エピステミック・コンプレッション：高リスクAIにおける意図的な不知のために

要旨: 基盤モデルは安定した環境では優れた性能を発揮しますが、信頼性が最も重要となる領域——医療、金融、政策——ではしばしば機能しません。この忠実度パラドックスは単なるデータの問題ではなく、構造的な問題です。ルールが時間とともに変化する領域では、モデルの追加的な容量は、シグナルを捉えるというよりはノイズを増幅します。我々は、エピステミック・コンプレッションを提案します。これは、頑健性がパラメータをスケーリングすることから生まれるのではなく、モデルの複雑さをデータの保存期間（有効期間）に合わせることで生まれる、という原理です。事後的に重みを罰する従来の正則化とは異なり、エピステミック・コンプレッションはアーキテクチャを通じて倹約性（パースル／parsimony）を強制します。すなわち、モデル構造そのものが、データ中の証拠を超えて変動（分散）を表現することを建築学的に困難にすることで、過学習を抑えるよう設計されます。これを実装するために、レジーム指数（Regime Index）を導入します。これは、変化するレジーム（Shifting Regime：不安定でデータが乏しい——単純さが勝つ）と、安定したレジーム（Stable Regime：不変でデータが豊富——複雑さが成立する）を分けます。高リスクな15の領域に関する探索的統合では、この指数は、経験的に優れたモデリング戦略と86.7%の場合（13/15）で一致しました。高リスクAIは、単にスケールすることのためのスケーリングから、原理に基づく倹約性へと転換を必要とします。