文献情報からベイズモデルの事前分布を自動構築するエージェント型ツール Distribird──幻覚抑制とローカル実行を両立

論文概要

プロセスベースモデルのベイズ較正において、パラメータの事前分布設計は長年のボトルネックであった。専門知識と手作業による文献調査の負荷が高いため、実務では無情報事前分布（一様分布）が使われがちである。本論文では、パラメータ名や物理的説明、ドメインコンテキストを入力として、文献検索・重み付け・AICモデル選択による確率分布フィッティングを自動化するエージェント型Webアプリケーション「Distribird」を提案する。10の科学ドメインにおける24のパラメータを対象とした評価により、オープンウェイトモデル（Qwen3.6 27B、Gemma 4 31B、Mistral Small 4 119B）を用いたパイプラインが、単一プロンプトベースラインと同等の事前分布精度を達成しつつ、信頼性の低いリクエストに対しては根拠のない分布を出力しない安全性を実証した。

関連研究

従来、ベイズ較正のための事前分布構築は、研究者が手動で過去の文献を探索し、専門知見に基づいて決定するのが主流であった。近年のLLMの発展により自動化の試みが見られるものの、ハルシネーション（もっともらしいが誤った情報生成）のリスクや、機密性の高いモデリング詳細が外部APIへ送信されるプライバシー上の懸念が存在していた。本研究は、マルチエージェントパイプラインとローカル実行、および厳格な妥当性検証レイヤーを組み合わせることで、これらの課題に直接アプローチしている。

新規性と貢献

本研究の主要な貢献は以下の3点である。第一に、文献の探索からAICモデル選択による分布フィッティングまでを自律的に行うマルチエージェントシステムの構築。第二に、スコープ外のリクエストに対して自信過剰な誤出力を防ぐ妥当性検証レイヤーの実装（単一プロンプトベースラインでは30ケース中11ケースで根拠のない事前分布が出力されたのに対し、Distribirdは拒否を明確に報告）。第三に、言語モデルの推論をローカル環境で完結させ、検索用語のみを公開データベースに送信するプライバシーファーストな設計である。

提案手法の詳細

DistribirdはLangGraphを基盤としたマルチエージェントパイプラインを採用している。パラメータの物理的説明とドメイン文脈を受け取ったシステムは、文献データベースから関連論文を探索し、ドメインの関連性に基づいて数値を抽出・重み付けする。その後、AIC（赤池情報量基準）を用いたモデル選択により最適な確率分布をフィッティングする。文献が存在しない場合は無情報な代替分布へフォールバックし、生成されたすべての事前分布について根拠となった論文や値、信頼度を明示的にトレーサビリティとして出力する。

評価・考察

10の科学ドメインにおける24のパラメータを用いて、3つのオープンウェイトモデル（Qwen3.6 27B、Gemma 4 31B、Mistral Small 4 119B）と単一プロンプトベースラインの比較評価を行った。事前分布の品質において、フルパイプラインはベースラインと一致する精度を示した。

特に重要な点として、対象外のリクエストに対する安全性評価において、単一プロンプトベースラインが30ケース中11ケースで根拠のない事前分布を生成したのに対し、Distribirdのビルトイン妥当性レイヤーは処理を適切に拒否した。また、すべてのLLM呼び出しがローカルで実行されるため、未公開のモデリング詳細が外部プロバイダに漏洩しないことが確認されている。

応用例と今後の展望

物理的に解釈可能なパラメータを持つモデルや、公開文献にドメイン知見が存在する分野での活用が期待される。特に製造業のプロセスモデリングや医薬品開発のシミュレーション分野において、ベイズ較正の工数を大幅に削減しつつ信頼性を担保する実務インパクトが見込まれる。今後の課題として、より多様なドメインへの適用範囲の拡大や、検索精度のさらなる向上が挙げられる。

結論

本論文では、文献情報に基づくベイズモデルの事前分布自動構築システム Distribird を提案した。単一プロンプト手法と同等の精度を維持しながら、ハルシネーションの排除と完全なローカル実行によるプライバシー保護を両立しており、科学的モデリングにおける実用的なツールとしての有効性が示された。

注釈

• ベイズモデル較正: 観測データに基づいてシミュレーションモデルなどのパラメータの確率分布を更新・推定する手法。
• AICモデル選択: 統計モデルの良さを評価するための基準であり、過剰適合を避けつつ最適な分布形状を選ぶために用いられる。