対話エージェントにおける因果的保持：インターフェース分解と選択的適応

- 対話型エージェントにおける causal retention を研究。 - 凍結された学習済み状態が、訓練とは独立に固定された mechanism-probe map に答えられるかを問う。 - probe は action, context, direct target, value, delay を含む。 - 有限の structural causal model クラスでは最適 probe error は Bayes decision risk となる。 - これが消える条件を learning-interface fiber と probe-answer fiber の関係で特徴づける。 - Causal Core を提案し、evidence-gated writing 等で実装。 - 有限因果系、連続シミュレータ、TD-MPC2、Qwen2.5-7B-Instruct で実験。

- 従来はタスク性能や source-domain decodability が重視されがち。 - 本研究は causal retention がタスク十分性や source-domain decodability とは別物であると主張。 - 凍結 Qwen の last-layer probe は source mechanisms で 0.958 balanced accuracy だが、changed delays では 0.583 に低下。 - 一方 gated mechanism state は 1.000 を達成し、synchronized-readout candidates の 0.056 のみ受け入れる。 - TD-MPC2 では 5 target states per actuator で effect-sign accuracy を 0.057 から 0.948 に改善し、stable responses を劣化させない。 - これらにより、単なるタスク性能や source での復号性では捉えられない因果的保持を評価・実現できる点が新しい。

- 有限 structural causal model クラスに対し、最適 probe error を Bayes decision risk として定式化。 - これが消えるのは、すべての learning-interface fiber が一つの probe-answer fiber に含まれる場合。 - その interface の post-processing で得られる状態も同じ下界を継承。 - posterior-coverage theorem で budgeted retesting を特徴づけ。 - exact edit decomposition により、shifted set が error-free target update の唯一の support であることを示す。 - Causal Core は evidence-gated writing, readout filtering, temporal credit, hidden-context setup, local diagnostic updates で実装。

- 有限因果システム、連続シミュレータ、公式 TD-MPC2 world model、Qwen2.5-7B-Instruct で実験。 - 凍結 Qwen last-layer probe は source mechanisms で 0.958 balanced accuracy、changed delays で 0.583。 - gated mechanism state は 1.000 を達成し、synchronized-readout candidates の 0.056 のみ受け入れる。 - TD-MPC2 では 5 target states per actuator で effect-sign accuracy を 0.057 から 0.948 に改善。 - stable responses の劣化はなし。

- causal retention は task sufficiency や source-domain decodability とは異なる概念であると議論。 - 凍結状態が mechanism-probe map に答える能力を評価する枠組みを提供。 - 限界や今後の課題については要旨からは不明。

- 要旨で参照/比較されている研究: TD-MPC2, Qwen2.5-7B-Instruct。 - 関連手法: structural causal model, Bayes decision risk, posterior-coverage theorem, exact edit decomposition, Causal Core。 - 同分野の定番: causal inference, world models, reinforcement learning, mechanism probing。