SYN-DIGITS: キャリブレーション済みデジタルツインシミュレーションのための合成制御フレームワーク

Abstract

AIベースのパーソナシミュレーション――しばしばデジタルツイン・シミュレーションと呼ばれます――は、市場調査、レコメンダシステム、そして社会科学においてますます利用されるようになっています。柔軟性があるにもかかわらず、大規模言語モデル（LLM）は、現実の人間の振る舞いに対して系統的なバイアスやミスキャリブレーションを示すことが多く、その信頼性が制限されています。因果推論における合成コントロール法（synthetic control methods）に着想を得て、我々は SYN-DIGITS（SYNthetic Control Framework for Calibrated DIGItal Twin Simulation）を提案します。これは、デジタルツインの応答から潜在構造を学習し、それを転送することで、人間のグラウンドトゥルースに予測を整合させる、原理に基づく軽量なキャリブレーション枠組みです。SYN-DIGITS は、あらゆる LLM ベースのシミュレータの上に重ねるポストプロセッシング層として動作するため、モデルに依存しません。我々は、潜在空間整合条件を通じて、キャリブレーションがいつ、なぜ成功するのかを形式化する潜在因子モデルを開発し、さらに 13 種類のパーソナ構成、3 種類の LLM、2 つのデータセットにわたって 10 のキャリブレーション手法を体系的に評価します。SYN-DIGITS は、これまで見たことのない質問や観測されていない母集団に対して、個体レベルおよび分布レベルの両方のシミュレーションをサポートし、証明可能な誤差保証を提供します。実験の結果、SYN-DIGITS は、キャリブレーションなしのベースラインと比較して、個体レベルの相関で最大 50% の相対的改善、分布レベルの不一致で 50--90% の相対的低減を達成することが示されました。