再帰的推論システムは、新しい証拠を獲得し、蓄積された理解を洗練することを交互に行う知的な枠組みであり、エージェントループ、木構造推論、定理証明、継続学習など、人工知能の多様な領域で活用されている。しかし、その実装においては、進化する推論状態をどのように表現するか、そして反復をいつ停止するかという二つの設計選択が暗黙のまま残されていることが多い。本論文は、これらの問題に明示的に取り組み、認識状態グラフを用いた状態表現と、順序ギャップに基づく停止基準を提案する。
研究者らは、推論状態を「認識状態グラフ」として表現する。このグラフは、外部情報から抽出された主張、主張間の証拠関係、未解決の質問、および各情報の信頼重みを符号化する。この表現により、システムは推論プロセスの重要な要素を動的に追跡し、それらの相互作用を捉えることができる。さらに、「順序ギャップ」という概念を定義する。これは、「拡張してから統合する」戦略と「統合してから拡張する」戦略で到達する状態間の距離である。順序ギャップが小さい場合、二つの順序による認知状態が近く、さらなる反復が有益でない可能性が高いため、停止の指標となる。
論文の主な理論的成果は、線形化された順序ギャップが不動点近傍で非退化（自明でない）となるための必要十分条件を示したことである。この局所的条件により、順序ギャップが代数的に空虚ではなく、情報として有効であることが保証される。著者らは、これは大域的な収束保証ではなく、局所的な診断ツールであると強調している。システムは、この条件を利用して反復中に収束の接近を動的に判断し、不必要な計算を回避できる。
現在、このフレームワークは再帰的推論システムに適用され、いくつかのAI領域での応用が概説されている。エージェントループでは、エージェントが認識状態グラフに基づいて探索を効率的に終了できる。木構造推論では、順序ギャップを利用して探索空間を剪定する。定理証明では、証明ステップをより戦略的に選択できる。継続学習では、モデルが知識ベースを更新すべきタイミングを判断できる。この研究は、より効率的な反復推論アルゴリズムの設計に理論的基盤を提供し、将来の適応的推論システムの開発に新たな道を開くものである。