生成的な拡張推論（Generative Augmented Inference）

arXiv cs.LG / 2026/4/17

📰 ニュースModels & Research

共有:

要点

この論文では、Generative Augmented Inference（GAI）という枠組みを提案し、LLMが生成した出力を高コストな人手ラベルの代わりではなく特徴量として用いて、対象アウトカムを推定する方法を示します。
従来の「AI予測を真のラベルの直接的な代理として扱う」手法と異なり、GAIは、AI出力と人手ラベルの関係が弱い・複雑・あるいはモデル化を誤っている場合でも信頼性を保てることを狙っています。
直交モーメント構成（orthogonal moment construction）により、LLMシグナルと人手ラベルの関係を非パラメトリックに柔軟化しても、一貫した推定と妥当な推論を可能にすると述べています。
著者らは漸近正規性を証明し、「セーフ・デフォルト」特性として、人手データのみのベースラインに対してGAIが悪化しない一方、補助情報が予測的なら効率が改善することを示します。
合同分析（conjoint analysis）、小売の価格設定、健康保険の選択などの実験では、意思決定精度や信頼区間のカバレッジを維持しつつ、人手ラベルの削減（例：合同分析で誤差約50%減、ラベル75%以上削減、健康保険で90%以上削減）を大きく達成することが報告されています。

Abstract

データ駆動型のオペレーションズ・マネジメントは、しばしばコストのかかる人手によるラベルから推定されたパラメータに依存します。近年の大規模言語モデル（LLM）やその他のAIシステムの進歩は、安価な補助データを提供しますが、次の新たな課題も導入します。すなわち、AIの出力は目標とする成果の直接の観測ではなく、人手によるラベルとの間に複雑で未知の関係を持つ高次元の表現を含む可能性がある、という課題です。従来の手法では、AIの予測を真のラベルの直接の代理変数（プロキシ）として活用しますが、この関係が弱い、または誤って特定（ミススペック）されている場合には、非効率あるいは信頼性の低下につながります。本研究では、生成的拡張推論（Generative Augmented Inference: GAI）を提案します。これは、AIによって生成された出力を、人手でラベル付けされた成果を推定するための情報的な特徴として組み込む、一般的な枠組みです。GAIは直交モーメント構成を用いることで、LLM生成出力と人手ラベルの関係に柔軟な非パラメトリックな設定を許しつつ、整合的な推定と妥当な推論を可能にします。さらに、漸近正規性を示し、「安全なデフォルト」特性も明らかにします。すなわち、人間データのみの推定器と比べてGAIは、任意の補助信号のもとで推定効率を弱い意味で向上させ、補助情報が予測的である場合には常に厳密な改善をもたらします。実証的には、GAIは多様な状況におけるベンチマークを上回ります。弱い補助信号を用いたコンジョイント分析では、GAIは推定誤差を約50%低減し、人手によるラベル付けの必要量を75%以上削減します。小売価格設定では、すべての手法が同じ補助入力にアクセスするにもかかわらず、GAIは代替推定器を一貫して上回り、情報の違いではなく、その構成の価値を示します。健康保険の選択においては、意思決定の精度を維持しながら、ラベル付けの必要量を90%以上削減します。さまざまな応用にわたってGAIは、幅を増やすことなく信頼区間のカバレッジを改善します。総じてGAIは、AI生成情報を統合するための、原理に基づきかつスケーラブルなアプローチを提供します。