技術的サマリー：局所的に整合的、全球的に非整合的

1. 問題定義

多コンポーネント大規模言語モデル（LLM）エージェントは、複雑な共同問題を、専門家のサブエージェントやツールが処理するサブタスクに分解することが多い。個々のコンポーネントは局所的に整合的（特定のサブ質問に対して内部的に一貫し、較正されている）であっても、それらの出力を集約すると、基本的な確率公理に違反する可能性がある。この現象を「局所的に整合的、全球的に非整合的」と呼び、合成された信念状態が 1 を超える総確率質量を割り当てたり（例えば $P(A) + P(\neg A) = 1$ といった論理的制約に違反したり）する結果を招く。

既存の評価指標（質問ごとの精度、較正、コンフォーマル予測）は個々のモデル出力に依存しており、コンポーネント間の論理的違反を検出できない。その結果、多コンポーネントエージェントは、各コンポーネントが個別に健全であっても、合成の過程で導入された非整合性ゆえに、システムに対して確実な損失を伴う「ダッチブック」曝露（損失が保証される賭けの組み合わせ）を生み出す可能性がある。

2. 手法

理論的枠組み

本論文は、凸幾何学と確率論を用いてこの失敗モードを形式化した：

• 合成残差（$\varepsilon^\star$）： 局所的修復後の合成見積もりと、結合整合多面体（$M_\star$）との間の $L_2$ 距離として定義される。この多面体は、結合論理制約（分割、否定、論理積など）を満たすすべての確率ベクトルの集合を表す。
• 積構造の二項性（定理 3.3）： 局所的整合性が全球的整合性を導くための必要十分条件を確立する。「所有者選択型集約」（各コンポーネントが異なる座標部分集合を所有する）の下では、結合多面体が局所多面体のデカルト積として因数分解される場合（$M_\star = M_\boxtimes$）、全球的整合性が保証される。コンポーネント間を結合する制約（合計が 1 になる分割など）が存在する場合、局所的整合性だけでは不十分であり、$\varepsilon^\star > 0$ となりうる。
• 大きさの予測（系 3.9）： 期待される二乗残差は、専門家パネルの共分散と拘束条件の法線ベクトルに基づくレイリー商形式によって予測される。これにより、ルーティング前に非整合性の大きさを閉形式で予測することが可能になる。
• 曝露の上限（系 3.5）： 資産価格の基礎定理（FTAP）の下、システムレベルのダッチブック曝露は $\sqrt{m^\star} \varepsilon^\star$ によって上限付けられる。ここで $m^\star$ は結合座標の数である。

アルゴリズム的修復

• 階層的 Boyle–Dykstra 射影： 非整合な合成を確定的に修復するために、著者は循環射影アルゴリズムを提案する。これは、合成見積もりを局所多面体と結合集合（制約） onto 交互に射影し、結合整合多面体への収束まで反復する。
• 逐次監視： 時間経過に伴う合成残差のストリームを監視するための任意の時点で有効な e プロセスを導入し、事前に停止時間を固定することなく、持続的な非整合性を検出できるようにする。

実験設定

著者は、4 つの論理関係クラス（否定、論理積、論理和、分割）にまたがる 1,876 のアンサンブルクライクを評価した。

• モデル： 中 tier パネル（Claude-Haiku-4.5、GPT-5.4-mini/nano、Llama-3.3-70b）と最先端パネル（GPT-5.5、Claude-Opus-4.7、DeepSeek-V3.2 を含む）。
• ベンチマーク： Paleka（質問間一貫性）と Polymarket（分割イベント）。
• プロトコル： 専門家に質問をランダムに割り当てる方法、構造化ルーティング、プランナー裁量型ハーネス。

3. 主要な結果

実証的知見

• 非整合性の蔓延： 関係クラスに応じて、クライクの 33–94% で $\varepsilon^\star > 0$ が観測された。分割タスクが最も高い失敗率（94%）を示し、次いで否定（66%）、論理和（43%）、論理積（33%）の順であった。
• 大きさの予測： レイリー商による予測は、4 つの関係クラスのうちの 3 つで観測された残差と 7% 以内で一致した。論理積クラスは、パネル平均がフレレシュ半空間の内部に位置するため（理論が予測する領域）、わずかに過小評価（0.83 倍）された。
• 意思決定への影響： 解決された 1,770 の賭けにおいて、単純な合成は比例配分ルール下で賭けあたり +0.115 nats の後悔を生んだ。階層的 JCD 修復により、これをほぼゼロまで削減し、単一 LLM オラクルのパフォーマンスと一致させた。
• LLM 側緩和策の失敗：
  • 検索： 検索ツールで専門家を拡張しても $\varepsilon^\star$ は減少せず、30 件中 20 件で非整合性が増加した。
  • プロンプトエンジニアリング： 分割を意識したプロンプトは残差を減少させたが、53% の分割で $\varepsilon^\star > 0.05$ のまま残った。
  • アグリゲーター LLM： 整合性をアグリゲーター LLM に委譲すると平均残差は減少したが、それでも 15% の分割が 0.05 の閾値を超え、7% は単純な合成に対して後退した。
  • 最先端モデル： 最先端モデルのみのパネルであっても、$\varepsilon^\star > 0$ は分割賭けの 97.8% で持続したが、大きさは 39% 減少した。

メカニズムの検証

• 結合の可視性： 専門家に分割制約とピアの見積もりを明示的に示す実験（「INFORMED」）は、隔離されたプロンプト（「BLIND」）と比較して $\varepsilon^\star$ を大幅に減少させた。これは、失敗が専門家がコンポーネント間の制約を可視化できていないことに起因することを確認した。
• ルーティングトポロジー： 構造化ルーティング（特定のモデルを特定の関係タイプに割り当てる）は非整合性を排除しなかったが、残差の分布を変化させた。

4. 貢献

1. 失敗モードの形式化： 本論文は「局所的に整合的、全球的に非整合的」というレジームを定義・特徴付けし、結合下ではコンポーネントごとの較正がシステムレベルの整合性にとって不十分であることを証明した。
2. ランタイム証明書（$\varepsilon^\star$）： 合成出力と宣言された制約のみを必要とする、システムレベルの非整合性に対する分布フリーで計算可能な指標を導入した。
3. 理論的二項性： 局所的整合性が十分となるための正確な条件（定理 3.3）を提供し、積構造の因数分解と結合制約を区別した。
4. 構成的修復： 階層的 Boyle–Dykstra 射影が、単一の二次計画法（QP）解決のコストで $\varepsilon^\star$ を確定的に排除でき、プロンプトベースまたは LLM アグリゲーターの代替案すべてを上回ることを実証した。
5. 実証的ベンチマーク： 多面体の制限の厳しさに関する理論的予測と整合する難易度の順序（分割 > 否定 > 論理和 > 論理積）を持つ分解可能なベンチマークを確立した。

5. 意義と主張

本論文は、システムレベルの整合性は、コンポーネントごとの較正とは異なる性質であり、マルチエージェントシステムにおいて明示的に管理されなければならないと主張する。主な貢献は、個々のコンポーネントが特定できないダッチブック曝露を検出・修復できるランタイム証明書として $\varepsilon^\star$ を運用的に再構成することである。

著者は以下の点を強調する：

• プロンプトエンジニアリングと検索ではこの問題は解決できない；失敗は、隔離された確率的予測の合成に構造的に起因する。
• 幾何学的修復は、結合集合が明示的である場合、整合性を回復するために必要かつ十分である。
• この失敗はモデルの規模を超えて持続する；モデル能力の向上は、本質的に合成的非整合性を解決するものではない。

この研究は、論理的整合性が極めて重要な高リスク応用（予測、意思決定支援）において、$\varepsilon^\star$ を重要なガードレールとして位置付け、コンフォーマル予測などの既存の不確実性定量化手法を補完する確定的な解決策を提供する。