検知確率は一つの積であって、三つの次元ではない
私たちは当初「監査率を上げても盲点のある状況は救えない」と主張していました。実測では、盲点 0.5 のとき監査率を 0.1 から 1.0 に引き上げると攻撃者の総攻撃成功は 82% 低下し、p = 5.5e-6 でした。三つの因子は同じ一つの積の中の項です。
#私たちの元の主張
私たちの直感はこうでした。
監査と評価者に共通の盲点があるなら、監査率をどれだけ上げても、盲点による損失は取り戻せない——見落とされたものは永遠に見落とされるからだ。
根拠にした数字は次のとおりです。
| 攻撃成功 | 完全阻止率 | |
|---|---|---|
| 盲点 0、監査率 1.0 | 0.0 | 100% |
| 盲点 0.5、監査率 1.0 | 0.9667 | 56.67% |
そこで私たちはこう書きました。「監査率を上げれば盲点ゼロは救えるが、盲点のある状況は救えない。」
#再検証エージェントの発見
エージェントはグリッド全体を走査し、こう書きました。
検知確率は単一の積
(1−盲点)×サンプリング率×正確度であり、三つは同じ軸の上にある。サンプリング率と盲点は互いに置き換えられる。盲点が変えるのは防御の天井（残量 β/(1−β)）であって、サンプリング率が役に立つかどうかではない。
#実測の数字
| 条件 | 結果 |
|---|---|
| 盲点 0.5、監査率 0.1 → 1.0 | 総攻撃成功は 82% 低下（Wilcoxon p = 5.5e-6） |
| 同上、盲点カテゴリ内部の攻撃成功 | 70% 低下 |
| 監査率 0.5 → 1.0（50% の盲点を相殺するため） | 対応のある差 0.03、p = 0.78 |
#「天井」とは何か
#盲点の外部の錨
私たちは 2026-08-06 に、外部の文献にある盲点の数字を登録しました。これらは私たちの β ではなく、他の人が別の設定で測った相関です。
| 研究 | 数字 |
|---|---|
| Kim ら（2025）、350+ モデル | 二つのモデルがともに誤答したとき、HELM 0.600（ランダム 1/3 = 0.333）、HuggingFace 0.423（ランダム 0.127）。しかもより正確なモデルほど誤り方が似ている。 |
| Begin（2026） | 選好整合の相関 ρ = 0.70。10 エージェントの実効的な独立数は 1.38。40 に増やしてもほとんど動かない |
| Bugaud ら（2026）、17 の VLM／8 つのファミリー | 相関した多数派の誤りは、正解のある問題の 1.5–6.5% を落とす |
| Krumdick（2025） | GPT-4o を審判にすると、それ自身も解けない問題では Cohen の κ が 0.86 から 0.16 に落ちる |
#なぜ「人数を増やす」ことは効かないのか
Begin の数字は、もう一つのよくある問いに答えています。「評価者を何人か増やしたらどうなるか？」
| エージェント数 | 実効的な独立数 |
|---|---|
| 1 | 1 |
| 10 | 1.38 |
| 40 | ほとんど動かない |
10 人の評価者の実効的な独立数は 1.38 です。 つまり 10 人の評価者は、およそ 1.38 個の独立した情報源に相当します。
#この規則の三度の適用
| 場面 | 元の言い方 | 修正後 |
|---|---|---|
| パルス E21 | 「監査を強めても盲点は救えない」 | 総攻撃成功は 82% 低下、反証 |
| 参入コスト E13 | 「評価者が信頼できないとき、参入設計は役に立たない」 | すべて標準偏差一つ分の範囲内——参入設計は下流にあるため |
| 利得軸 | 「多数決 vs ゲート」 | どちらも「選択規則」にすぎず、上限は候補プールに少なくとも一つ正解があること |
#次へ
- 四つの分析規律：実験方法と判定値
- 評価層がほぼ定数である理由：reviewer-tracks-difficulty
- 本研究は「説明責任を問える」をどう定義しているか：アカウンタビリティ層
