデータ分離、使用状況ログ
• BYO-LLM — 5つのバックエンド（Anthropic／OpenAI／Gemini／Ollama／OpenAI互換）に対応するプラグイン式プロバイダー抽象化
• 意思決定契約：Slack／Discord／メールのアクション — v1.1 の webhook／log／file タイプを拡張。SSRF 対策、宛先数の上限、URL トークンのマスキングに対応
• 実行ライブラリ UI — 上部ツールバーのチップから、ピン留め／A/B 比較（joins エンドポイント経由）／バンドルとして共有が可能
• MCP HTTP トランスポート — ローカルでサブプロセスを実行できないリモートエージェント向けの /mcp/v1/* エンドポイント。オプションのトークンゲートを備えたスタンドアロンサーバーモード
• 事前データ品質チェック — スキーマ、欠損率、不規則サンプリングを確認。捏造データのチップと並んで data ok / N issues のピルを表示
• Jupyter 連携 — aurora.run(df)、リッチな HTML 表示、to_html_report()、サンプルノートブック
• KB パックの配布 — マニフェスト、ダウンローダー、4つのスターターパック、レジストリの自動検出

v2.0 の機能（リリース中、⚡ v2.0 LAB モーダルで公開）：

• 因果推論（do-calculus） — fantasyai/aurora/causal/。バックドア識別＋調整 OLS 推定＋反実仮想クエリ。従来の WHAT-IF パネルも、シミュレーターの各出力の下に「do() causal verdict」を返すようになりました
• 複数データセットの結合 — /api/joins/analyze により、完了済みの2つの実行間で共通キー、スキーマ互換性、相互相関のヒント、継承候補を生成
• 合成可能な指摘 — 完了済みの実行から事前情報を抽出して次の実行に継承できます。整合する指摘には PRIOR · matches / drifts / novel バッジが付きます
• プラグイン SDK — サードパーティーの手法は aurora_plugins エントリーポイントグループ経由で登録でき、組み込み機能と同じ契約に従います。障害は分離されます
• カスタム KB の取り込み — PDF／TXT／MD を含むフォルダーを追加すると、Aurora が内容を読み込み、チャンクをワークスペースの KB に取り込みます。v2.0 LAB ではフォルダーピッカーとドラッグ＆ドロップに対応
• バンドルの証明 — 任意の .aurora.json に対して、整合性＋Ed25519 署名＋信頼できる署名者レジストリの3項目をまとめて検証
• KB パックのマーケットプレイス — 厳選された分野別 KB パック（気候／金融／バイオ医療／産業）をインストールできます。プレビュー状態のパックには「未リリース」と明記
• ストリーミングコネクター — ファイル以外のデータソース向けに Kafka＋Postgres CDC コネクターを提供。依存関係は条件付きで有効化され、v2.0 LAB → Connectors タブにインストールのヒントを表示
• GPU 埋め込み — AURORA_EMBEDDINGS_DEVICE=cuda|mps|auto 環境変数でデバイスを選択し、GPU が使えない場合は CPU に自動でフォールバック

数値：

• ローカルでテスト599件が成功。CI では約625件（scipy と flask に依存するテストは CI で実行）
• バックエンドの16モジュールを問題なくインポート
• 捏造された指摘は0件 — 契約上の要件です

ローカルでエンドツーエンドに実行できます。初回のナレッジバンクのダウンロード後は、クラウドへの依存はありません。

課題

率直に挙げると、次のとおりです。

• ナレッジバンクにはシードセットが同梱されています。フルパックは別途ダウンロードする必要があり、現在も拡張中です
• 4つの v2.0 マーケットプレイスパック（Climate／Finance／Biomed／Industrial）は、マニフェストに予約されていますが、まだホストされていません — SHA は PENDING_FIRST_BUILD です。Studio では PREVIEW と表示され、次のマニフェスト改訂までインストールが無効になります
• 一部の高度な手法は、必要な構造（時間軸やエンティティ列など）がないデータセットではスキップされます — これらのスキップは正しい、透明性の高い動作ですが、スキップ理由を読まないとわかりにくい場合があります
• メソッドごとのタイムアウト（デフォルトは 90 秒）により、非常に大きなデータセットでは一部の手法の実行が延期されます。これは正直に開示しています
• モバイル／タブレットへの対応はまだ保留中です
• ブラウザーのセキュリティ上、Aurora は <input type="file"> ピッカーから絶対フォルダーパスを読み取れません。KB の取り込みではフォルダー名をシードし、ユーザーに絶対パスの入力を求めます

公開開発ログ：CHANGELOG.md。

---

オープンに開発。実在する人が、実際の仕事のために。

Aurora は Apache 2.0 ライセンスの完全なオープンソースです。エンジン、スキーマ、ベースラインテンプレート、MCP サーバー、SDK、Webhook レイヤー — そのすべてが公開されています。コードベース自体も含め、どのレイヤーにもブラックボックスはありません。

ロードマップは公開されています。開発の様子は YouTube で記録しています。ナレッジバンクのエントリーやテンプレートを提供する分野の専門家は、今後のマーケットプレイス（v2.0）で収益を得られるようになります。コミュニティの成長とともに、Aurora はより賢くなっていきます。

• ⭐ GitHub でスターを付ける — 認知度の向上
• 💜 Patreon で支援する — 継続的な支援が開発資金になります
• 📺 YouTube で開発の様子をフォローする
• 🎬 TikTok の毎日のクリップ
• 🐦 X で毎日の進捗を確認する

---

ロードマップ

全体像は ROADMAP.md をご覧ください。最近の進捗：

• v1.2 — 大部分をリリース済み： ストリーミング Phase 1+2 · Aurora Cloud Phase 1+2（Docker + BYO-LLM + マルチテナント認証）· 7つの新しい分析手法 · Jupyter 統合 · KB パック配布 · データ品質の事前チェック · Slack／Discord／Email コントラクトアクション · Runs Library UI · MCP HTTP トランスポート
• v2.0 — main で積極的に開発中： 因果推論（do-calculus）· 複数データセットの結合 · 組み合わせ可能な知見 · プラグイン SDK · カスタム KB 取り込み（PDF → KB） · バンドルの認証サービス · KB パックのマーケットプレイス（プレビュー） · Kafka + Postgres CDC ストリーミングコネクター · GPU 埋め込みデバイスゲート
• v1.2 の残作業（未完了）： Bundle Format v1.1（署名付き差分更新）· 会話型コパイロットの仕上げ · KB コミュニティへの貢献フロー · 分野別テンプレートパック · DuckDB の取り込み · モバイル／タブレット対応
• v2.0 以降（6〜12か月）： 分散型ナレッジ貢献 · クリエイターへの収益分配を備えたマーケットプレイス · Aurora カーネル · Aurora-as-CI · Web Component の埋め込み · モバイルコンパニオン

---

プロジェクトファミリー

Aurora は FantasyLab.ai の一部です — 本格的な作業のためのローカルファーストな AI ツール群です。姉妹プロジェクト：

• Fantasy Studio — 実際のパストレース光シミュレーションを使用した、AI 主導のシネマティックな 3D レンダリングです。同じ理念を分析業務ではなく、クリエイティブな作業に適用しています。

貢献

貢献を歓迎します。環境構築、コードスタイル、テスト要件、開発ワークフローについては CONTRIBUTING.md をご覧ください。

取り組みやすい項目：

• good first issue のラベルが付いた Issue
• help wanted のラベルが付いた Issue
• ナレッジバンクへの貢献 — 新しい分野の、出典を明記したエントリーの追加。docs/knowledge-bank.md をご覧ください
• Aurora MCP の統合 — サンプルノートブック、デモエージェント

セキュリティ

Aurora はデータをローカルで処理します。SDK と MCP サーバーにはテレメトリー、外部への通信、分析機能はありません。検証コーテックスが競争優位の源泉であり、監査も受けています。セキュリティモデルの詳細と脆弱性の報告方法については、SECURITY.md をご覧ください。

ライセンス

Aurora は Apache License 2.0 の下でライセンスされています。商用利用、改変、再配布が可能です。ただし、著作権表示を残し、派生物について当社が推奨していると主張しないでください。

エンタープライズサポート付きで、お客様が管理するクラウド環境にデプロイする場合は、[email protected] までお問い合わせください。

謝辞

Aurora は、数十年にわたる統計学および分析研究の積み重ねを基盤としています。引用は Aurora のすべての出力に組み込まれています。基礎となる手法は、以下を含む研究者によるものです。

• Vipin Chandola、Arindam Banerjee、Vipin Kumar（異常検知）
• Judea Pearl（因果推論）
• Rob Hyndman、George Athanasopoulos（予測）
• Steven Brunton、Joshua Proctor、Nathan Kutz（SINDy／スパース同定）
• Frank Hampel（ロバスト統計、1974年）
• Fei Tony Liu、Kai Ming Ting、Zhi-Hua Zhou（Isolation Forest）
• Carl Edward Rasmussen、Christopher K. I. Williams（ガウス過程）
• C. W. J. Granger（因果関係）
• L. E. Baum、T. Petrie、G. Soules、N. Weiss（Baum–Welch HMM）
• Thomas Malthus（指数ダイナミクス、1798年）
• Reverend Thomas Bayes（ベイズ推論）
• …そして、Aurora を可能にしている、より広範なオープンサイエンスコミュニティ

Aurora プロジェクト自体は、FantasyLab.ai の一環として構築されています。

---