Constructed Reality, Contested Priors: Decoupling and the Architecture of Cognitive Relapse Under the Free Energy Principle

技術要約：構築された現実、抗争する事前分布

問題提起
自由エネルギー原理（FEP）の下では、予測システムは現実を直接観察するのではなく、自身の生成モデルによる現在の最善の仮説を経験する。これは、生命システムにおける極めて重要な、かつ検証不可能な問いを提起する。すなわち、「合成された環境が、システムのデフォルトの生成事前分布としてベースラインの環境を恒久的に置換できるほど、十分な内部一貫性を持って構築され得るか？」という問いである。本論文はこの状態を**存在論的反転（ontological inversion）**と定義する。

生物学的神経系においてこれを直接テストすることは、倫理的および技術的に不可能である。したがって、本論文はプロキシ（代理）システムを用いて、この根底にある計算論的問題を調査する。核心となる理論的課題は、あるシステムが新しい環境を単なる一つの「仮説」として表現するだけでなく、それを「真実（ground truth）」（デフォルトの状態）として扱うように誘導できるかどうかを判断すること、および、その採用を妨げる構造的な失敗モードを理解することである。

方法論
本研究は、畳み込み変分オートエンコーダ（VAE）と再帰的潜在予測器（GRU）を組み合わせたV+Mモデルという計算プロキシを用いる。

• 数学的対応： VAEは証拠下界（ELBO）を最小化するように訓練されるが、これはFEPで定義される変分自由エネルギーと（符号を除いて）数学的に同一である。したがって、この訓練プロセスは自由エネルギーのシミュレーションではなく、自由エネルギーの直接的な最小化である。
• 環境：
  • $I_0$ (ベースライン)： MNISTデータセット。
  • $I_s$ (ターゲット)： FashionMNISTデータセット。
• 訓練プロトコル：
  1. ステージ1： 強固なベースライン事前分布を確立するために、モデルを$I_0$（MNIST）のみで事前学習させる。
  2. ステージ2 (リハーサル)： $I_0$と$I_s$の混合ストリーム上で訓練を継続する。**リハーサル比率（$r$）**は、各バッチに含まれる$I_0$データの割合を制御する（$r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$）。
• 主要指標：
  • $w_{proxy}$ (表現容量)： 実入力からの潜在ベクトルを分類する線形プローブの精度。これは、システムが環境を区別する能力を測定する。
  • $dmn_{proxy}$ (デフォルトの挙動)： システムの制約のない自己生成的な出力（フリーランニング状態のGRUロールアウト）が、ターゲット環境（$I_s$）に類似している確率。これは、外部入力によって制約されていないときに、システムが何にデフォルトとして依存するかを測定する。
  • $F_{proxy}$： ELBO。現在の混合データに対する生成適合度を測定する。

主要な貢献と理論的枠組み
本論文は、学習（表現容量）と受容（デフォルト状態の採用）を区別するフレームワークを導入する。また、存在論的反転に関する2つの具体的な失敗モードを提案する。

1. デカップリング（分離）： システムが新しい環境に対してほぼ完璧な表現精度（$w_{proxy}$）を達成しながらも、そのデフォルトの挙動（$dmn_{proxy}$）は依然としてベースラインに支配されているという仮説。
2. 認知的リラプス（認知的回帰）： システムがターゲットに向けてデフォルトの挙動をシフトさせたとしても、ベースラインへの継続的な曝露（同時的な対照）により、システムが新しいデフォルトへと安定するのではなく、ベースラインへと部分的に逆行するという仮説。

本論文は、認知的硬直性を単なる更新速度（遅い学習）としてではなく、二つの独立した軸（デカップリングによるデフォルト状態の捕捉の天井、および、達成されたシフトが不安定になる境界としてのリラプス）を持つ構造的特性として再定義する。

結果
90回の実験実行（15個のシード × 6つの比率）を通じて、本研究は主に3つの知見を得た。

1. 学習と受容のデカップリング：

   • 表現精度（$w_{proxy}$）は、$r=1.0$（ステージ2中にターゲット環境を一度も見ていない条件）を含むすべての条件下で、天井に近い値（0.97–0.998）を維持した。
   • デフォルトの挙動（$dmn_{proxy}$）は、$r=1.0$での0.011から$r=0.0$での0.999まで劇的に変化した。
   • 結論： 高い表現容量は、存在論的反転のために必要条件ではあるが、十分条件ではない。システムは新しい現実を完璧に識別できても、それをデフォルトとして採用しないままの状態であり得る。

2. 認知的リラプス（オーバーシュートと回帰）：

   • 中間的な比率（$r=0.2$から$0.5$）において、システムのデフォルトの挙動は当初、ターゲット環境へとシフトし、しばしば天井に近い値（$dmn_{proxy} \approx 1.0$）に達した。
   • しかし、同一の混合条件下での訓練が継続されるにつれ、デフォルトの挙動はベースラインへと部分的に回帰した。
   • この回帰の大きさは、リハーサル比率$r$に応じてスケールした。$r=0.4$および$r=0.5$において、システムは明確な「上昇、ピーク、下降」の軌跡を示した。これは、硬直性を単なる「遅い学習」とみなすモデル（単調で緩やかな上昇を予測する）とは矛盾するものである。

3. 閾値効果：

   • $r=0.5$において、大多数のシード（15個中8個）が15エポックの窓内でデフォルト捕捉の0.90の閾値を越えることに失敗しており、結果の分散が急激に増大した。これは、システムのダイナミクスにおける分岐点が存在することを示唆している。
   • $r=1.0$ではシフトが発生せず、ターゲットへの曝露がない限り、ベースラインの事前分布が支配的であることを確認した。

主張の意義と範囲
本論文は、自らの貢献を生物学的妥当性の検証ではなく、計算論的な存在証明として明示的に位置づけている。

• 実証していること： 第一原理（自由エネルギー最小化）から導出されたメカニズムが、特定のアーキテクチャの仮定とは独立して、デカップリング（高い表現、低い受容）およびリラプス（一時的な採用とその後の回帰）という構造的特性として振る舞い得ることを証明している。
• 主張していないこと： 本論文は、人間の生物学的神経系、主観的体験、あるいはデフォルト・モード・ネットワークについていかなる主張も行っていない。「認知的リラプス」や「存在論的反転」という用語は、人工ネットワークで観察された曲線の形状に対するラベルとして厳密に使用されている。
• 限界： 結果は15エポックの期間に限定されており（これを超えた長期的な安定性は不明）、また「同時的な対照（concurrent contrast）」の操作化が粗い（固定されたバッチ比率）こと、および、競合する現実を反映しているとは限らない高度に分離されたデータセット（MNIST vs. FashionMNIST）に依存している。

結論
本研究は、モデルの置換に対する抵抗が、単なる学習速度の関数ではないことを確立した。むしろ、それは表現容量とデフォルトの生成挙動が解離し得ること、そして、元の事前分布への継続的な部分的曝露の下では、達成されたデフォルト挙動のシフトが不安定になり得るという、構造的な現象である。これにより、生成システムが構築された現実をデフォルトとして採用できる（あるいはできない）条件を理解するための、形式的でテスト可能なフレームワークが提供される。