Analytica：頑健でスケーラブルなLLM駆動分析のためのソフト命題推論

要旨: 大規模言語モデル（LLM）エージェントは、複雑な現実世界の分析（例：金融予測、科学的発見）を担うことがますます増えていますが、その推論は確率的な不安定性に悩まされ、検証可能で、かつ合成可能な構造を欠いています。これに対処するため、私たちは新しいエージェントアーキテクチャであるAnalyticaを導入します。Analyticaはソフト命題推論（Soft Propositional Reasoning: SPR）の原理に基づいて構築されています。SPRは、複雑な分析を、異なる結果命題に対する「ソフトな真値」を推定するための構造化されたプロセスとして捉え直します。これにより、推定誤差を、そのバイアスと分散の観点で形式的にモデル化し、最小化することが可能になります。Analyticaは、両方の誤差源を体系的に同時に低減する並列・分割統治（divide-and-conquer）フレームワークによって、この考え方を実装します。バイアスを低減するために、まず問題をサブ命題の木（ツリー）へ分解し、ツールを備えたLLMグウンダー（grounder）エージェントを用います。これには、データ駆動型の分析のための新しいJupyter Notebookエージェントが含まれ、事実の検証とスコアリングを助けます。分散を低減するために、Analyticaはこれらの「根拠づけられた」葉（leaves）を再帰的に統合し、頑健な線形モデルを用いて確率的ノイズを平均化します。その結果、優れた効率と拡張性が得られ、対話的な「what-if」シナリオ分析も可能になります。経済・金融・政治の予測タスクに関する理論的および実証的な結果は、Analyticaが多様なベースモデルに対して平均で15.84%精度を向上させること、さらにDeep Researchグウンダーを用いた場合において、分散が最も小さい6.02%で71.06%の精度を達成することを示しています。私たちのJupyter Notebookグウンダーは、90.35%少ないコストと52.85%少ない時間で、ほぼ70.11%の精度を達成するという高い費用対効果を示します。加えてAnalyticaは、分析の深さが増すにつれて、ほぼ線形の時間計算量とともに、高いノイズ耐性があり安定した性能の成長を示し、さらにオープンウェイトLLMや科学分野への適応性も良好です。