CAMO：LLMエージェント・シミュレーションにおけるミクロ行動からマクロ的創発までを自動因果発見するエージェント的フレームワーク

要旨: LLMによって強化されたエージェント・シミュレーションは、社会的な創発を研究するためにますます用いられているが、マクロ的な結果の背後にあるミクロからマクロへの因果メカニズムはしばしば不明なままである。これは、創発が、複雑に絡み合ったエージェント間の相互作用と、メソレベルのフィードバックおよび非線形性から生じるためであり、生成メカニズムを切り分けることが難しい。そこで本研究では、LLMエージェント・シミュレーションにおける extbf{M}icr extbf{o} の行動から extbf{M}acr extbf{o} の創発へ、 extbf{ extsc{CAMO}} という自動化された extbf{Ca}usal発見フレームワークを導入する。 extsc{CAMO} は、メカニズム仮説を、シミュレーション記録に裏付けられた計算可能な要因へと変換し、創発的なターゲット Y を中心としたコンパクトな因果表現を学習する。 extsc{CAMO} は、計算可能なマルコフ境界と最小の上流説明サブグラフを出力し、解釈可能な因果チェーンと実行可能な介入のレバーを得られるようにする。また、曖昧なエッジを方向づけ、証拠が現在の見方と矛盾する場合には仮説を修正するために、シミュレータ内部の反実仮想（カウンターファクト）探索を用いる。4つの創発設定にわたる実験により、 extsc{CAMO} の有望性が示される。