論文要約：スカラーからテンソルへ：宣言された損失（Declared Losses）が、 neutrosophic スカラーでは表現できない認識論的区別を回復する

著者: Tony Mason (UBC, Georgia Tech)
概要: 本論文は、大規模言語モデル（LLM）の不確実性定量化において、従来の確率論的枠組みを超えた「 neutrosophic 論理（真・偽・不確実性の独立次元）」の応用をさらに発展させた研究です。特に、スカラー値（T, I, F の3つの数値）のみでは表現しきれない「吸収（Absorption）」現象の問題点を指摘し、構造化された「宣言された損失（Declared Losses）」を付加したテンソル形式の出力が、モデルの認識論的状態をより忠実に表現できることを実証しています。

---

1. 背景と問題提起

1.1 先行研究の成果と限界

Leyva-Vázquez と Smarandache (2025) は、LLM に対して真（T）、不確実性（I）、偽（F）を独立した次元として評価させる neutrosophic 評価手法を提案しました。彼らの研究では、制約なし（T+I+F=1 ではない）の評価において、35% のケースで「超真（Hyper-truth: T+I+F > 1.0）」が観測され、LLM が確率的制約では表現できない内部矛盾や豊富な認識論的情報を持っていることが示されました。

しかし、本研究は先行研究に以下の 4 つの重大な限界があるとし、それを克服する新たなアプローチを提案します。

1. ベンダー単一性: 先行研究は OpenAI 製モデルのみで検証されており、一般的な LLM の性質か不明。
2. 試行回数不足: 各条件での評価が 1 回のみで、統計的有意性やモデル内の一貫性が不明。
3. プロンプトの非公開: 使用されたプロンプトが公開されておらず、再現性が保証されていない。
4. スカラー表現の限界（吸収問題）: これが本研究の核心。一部のモデルが、根本的に異なる認識論的状態（パラドックス、無知、偶発性など）に対して、すべて同じスカラー出力（T=0, I=1, F=0）を返す「吸収（Absorption）」現象が発生します。これにより、neutrosophic 論理が本来保存すべき「不確実性の種類」の区別が失われています。

2. 研究方法

2.1 実験設定

• 対象モデル: 5 つのベンダー（Anthropic, Meta, DeepSeek, Alibaba, Mistral）から 5 つの最新モデル（Claude Sonnet 4.6, Llama 4 Maverick, DeepSeek V3, Qwen3-235B, Mistral Medium 3.1）を選定。
• 評価対象: 先行研究の 5 つの現象（パラドックス、無知、曖昧さ、矛盾、偶発性）を評価。
• 戦略（Strategies）:
  • S1 (Neutrosophic): T, I, F を独立に [0,1] で評価（和は 1 に制限しない）。
  • S2 (Probabilistic): T+I+F=1 に制限（対照実験）。
  • S3 (Entropy-Derived): 確率とシャノンエントロピーから導出（本研究では比較対象外）。
  • S4 (Tensor Extension): 本研究の新規提案。S1 に加え、モデルに「宣言された損失（Declared Losses）」を構造化された形式で出力させる。
    • 損失の形式：{what: 評価できないもの, why: 理由, severity: 重大度}
• 実施: 各モデル×各現象×各戦略を 5 回反復（温度 0.7）、合計 375 件の評価を実施。

2.2 新規提案：テンソル拡張（S4）

スカラー値（T, I, F）だけでなく、モデルが「何を評価できないか」「なぜ評価できないか」「その影響がどの程度か」を構造化されたテキスト（損失宣言）として出力させるプロンプトを設計しました。これにより、出力形式を「スカラー」から「スカラー＋損失ベクトル」のテンソル構造へと拡張しました。

3. 主要な結果

3.1 クロスベンダーな「超真（Hyper-truth）」の確認

• S1 評価結果: 5 ベンダーすべてのモデルで「超真（T+I+F > 1.0）」が観測されました。全体の発生率は 84%（先行研究の 35% より高い）でした。
• 結論: 「超真」は OpenAI 固有のアーティファクトではなく、現在の LLM に共通する性質であることが確認されました。

3.2 「吸収（Absorption）」問題の特定

• 現象: いくつかのモデル（特に Llama や Mistral）は、パラドックス（論理的矛盾）と無知（情報不足）という根本的に異なる状態に対して、同じスカラー出力（T=0, I=1, F=0）を返す傾向がありました。
• 意味: この出力は、モデルが「真理値がない」としてパラドックスを処理している（古典論理的な拒否）か、単に「知らない」と答えているかの区別をスカラー値だけでは見失っています。neutrosophic 論理が意図した「不確実性の種類の区別」がスカラー表現によって失われています。

3.3 宣言された損失による区別の回復

• Jaccard 類似度の分析: スカラー値が同一（距離≈0）であっても、モデルが出力する「損失宣言（what フィールド）」の語彙は、パラドックスと無知の間で完全に異なっていました（Jaccard 類似度 < 0.10）。
• 具体例（Mistral モデル）:
  • パラドックス時: 「自己言及のパラドックス解決」「形式システムの依存性」などの損失を宣言。
  • 無知時: 「宇宙の星の数の経験的不可知性」「宇宙の定義」などの損失を宣言。
  • 結果: スカラー値は同一（0, 1, 0）ですが、損失宣言はドメイン固有で完全に異なり、モデルが内部でこれらの状態を区別していることが示されました。

3.4 有効性の検証（Instruction Following への反論）

「損失宣言は単なる指示への従順（Instruction Following）に過ぎないのではないか？」という批判に対し、以下の検証を行いました。

1. 重大度と不確実性の相関: 損失の重大度（Severity）と不確実性（I 値）は強く相関しており、ランダムな生成ではない。
2. トートロジー（同義反復）テスト: 「2+2=4」などの確実な命題では、不確実性値と損失の重大度が劇的に低下し、損失の内容も最小限の留保（hedges）に留まりました。
3. プロンプト除去実験（S5）: Neutrosophic 枠組みを除去し、「制限を特定せよ」という最小限のプロンプトでも、S4 と同じ 10 の認識論的テーマが 100% 再現されました。
   • 結論: 認識論的評価はプロンプトの形式以前にモデルに存在しており、テンソル形式（S4）はそれを構造化・定量化する役割を果たしています。

4. 主要な貢献

1. 吸収問題（Absorption Problem）の発見: Neutrosophic スカラー評価において、異なる不確実性の種類が同一の出力に収束し、区別が失われる現象を初めて体系的に定義・実証しました。
2. テンソル出力形式の提案: スカラー値（T, I, F）に「構造化された損失宣言」を追加するテンソル形式を提案し、これがスカラーでは失われる認識論的区別を回復することを示しました。
3. クロスベンダー実証: 5 つの異なるベンダーのモデルを用いた大規模な反復実験により、超真現象の普遍性と吸収問題の存在を裏付けました。
4. 評価アーキテクチャへの示唆: LLM の能力評価システムにおいて、スカラー値だけでなく「モデルが何ができないか（損失）」を記録することが、より豊かな情報を提供し、適切なモデル選定やルーティングに不可欠であることを示唆しました。

5. 結論と意義

本論文は、LLM の不確実性評価において、スカラー表現（T, I, F）は必要だが不十分であることを示しました。特に「吸収」を起こすモデルでは、スカラー値だけでは不確実性の質的な違い（パラドックスか、単なる無知か）を区別できません。

しかし、宣言された損失（Declared Losses）を付加したテンソル構造を導入することで、モデルが内部に保持している認識論的区別を出力として回復できることが実証されました。これは、LLM の「自己認識（Self-knowledge）」や「限界の表明」を構造的に捉えるための新しい評価パラダイムを提供し、より信頼性の高い AI システムの構築に向けた重要なステップとなります。

結論の要約:

「モデルは区別を持っている。しかし、スカラーではそれを表現できない。テンソル（スカラー＋損失）なら表現できる。」