プレプリント / バージョン2

AI to Learn（AI2L）：ブラックボックスを残さない人間中心 AI 利用ガイドラインと，シンボリック回帰による経験法則発見の実証

##article.authors##

DOI:

https://doi.org/10.51094/jxiv.1435

キーワード:

AI to Learn (AI2L)、 Model Transparency (Black‑Box Elimination)、 Accountability、 Information Protection and Privacy、 Green AI (Energy Efficiency and Sustainability)

抄録

近年の生成 AI，とくに大規模言語モデル（LLM）は，研究・教育・医療など多様な分野に急速に浸透している。一方で，モデル内部がブラックボックスであること，入力データからの情報漏えいリスク，自動生成された出力の説明責任の欠如，大規模モデルの学習・運用に伴うエネルギー消費と環境負荷といった問題も顕在化している。本研究では，AI をあくまで「学びの支援」に限定し，最終成果物からブラックボックス成分を排除するための枠組みとして AI to Learn（AI2L）を再定義・拡張する。AI2L は，(1) 最終決定権は人間が保持すること，(2) 成果物に残る要素はすべて人が説明・監査可能であること，(3) 情報漏えいリスクを最小化すること，(4) Green AI の観点からエネルギー効率と持続可能性を重視すること，という 4 本柱から成る。本稿では，これらを日常的な LLM 利用に適用できる運用チェックリストとして具体化したうえで，シンボリック回帰を用いた実験的検証を行う。ケプラー第 3 法則と Q10 則に従うダミーデータを用い，線形回帰・多項式回帰・ランダムフォレストと比較した結果，学習範囲内ではいずれのモデルも高精度であるが，真の関数形を再発見し広い外挿範囲でも正しく予測できたのはシンボリック回帰のみであった。さらに，Grad-CAM によるチタン板研磨不良部位の可視化，教室座席表の自動生成コードとその人間中心的な運用，可逆的匿名化による安全な LLM 活用といったケーススタディを AI2L の観点から整理する。これらを通じて，AI2L がブラックボックス依存を避けつつ，人間の理解と責任を中心に据えた AI 利用の実践的枠組みであることを示す。

利益相反に関する開示

利益相反（COI）の開示：本研究（本発表）に関連して開示すべき利益相反はありません。

ダウンロード *前日までの集計結果を表示します

ダウンロード実績データは、公開の翌日以降に作成されます。

著者の経歴

新谷正嶺、中部大学　生命健康科学部　生命医科学科　/　AI数理データサイエンスセンター

経歴（Career）

  • 2024年4月 – 現在　中部大学 生命健康科学部 生命医科学科　准教授

  • 2022年6月 – 現在　名古屋大学 高等研究院　客員研究員

  • 2021年12月 – 現在　中部大学 AI 数理データサイエンスセンター　兼任

  • 2022年4月 – 2024年3月　中部大学 生命健康科学部 生命医科学科　講師

  • 2017年11月 – 2022年3月　中部大学 生命健康科学部 生命医科学科　助教

  • 2015年4月 – 2017年10月　東京大学 理学系研究科 物理学専攻　日本学術振興会特別研究員（PD）

  • 2012年11月 – 2015年3月　早稲田大学 理工学術院　助手　(博士後期課程在籍時)

    学歴（Education）

  • 2012年4月 – 2015年3月　早稲田大学 大学院 先進理工学研究科　物理学及応用物理学専攻　博士後期課程（博士 〈理学〉）

  • 2010年4月 – 2012年3月　早稲田大学 大学院 先進理工学研究科　物理学及応用物理学専攻　修士課程（修士 〈理学〉）

  • 2006年4月 – 2010年3月　早稲田大学 理工学部 応用物理学科　（学士 〈工学〉）

引用文献

R. Bommasani, D. A. Hudson, E. Adeli, et al., “On the Opportunities and Risks of

Foundation Models,” arXiv preprint arXiv:2108.07258, 2021. doi: https://doi.org/10.48550/arXiv.2108.07258

OpenAI, “GPT-4 Technical Report,” arXiv preprint arXiv:2303.08774, 2023. doi: https://doi.org/10.48550/arXiv.2303.08774

N. Carlini, F. Tramèr, E. Wallace, et al., “Extracting Training Data from Large Language

Models,” in Proc. 30th USENIX Security Symp., 2021, pp. 2633–2650. doi: https://doi.org/10.48550/arXiv.2012.07805

E. M. Bender, T. Gebru, A. McMillan-Major, and S. Shmitchell, “On the Dangers of

Stochastic Parrots: Can Language Models Be Too Big?” in Proc. ACM Conf. Fairness,

Accountability, and Transparency (FAccT), 2021, pp. 610–623. doi: https://doi.org/10.1145/3442188.3445922

E. Strubell, A. Ganesh, and A. McCallum, “Energy and Policy Considerations for Deep

Learning in NLP,” in Proc. 57th Annu. Meeting Assoc. Comput. Ling. (ACL), 2019,

pp. 3645–3650. doi: https://doi.org/10.18653/v1/P19‑1355

R. Schwartz, J. Dodge, N. Smith, and O. Etzioni, “Green AI,” Communications of the

ACM, vol. 63, no. 12, pp. 54–63, 2020. doi: https://doi.org/10.1145/3381831

T. Kuru, “Lawfulness of the Mass Processing of Publicly Accessible Online Data to Train

Large Language Models,” International Data Privacy Law, Oct. 2024. doi: https://doi.org/10.1093/idpl/ipae013

R. R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, and D. Batra, “Grad-

CAM: Visual Explanations from Deep Networks via Gradient-Based Localization,” in

Proc. IEEE Int. Conf. Computer Vision (ICCV), 2017, pp. 618–626. doi: https://doi.org/10.1109/ICCV.2017.74

S. M. Lundberg and S.-I. Lee, “A Unified Approach to Interpreting Model Predictions,”

in Advances in Neural Information Processing Systems 30 (NeurIPS), 2017, pp. 4765–

doi: https://doi.org/10.48550/arXiv.1705.07874

C. Rudin, “Stop Explaining Black Box Machine Learning Models for High-Stakes Decisions

and Use Interpretable Models Instead,” Nature Machine Intelligence, vol. 1, no. 5,

pp. 206–215, 2019. doi: https://doi.org/10.1038/s42256‑019‑0048‑x

K. Vafa, P. G. Chang, A. Rambachan, and S. Mullainathan, “What Has a Foundation

Model Found? Using Inductive Bias to Probe for World Models,” in Proc. 42nd

Int. Conf. Machine Learning (ICML), PMLR 267, pp. 60727–60747, 2025. See also

arXiv:2507.06952. doi: https://doi.org/10.48550/arXiv.2507.06952

M. Schmidt and H. Lipson, “Distilling Free-Form Natural Laws from Experimental

Data,” Science, vol. 324, no. 5923, pp. 81–85, Apr. 2009. doi: https://doi.org/10.1126/science.1165893

S.-M. Udrescu and M. Tegmark, “AI Feynman: A Physics-Inspired Method for Symbolic

Regression,” Science Advances, vol. 6, no. 16, eaay2631, Apr. 2020. doi: https://doi.org/10.1126/sciadv.aay2631

S. A. Shintani, “Hyperthermal Sarcomeric Oscillations Generated inWarmed Cardiomyocytes

Control Amplitudes with Chaotic Properties While Keeping Cycles Constant,”

Biochem. Biophys. Res. Commun., vol. 611, pp. 8–13, 2022. doi: https://doi.org/10.1016/j.bbrc.2022.07.067

S. A. Shintani, “Chaordic Homeodynamics: The Periodic Chaos Phenomenon Observed

at the Sarcomere Level and its Physiological Significance,” Biochem. Biophys. Res. Commun.,

vol. 760, 151712, 2025. doi: https://doi.org/10.1016/j.bbrc.2025.151712

S. Amershi, M. Cakmak, W. B. Knox, and T. Kulesza, “Power to the People: The Role

of Humans in Interactive Machine Learning,” AI Magazine, vol. 35, no. 4, pp. 105–120,

doi: https://doi.org/10.1609/aimag.v35i4.2513

E. Tabassi, “Artificial Intelligence Risk Management Framework (AI RMF) 1.0,” National

Institute of Standards and Technology, Gaithersburg, MD, USA, NIST AI 100-1,

Jan. 2023. doi: https://doi.org/10.6028/NIST.AI.100-1

S. A. Shintani, K. Oyama, N. Fukuda, and S. Ishiwata, “High-Frequency Sarcomeric

Auto-Oscillations Induced by Heating in Living Neonatal Cardiomyocytes of the Rat,”

Biochem. Biophys. Res. Commun., vol. 457, no. 2, pp. 165–170, 2015. doi: https://doi.org/10.1016/j.bbrc.2014.12.077

S. A. Shintani, T. Washio, and H. Higuchi, “Mechanism of Contraction Rhythm Homeostasis

for Hyperthermal Sarcomeric Oscillations of Neonatal Cardiomyocytes,” Scientific

Reports, vol. 10, 20468, 2020. doi: https://doi.org/10.1038/s41598-020-77443-x

L. Sweeney, “k-Anonymity: A Model for Protecting Privacy,” Int. J. Uncertainty, Fuzziness

and Knowledge-Based Systems, vol. 10, no. 5, pp. 557–570, 2002. doi: https://doi.org/10.1142/S02184885020016

ダウンロード

公開済


投稿日時: 2025-08-07 23:10:44 UTC

公開日時: 2025-08-15 09:16:45 UTC — 2025-12-12 07:44:07 UTCに更新

バージョン

改版理由

本改訂（v2）では、AI2L（AI to Learn）概念の位置づけをより明確にするため、以下の点を大幅に拡充した。 １．シンボリック回帰による経験法則発見の実証実験を新たに追加した。ケプラー第 3 法則と Q10 則を題材とし、線形回帰・多項式回帰・ランダムフォレストとシンボリック回帰を比較することで、「学習範囲内の高精度予測」と「真の法則の発見・外挿性能」が本質的に異なることを定量的に示した。 ２．これらの実験結果を踏まえ、AI2L が「単なるカーブフィッティングではなく、法則探索を志向する枠組み」であることを明示した。 ３．AI2L の 4 本柱（ブラックボックス排除・アカウンタビリティ・情報保護・Green AI）を日常利用向けの運用チェックリストに落とし込んだ。 ４．既存のケーススタディ（Grad-CAM によるチタン板研磨評価、座席表自動作成コード、可逆的匿名化プロトコル）の記述を再構成し、AI2L の観点から整理し直した。 ５．Vafa et al.（ICML 2025）の引用情報を更新するなど、文献の正確性を向上させた。
研究分野
情報科学

ライセンス

Copyright（c）2025 新谷正嶺

Creative Commons License

この作品は、Creative Commons Attribution 4.0 International Licenseの下でライセンスされています。