From Propositional to Perceptual Asymmetry: Extending Frictive Policy Optimization to Asymmetric Partial Information Dialogue

技術的要約：命題的非対称性から知覚的非対称性へ

問題提起
協調的な対話は、共通基盤（common ground）の構築に依存しているが、このプロセスには本質的に摩擦（不整合、誤解、および修復）が伴う。摩擦的方策最適化（Fictive Policy Optimization: FPO）は、この摩擦を堅牢なアライメントに不可欠なエピステミック・シグナル（認識論的信号）として再定義しているが、既存の実装（例：FAAF）は**命題的非対称性（propositional asymmetry）**の仮定の下で動作している。このレジームでは、参加者は同一のシーン（共有された知覚コンテキスト）を共有しているが、異なる信念に到達する。

本論文は、参加者が非対称な部分情報（例：異なる地図や視点）を保持している**知覚的非対称性（perceptual asymmetry）**にFPOを適用することの限界を特定する。このような設定では、同一の表層的表現であっても、誰の情報状態に基づいて参照が行われるかによって、異なる指示対象（denotation）を生じさせることがある。核心となる問題は、共有された知覚コンテキストを前提とする標準的なFPOの定式化では、相互作用の履歴（$h$）が参加者固有（$h^{(i)}$）であるという事実を考慮できていない点にある。その結果、全知的な摩擦の評価は、決定的な不整合を見逃したり、それらをノイズとして誤分類したりする可能性がある。

手法
著者らはFPOをパースペクティブ（視点）に基づく定式化へと拡張し、クロスコーパス分析および大規模言語モデル（LLM）によるプロービングを通じて評価を行う。

1. 理論的拡張:

   • 著者らは、摩擦関数 $F^-(h^{(i)}, y) > 0$ が、少なくとも一つの妥当な応答に対して、参加者のプライベートな情報地平（$h^{(i)}$）に照らして成立する場合、**摩擦状態（frictive state）**を再定義する。
   • $F^-$ の4つのエピステミックな失敗モード（不確実性、矛盾、ハザード、価値葛藤）を、役割別の診断へと分解する：
     • 話し手（ギバー/与える側）: 主に「価値葛藤」（生成の未規定性）および「不確実性」（コンテキスト内の曖昧性）を検出する。
     • 聞き手（フォロワー/従う側）: 主に「矛盾」（視点間の接地衝突）および「ハザード」（自信を持った誤コミットメント）を検出する。
   • この定式化は、共通基盤を単なる前提条件としてではなく、知覚的に分離された証拠を調整する能動的な構築プロセスとして扱う。

2. データセット:

   • HCRC MapTask: 主要な評価対象。著者らは2つのアノテーション層を利用している。一つは元のNXT対話行為タグであり、もう一つはGMMT（Grounded Misunderstandings in MapTask）データセットであり、これは意図されたランドマークと解釈されたランドマークを、視点ごとにアノテーションしたものである。
   • OneCommon: 異なるタスク構造（ドット選択）における参照の非対称性を観察するための、二次的なクロスコーパス比較点として使用される。

3. 実験設計:

   • コーパス分析: ランドマークの不一致タイプ（同一、語彙、存在、多重性）と、GMMTの保留サブタイプおよびアライメントの軌跡とのクロス集計を行う。
   • LLMプロービング: 3つの命令チューニング済みLLM（GPT-5, Qwen3.6, Llama-4-Scout）を、以下の3つの条件下でテストした：
     • 全知（Omniscient）: 両参加者の地図へのアクセスが可能。
     • ギバーの視点（Giver Perspective）: ギバーの地図のみへのアクセスが可能。
     • フォロワーの視点（Follower Perspective）: フォロワーの地図のみへのアクセスが可能。
   • 修復生産性評価: 「RepairScore」メトリックを用い、検出された摩擦状態が、その後の対話において実際に修復された不整合に対応しているかどうかを判定した。

主な貢献

1. パースペクティブ的摩擦状態: 話し手がフレーム内の曖昧性から摩擦を負い、聞き手が視点間の衝突から摩擦を負うという、役割別の摩擦分解を定式化した。
2. 視点限定評価の経験的検証: LLMプロービングを通じて、モデルの視点を単一の参加者のビューに制限することで、全知的なアクセスよりも参照の不整合の検出精度が向上することを実証した。
3. アノテーションの洗練: グラウンディングのアノテーション・スキームに対し、2つの具体的な洗練を提案する：
   • サブタイプの分解: 異なる失敗モードを捉えるために、保留サブタイプ（例：アングラウンデッド vs 量化的）を区別する。
   • 受容を考慮したアライメント: 明示的な交渉を通じて達成されたアライメントと、静かな受容を通じて達成されたアライメントを区別する。

結果

• 不一致依存の摩擦: 摩擦は一様ではない。異なる不一致タイプは、質的に異なるグラウンディングの失敗プロファイルを生み出す。多重性（Multiplicity）の不一致（一方の地図にはランドマークが複数存在するケース）は、不一致の大部分（発生率12.0% vs 同一ランドマークの0.2%）を占めており、「アングラウンデッド」な保留状態の高い発生率を特徴とする。
• 軌跡分析: 多重性の連鎖は、高い割合（38.9%）で非単調な状態軌跡を示す。これは、局所的にはアライメントが達成されても、その後の参照によって曖昧さが再導入されることで、グローバルには減衰していくことを意味する。これは、成功しているように見えて実は静かに乖離していく軌跡である「ハザード」の構成要素を裏付けている。
• LLMプロービングの性能:
  • 視点の優位性: 全てのモデルにおいて、ギバーの視点条件は、摩擦の検出において全知条件を大幅に上回った（F1値の差は+0.47から+0.69）。
  • 全知の失敗: 全知モデルはしばしば不整合の検出に失敗し、クロス・マップの矛盾をノイズとして扱ったり、共有されたエンティティが存在することからデフォルトで「はい（アライメントあり）」と判断したりした。視点を単一の参加者に制限することで、構造的に関連する情報のサブセットが浮き彫りになり、検出精度が向上した。
  • 修復の生産性: パースペクティブ的定式化は、テストセット内の13件のゴールドスタンダードの修復イベントをすべて特定したが、全知のベースラインはいくつかを逃した。これは、パースペクティブ的シグナルが単に検出可能であるだけでなく、**修復に寄与する（repair-productive）**ものであることを裏付けている。
• 受容 vs 交渉: 静かな受容（摩擦なしに解釈を切り替えること）は稀であった（アライメントされたREの0.2%）。支配的なパターンは交渉によるアライメントであり、これは参加者が解釈の変化に伴って摩擦を効果的に展開していることを示唆している。しかし、ボトルネックは対話の連鎖全体を通じて再浮上する構造的な曖昧さを追跡することにある。

意義と主張
本論文は、協調的な対話は、より大きなコンテキストウィンドウやより強力なモデルによって解決できる単なる「共有コンテキストの問題」ではないと主張している。むしろ、エージェントがプライベートな情報を保持して調整を行う場合、摩擦は彼らの情報地平の「隙間」に存在する。

著者らは、**「より多くのコンテキストはシグナルを不明瞭にする可能性がある」**と論じている。両参加者の視点へのアクセス（全知）を持つことは、非対称な知識を過小評価させ、決定的な不整合を見逃す原因となり得る。単一の視点から推論する「より小さな」パースペクティブ・モデルは、フロントランナーの「全知」モデルよりも、不整合の検出において優れた性能を発揮する。

本研究は、FPOの摩擦関数は、各参加者の情報地平の中から評価される場合にのみ経験的に有効であることを確立した。これは、不整合はカバレッジの問題であるというエージェント設計におけるデフォルトの仮定に異を唱え、効果的なアライメントには、全ての視点を同時に俯瞰することではなく、一つの視点から推論することが必要であると提案している。結論として、マルチエージェント・システムや人間とAIのチーム形成において、摩擦を考慮したシステムは、特定のプライベートな情報状態から推論するように設計されなければならない。