arXiv雑要約
AI - 2026/03/06 公開
実銭と偽りのモデル：シャドウAPIにおける欺瞞的なモデル主張 [cs.CR, cs.AI, cs.SE]目的：シャドウAPIと公式LLM APIの出力の一貫性に関する体系的な監査
- 大規模言語モデルの利用は，研究開発や応用において不可欠であり，その信頼性が重要である。
- 公式APIの利用制限から，信頼性の検証が不十分なシャドウAPIが普及している。
- シャドウAPIの欺瞞的な行為を明らかにし，研究の再現性と信頼性を守ることを目指す。
- 17のシャドウAPIが187の学術論文で利用されていることが判明し，最も人気のあるものは多数の引用とGitHubスターを獲得している。
- シャドウAPIの性能，安全性，モデル検証において，公式APIとの乖離が確認された。性能差は最大47.21%に達する。
- 安全性に関する挙動の予測不能性や，指紋認証の失敗率が45.83%に達するなど，欺瞞的な行為の証拠が見つかった。
MatRIS：信頼性と効率性の高い事前学習済み機械学習原子間ポテンシャルの探求 [eess.SY, cs.SY, cs.LG, cs.AI]目的：機械学習原子間ポテンシャルの開発
- 材料科学や計算化学において，機械学習原子間ポテンシャルは重要な役割を担う。
- 既存のポテンシャルは計算コストが高く，大規模データセットへの適用が課題である。
- 計算コストを抑えつつ，高次元原子間相互作用を効果的に記述するモデルを開発する。
- MatRISは，3体相互作用に対するアテンション機構を導入した不変MLIPである。
- MatRISは，主要なベンチマークテストにおいて，既存の等変モデルと同等の精度を達成した。
- MatRISは，学習コストを削減しつつ，高い精度を維持できることが示された。
Kiwi-Edit：指示と参照による汎用的な動画編集 [cs.CV, cs.AI]目的：指示と参照に基づく動画編集のためのデータセットとアーキテクチャ
- 動画編集技術は，コンテンツ制作や表現において不可欠であり，その重要性は増している。
- 自然言語だけでは複雑な視覚的ニュアンスを正確に伝えることが難しく，編集の精度が課題となっている。
- 高品質な参照データ不足を解消し，指示と参照を組み合わせたより高度な動画編集を実現することを目指す。
- 大規模なデータセットRefVIEと評価ベンチマークRefVIE-Benchを構築し，動画編集タスクの包括的な評価を可能にした。
- Kiwi-Editという統合編集アーキテクチャを提案し，参照のセマンティックガイダンスを効果的に活用することで，編集精度を向上させた。
- 提案手法は，段階的なマルチステージ学習により，制御可能な動画編集において最先端の性能を達成した。
IoUCert：アンカーベースの物体検出器に対するロバスト性検証 [cs.LG, cs.AI, cs.CR, cs.CV]目的：アンカーベースの物体検出器のロバスト性検証
- 画像認識の分野で形式的なロバスト性検証が重要視される中，物体検出への応用は課題であった。
- 複雑な非線形変換やIoU指標により，物体検出におけるロバスト性保証は困難であった。
- アンカーベースの物体検出器における物体位置のロバスト性を検証する手法を確立する。
- IoUCertは，非線形ボックス予測関数の緩和を回避し，アンカーボックスオフセットに対して直接最適化を行う。
- 新しい区間境界伝播法により，最適なIoU境界を導出することに成功した。
- SSD，YOLOv2，YOLOv3などの現実的なモデルに対して，入力摂動に対するロバスト性検証を初めて実現した。
漸進的なグラフ構築がテキストのロバストなスペクトルクラスタリングを可能にする [cs.LG, cs.CL]目的：テキストスペクトルクラスタリングにおけるロバスト性の向上
- テキストデータの分析において，クラスタリングは重要な役割を果たす。
- 既存のk-NNグラフは疎な場合に分離した構成要素を持つことがあり，クラスタリングの精度が低下する。
- 漸進的なグラフ構築により，接続性を保証し，疎な状況下でのクラスタリングの安定化を目指す。
- 提案手法は，接続性を維持する漸進的なk-NNグラフ構築を行う。
- 低k環境において，既存手法よりも優れた性能を示す。
- 大規模なテキスト埋め込みベンチマークにおいて，スペクトルクラスタリングの精度が向上することが確認された。
入力駆動型ホップフィールドネットワークにおける逐次検索の力学的理論 [cs.DB, cs.NE, cond-mat.dis-nn, math.DS, q-bio.NC]目的：逐次検索の力学的理論
- 推論は，内部状態と外部入力を意味と整合性をもって統合する能力であり，機械学習の発展に不可欠である。
- 結合性記憶モデルにおける逐次検索や多重記憶統合の理論的基盤は限られており，数値的証拠に依存する傾向がある。
- ホップフィールドネットワークにおける逐次推論の原理を数学的に解明し，古典的なダイナミクスと現代的な推論アーキテクチャを繋ぐ。
- 入力駆動型可塑性を持つホップフィールドネットワークにおいて，高速な連想検索と遅い推論ダイナミクスを結合する二時間尺度アーキテクチャを分析した。
- 自己持続的な記憶遷移の条件を，ゲイン閾値，脱出時間，崩壊レジームなどを用いて明確に導出した。
- これらの結果は，結合性記憶モデルにおける逐次性の数学的説明を提供し，古典的なホップフィールドダイナミクスと現代の推論アーキテクチャとの橋渡しとなる。
機械学習を用いた衝撃応答スペクトル曲線からの衝撃時系列の逆再構成 [cs.LG, eess.SP]目的：衝撃応答スペクトル曲線からの衝撃時系列の逆再構成手法
- 衝撃応答スペクトルは，構造物の衝撃応答評価において重要な役割を果たす。
- 衝撃応答スペクトルから時系列を再構成する問題は，一対一対応でなく困難を伴う。
- 機械学習を用いて，高速かつ高精度な逆再構成手法を確立すること。
- 条件付き変分オートエンコーダ(CVAE)が，衝撃応答スペクトルから衝撃時系列を生成することに成功した。
- 古典的な手法と比較して，スペクトルの一致度が高く，未知のスペクトルに対しても高い汎化性能を示した。
- 従来の最適化手法よりも3～6桁高速に時系列を推定することが可能となった。
AOI：失敗した軌跡を自律的なクラウド診断の訓練信号に転換する [cs.LG, cs.AI]目的：自律的なクラウド診断のための訓練信号生成
- クラウド運用における自動化の重要性が高まる中，SREの効率化が求められている。
- 企業環境では，機密データへのアクセス制限や安全な実行環境の確保が課題である。
- 失敗から学習し，継続的にシステムを改善するメカニズムが必要とされている。
- AOIは，AIOpsLabベンチマークにおいて，86タスク全てで66.3%のbest@5成功率を達成し，既存の最先端手法を24.4ポイント上回った。
- Observer GRPO訓練を導入した14Bモデルは，63の保留タスクで42.9%のavg@1を達成し，Claude Sonnet 4.5を上回った。
- Evolverは37件の失敗軌跡を診断ガイダンスに変換し，end-to-endのavg@5を4.8ポイント向上させ，分散を35%削減した。
RADAR：非対称性距離表現を用いた経路学習 [cs.LG, cs.AI]目的：非対称性車両経路問題に対する距離表現の学習
- 現実世界の経路最適化問題では，移動コストの非対称性が頻繁に発生する。
- 既存のニューラルネットワークソルバーは対称的な距離を前提とするため，現実問題への適用が限定される。
- 非対称性を考慮した経路学習フレームワークを構築し，汎化性能と精度を向上させる。
- RADARは，非対称距離行列の特異値分解（SVD）を活用し，コンパクトかつ汎用性の高い埋め込み表現を初期化する。
- RADARは，アテンション重みにSinkhorn正規化を導入することで，埋め込み相互作用における動的な非対称性をモデル化する。
- 実験結果から，RADARは様々な車両経路問題において，既存手法を凌駕する性能とロバストな汎化能力を示すことが明らかになった。
大規模エージェント中心型機械学習ワークロードのためのシステム基盤stratum [cs.DB, cs.LG]目的：大規模エージェント中心型機械学習ワークロードのシステム基盤
- 近年のLLMの進歩により，機械学習パイプラインの開発と評価が大きく変化しているため。
- 既存のPythonベースのMLエコシステムは，人間中心のインタラクティブなワークフローに最適化されており，大規模なパイプライン実行には限界がある。
- LLMベースのエージェントによるパイプライン検索のスケーラビリティ問題を解決すること。
- stratumは，パイプラインの実行と計画・推論を分離する統合システム基盤である。
- 既存のPythonライブラリとシームレスに統合し，パイプラインを最適化された実行グラフにコンパイルし，異種バックエンドで効率的に実行する。
- 予備実験の結果，stratumは大規模なエージェント中心型パイプライン検索を最大16.6倍に高速化できることが示された。
線形RNNが並列化しやすい理由 [cs.LG, cs.CC, cs.CL, cs.FL]目的：線形RNNと従来の非線形RNNの並列化可能性の差異に関する理論的根拠の提示
- 自然言語処理において，Transformerに匹敵する高性能なモデルの探索が重要視されている。
- 従来のRNNは並列化が難しく，計算効率が低いという課題がある。
- 線形RNNの並列化の容易さの理由を解明し，より効率的なLLM設計の基盤を築く。
- 線形RNNは，Transformerが認める対数深さブール回路と比較してわずかな深さオーバーヘッドで，対数深さ算術回路として表現できることが示された。
- 一方，非線形RNNはL-完全問題（場合によってはP-完全問題）を解く能力を持ち，Transformerと同等の効率的な並列化が困難であることが明らかになった。
- 線形RNNの変種間の表現力の差異が特定され，permutation-diagonal LRNNとdiagonal-plus-low-rank LRNNの計算複雑性クラスがそれぞれNC^1-完全，PNC^1-完全であることが示された。
DMD拡張非ペアニューラルシュレーディンガーブリッジによる超低磁場MRI画質の向上 [cs.RO, cs.CV, cs.AI, cs.LG]目的：超低磁場脳MRIの画質向上
- 脳MRIは臨床診断に不可欠だが，高価な装置と専門知識が必要。
- 超低磁場MRIは低コストだが，画質が従来のMRIに劣る。
- 非ペアデータを用いた画質変換により，超低磁場MRIの実用化を目指す。
- 提案手法は，DMD2スタイル拡散ガイド分布マッチングにより，ターゲット分布への整合性を強化する。
- PatchNCEと解剖学的構造保存正則化により，大域的な構造を明示的に制約する。
- 評価実験により，提案手法が現実感と構造的忠実性のバランスを改善することが示された。
IoTデバイスを用いたオフラインCBDC決済システムにおけるゼロ知識証明認証 [cs.CR, cs.AI, cs.CE]目的：オフラインCBDC決済システムのセキュリティ確保
- 金融包摂，金融システムの安定性向上，決済効率化のため，中央銀行デジタル通貨(CBDC)の導入が検討されている。
- IoTデバイスの計算資源の制約から，二重支払防止，プライバシー保護，低負荷演算，デジタルID管理が課題である。
- IoTデバイスにおけるオフラインCBDC決済の安全性を高め，金融包摂を促進する。
- 本研究では，セキュアエレメント(SE)とゼロ知識証明(ZKP)を統合したプライバシー保護オフラインCBDCモデルを提案する。
- 提案モデルは，IoTデバイスにおいてオフライン決済を可能にする軽量なゼロ知識証明暗号アルゴリズムに基づいている。
- オンライン決済とオフライン決済を組み合わせたハイブリッドアーキテクチャにより，セキュアなオフライン決済を実現する。
LoRA-MME：LoRA調整されたエンコーダのマルチモデルアンサンブルによるコードコメント分類 [cs.SE, cs.LG]目的：コードコメントの分類
- ソフトウェアの自動ドキュメント化や分析において，コードコメント分類は不可欠なタスクである。
- 大規模言語モデルのファインチューニングには，計算資源とメモリの制約が存在する。
- LoRAによるパラメータ効率の良いファインチューニングとアンサンブル学習で，分類性能を向上させる。
- LoRA-MMEは，UniXcoder，CodeBERT，GraphCodeBERT，CodeBERTaの4つのエンコーダを組み合わせることで，Java，Python，Pharoにおけるマルチラベル分類の性能を最大化した。
- テストセットにおいて，F1 Weightedスコア0.7906，Macro F1スコア0.6867を達成した。
- アンサンブルの計算コストが課題となり，最終的な提出スコアは41.20%となった。
AI研究開発の自動化の測定 [cs.CY, cs.AI]目的：AI研究開発の自動化の程度と影響の評価
- AI技術の進歩は社会に大きな影響を与えるため，その開発状況を把握することは重要である。
- AI研究開発の自動化の現状に関する実証的なデータが不足しており，影響の評価が困難である。
- AI研究開発の自動化の程度を測り，進歩と安全性のバランス，監視体制の維持を支援する。
- 本研究では，AI研究開発における資本配分，研究者の時間配分，AIによる妨害事例などを指標として提案した。
- これらの指標は，AI研究開発の自動化がもたらす潜在的な影響を理解し，適切な安全対策を講じる上で役立つ。
- 企業や研究機関による指標の追跡，および政府による支援の必要性を提言する。
Bielik-Q2-Sharp：ポーランド語110億パラメータ言語モデルに対する極端な2ビット量子化手法の比較研究 [cs.CL, cs.AI]目的：極端な2ビット量子化手法の比較
- 大規模言語モデルの利用拡大には，計算資源の効率的な利用が不可欠である。
- 量子化はモデルサイズを削減するが，極端な量子化では精度劣化が問題となる。
- ポーランド語LLMにおける最適な極端な量子化手法を特定し，精度維持とモデル圧縮を両立すること。
- 提案手法（QuIP# E8P12）は，22のポーランド語ベンチマークで71.92%のスコアを達成し，ベースライン（IQ2_XXS）と同程度の性能を示した。
- eq_benchでは47.14点を獲得し，高度な推論能力の維持に貢献していることが示唆された。
- QTIPは，3.27GBで79.4%のMC acc_normを達成し，VPTQと同等の品質を35%小さいサイズで実現した。
非凸ミニマックス問題に対する0次勾配交代投影法の研究 [math.OC, cs.LG, stat.ML]目的：非凸ミニマックス問題の解法
- 機械学習や信号処理など幅広い分野で重要性が増している。
- 線形制約が結合した非凸ミニマックス問題に対する効率的なアルゴリズムが不足している。
- 決定論的および確率的設定における新しい0次アルゴリズムを提案し，効率性を検証する。
- 提案手法であるZO-PDAPGとZO-RMPDPGは，線形制約付き非凸ミニマックス問題に対する初の0次勾配法である。
- 決定論的設定では，$\varepsilon$-定常点を得るための反復回数は$\mathcal{O}(\varepsilon ^{-2})$または$\mathcal{O}(\varepsilon ^{-4})$となる。
- 確率的設定では，$\tilde{\mathcal{O}}(\varepsilon ^{-3})$または$\tilde{\mathcal{O}}(\varepsilon ^{-6.5})$の反復回数で収束し，既存手法を上回る。
マルコフアルゴリズムの汎化誤差に関するエントロピーフロー計算による上限 [stat.ML, cs.LG]目的：マルコフアルゴリズムの汎化誤差の上限
- 機械学習アルゴリズムの理論的な理解は，その性能評価と改善に不可欠である。
- 既存のエントロピーフロー法は，特定のノイズ構造やアルゴリズムに限定されていた。
- 時間一様マルコフ過程で記述されるアルゴリズムへ適用可能な汎用的なエントロピーフロー公式を導出する。
- 本研究では，時間一様マルコフ過程に基づく新しいエントロピーフロー公式を確立した。
- この公式は，修正された対数ソボレフ不等式との新たな関係性を示す。
- 導出された理論に基づき，いくつかの具体的なアルゴリズムに対する新たな汎化誤差の上限を導出した。
粒子フローの変分定式化 [quant-ph, cond-mat.dis-nn, cs.ET, stat.ML, cs.LG]目的：粒子フローの変分推論的視点からの定式化
- 統計推論において，事後分布を直接計算することは困難であり，近似手法が重要である。
- 既存の粒子フロー法は，理論的な根拠が十分ではなく，最適化の安定性に課題がある。
- 変分推論の枠組みに粒子フローを組み込むことで，より安定で効率的な近似推論を実現する。
- 本研究では，粒子フローをFisher-Rao勾配流として捉え，変分推論との関連性を示した。
- ガウス変分密度を用いることで，ガウス近似Fisher-Rao粒子フローを導出し，既存手法との一致性も確認した。
- ガウス混合変分密度を用いることで，モデルの表現力を高め，より複雑な分布の近似を可能とした。
多重ブールアーキテクチャによる高効率かつ効果的なLLM [stat.ML, cs.LG]目的：大規模言語モデルの効率化と性能向上
- 近年のLLMの急速な発展に伴い，計算資源の消費が課題となっている。
- 既存の二値化手法では，性能劣化や実装の複雑さが問題となっている。
- ブール演算による直接的なファインチューニングを可能にし，効率性と性能の両立を目指す。
- 提案手法は，既存の超低ビット量子化や二値化技術と比較して優れた性能を示す。
- 潜在重みの必要性をなくし，ファインチューニングと推論の複雑さを大幅に削減する。
- 多重カーネルブールパラメータにより，表現能力を向上させている。
EDINET-Bench：日本の財務諸表を用いた複雑な金融タスクにおけるLLMの評価 [q-fin.ST, cs.CE, cs.CL, cs.LG]目的：日本の財務諸表を用いたLLMの金融タスクにおける性能評価
- 金融分野は専門知識が必要であり，高度な分析能力が求められるため，LLMの能力評価が重要である。
- 金融分野におけるベンチマークデータセットは，数学やコーディング分野に比べて相対的に少ない。
- 複雑な財務情報を統合的に処理できるLLMの能力評価と改善を目指す。
- 最先端のLLMでさえ，会計不正の検出や収益予測といったタスクにおいて，ロジスティック回帰と比べてわずかに優れている程度であった。
- 単純に財務報告書をLLMに提供するだけでは十分な性能を発揮できないことが示された。
- 現実的なシミュレーションやタスク固有の推論支援など，金融専門家の環境をより良く反映したベンチマークフレームワークの必要性が示唆された。
ボルツマン機械に対するEMアルゴリズムを用いた構造化量子学習 [quant-ph, cs.LG]目的：量子ボルツマン機械の学習手法
- 量子機械学習は，古典計算機では困難な問題を解決する可能性を秘めている。
- 量子ボルツマン機械の学習は，バレン高原問題により，大規模システムで学習が困難である。
- バレン高原問題を回避し，量子生成モデリングを強化する学習手法を確立すること。
- 半量子制限ボルツマン機械において，EMアルゴリズムを実装し，安定した学習を達成した。
- 本手法は，複数のベンチマークデータセットにおいて，勾配降下法を上回る性能を示した。
- これにより，量子機械学習における，勾配ベースの学習に代わる，構造化されたスケーラブルな代替手段が示された。
ごくわずかな選好の削除が，大規模言語モデルのランキング上位を変える可能性がある [quant-ph, cs.DM, stat.ML, cs.LG]目的：大規模言語モデルのランキングシステムの頑健性評価
- 大規模言語モデルの性能評価は，その実用化において重要な課題である。
- ランキングシステムは，わずかなデータの変化に影響を受けやすい可能性がある。
- ランキングシステムの脆弱性を明らかにし，より信頼性の高い評価方法を模索する。
- 一般的なランキングシステムは，ごくわずかな選好データ削除の影響を受け，ランキングが変動することが確認された。
- Chatbot Arenaでは，人間の選好データのわずか0.003%削除で，ランキング1位のモデルが変わる場合がある。
- MT-benchのランキングはChatbot Arenaよりも頑健であり，専門家による評価と丁寧なプロンプトがその要因と考えられた。
BabyHuBERT：子どもの音声に特化した多言語自己教師あり学習による長時間の録音における話者分離 [eess.AS, cs.LG, cs.SD]目的：子どもの言語発達研究に不可欠な長時間の録音データにおける話者分離
- 子どもの言語発達研究において，自然な環境で得られた音声データは貴重な情報源である。
- 成人向けに訓練された音声モデルは，子どもの音声の特徴と異なるため，精度が低いという課題がある。
- 多様な言語の子どもの音声データに対応可能な，高精度な話者分離モデルを開発すること。
- BabyHuBERTは，40以上の言語の子どもの音声13,000時間で自己教師あり学習を行うことで，高い性能を実現した。
- 話者タイプ分類タスクにおいて，既存のモデル(W2V2-LL4300, HuBERT)を大きく上回り，F1スコア52.1%から74.4%を達成した。
- 特に，バヌアツやソロモン諸島などの低リソース言語において，HuBERTと比較して13.2点，15.9点の大幅な改善が見られた。
訓練された単層ニューラルネットワークのガウス過程への定量的収束 [stat.ML, cs.LG, math.PR]目的：訓練された単層ニューラルネットワークのガウス過程への定量的収束の評価
- 深層学習の理論的理解を深める上で重要であり，モデルの挙動を予測する基礎となる。
- 有限幅のネットワークにおける収束の厳密な評価が難しく，精度向上のボトルネックとなっていた。
- ネットワーク幅に関する収束速度の定量化と，アーキテクチャや学習ダイナミクスの影響評価。
- ネットワーク出力とガウス近似の間の二乗Wasserstein距離の上限を明示的に示した。
- ネットワーク幅に関して多項式的に減衰することが示され，収束速度を定量化した。
- ネットワークの幅や入力次元，学習ダイナミクスが収束に与える影響を明らかにした。
偏微分方程式に基づく逆問題に対するベイジアン推論：離散損失の最適化 [math.CO, cs.FL, stat.ME, cs.LG, physics.comp-ph]目的：偏微分方程式に基づく逆問題に対するベイジアン推論手法
- 科学，工学，医学におけるデータ同化，設計，イメージングなど，多くの応用において逆問題は不可欠である。
- 測定データが不完全または間接的な場合，正確な逆問題を解くには追加の知識が必要となる。
- 離散損失の最適化（ODIL）にベイジアン推論を導入し，不確かさを定量的に評価する手法を開発する。
- 本研究では，ODILの物理モデル損失を事前知識として統合し，データを示す尤度と組み合わせたB-ODILを提案する。
- B-ODILは，一，二，三次元の偏微分方程式を含む合成ベンチマークにおいてその有効性を示す。
- MRIスキャンから患者の脳内腫瘍濃度とその不確かさを推定する三次元腫瘍成長モデルへの応用例も示される。
安定性の限界以下の一般化：データ幾何学の役割 [stat.ML, cs.LG]目的：過パラメータ化されたニューラルネットワークにおける一般化のメカニズム
- 過パラメータ化されたニューラルネットワークの理論的理解は，機械学習の進歩に不可欠である。
- データの幾何学的構造が一般化性能に与える影響についての明確な理解が不足している。
- データ幾何学が暗黙のバイアスをどのように制御するかを理論的に解明すること。
- 低次元球の混合分布において，固有次元に適応する一般化限界を理論的に導出した。
- 確率質量が単位球に向かって集中する度合いに応じて，一般化率が変化することを示した。
- データがReLUニューロンの活性化閾値に関して「破壊」されにくい場合，汎化性能が高まることを示した。
最も影響力の強いデータ集合の検証 [stat.ML, cs.LG, econ.EM, math.ST, stat.ME, stat.TH]目的：モデルの結論に劇的な影響を与える可能性のある，少数のデータ点からなる最も影響力の強いデータ集合の検証
- データ分析において，一部のデータが結果を大きく左右することがあるため，その影響を理解することは重要である。
- 最も影響力の強いデータ集合を特定する手法はあるものの，その影響が偶然によるものか，有意なものかを判断する基準が存在しなかった。
- 線形最小二乗法に基づき，影響力の極値分布を導出し，影響力の過大さを統計的に検証する枠組みを構築する。
- 定数サイズの集合と重い尾を持つデータの場合，影響力の極値分布は重い尾を持つFr\'echet分布に従うことが示された。
- 集合サイズを大きくした場合や，データが軽い尾を持つ場合，影響力の極値分布はGumbel分布に従うことが示された。
- 経済学，生物学，機械学習のベンチマークデータを用いて，影響力の過大さを検証し，議論のある知見に明確な根拠を与えた。
CytoNet：細胞レベル解像度におけるヒト大脳皮質の基礎モデル [q-bio.NC, cs.AI, cs.LG]目的：ヒト大脳皮質の細胞構造解析のための基礎モデル
- 脳の組織や機能理解には，細胞レベルでの大脳皮質の構造解析が不可欠である。
- 全脳スケールで解析可能な自動化手法が不足しているのが現状である。
- 大脳皮質の複雑な細胞構造パターンを効率的に解析し，脳機能との関連を明らかにすること。
- CytoNetは，100万枚の未ラベル画像パッチから学習した基礎モデルである。
- 皮質シート上の共局在性を自己教師あり学習に利用し，表現力豊かな特徴表現を獲得した。
- 皮質領域の分類，層状セグメンテーション，微細構造の定量化，機能的ネットワークの解読が可能になった。
サイクルケミスト：有機光起電力材料探索のための二方向機械学習フレームワーク [cond-mat.mtrl-sci, cs.AI, cs.LG]目的：有機光起電力材料の探索
- 持続可能なエネルギー創出の鍵となる有機光起電力材料の開発が重要視されている。
- 高性能なドナー・アクセプターペアの特定が難しく，開発が制限されている。
- ドナーとアクセプター両方を考慮した統合的なアプローチによる材料開発を目指す。
- 大規模な実験データセット（OPV2D）を構築し，ドナー・アクセプターペアの光起電力特性を予測するモデル（OPVC）を開発した。
- 分子軌道エネルギー予測器（MOE2）と光起電力性能予測器（P3）を組み合わせ，変換効率を推定するフレームワークを構築した。
- 生成モデル（MatGPT）を用いて，強化学習により高性能な有機半導体を創出する戦略を提案した。
Deep FlexQP：深層展開による非線形計画法の高速化 [math.OC, cs.AI]目的：非線形計画法のQP部分問題を高速に解く手法
- 非線形計画法は，様々な最適化問題に応用可能であり，工学・経済学等の分野で重要である。
- SQP法では線形化によりQP部分問題が制約違反を起こす可能性があり，計算の安定性や効率が課題となる。
- 制約違反時の頑健性と，学習によるさらなる高速化を両立するQPソルバーを開発し，SQP法の性能向上を目指す。
- 提案手法FlexQPは，制約が実行可能であれば最適解を正確に求め，実行不可能であれば制約違反を最小化する解を提供する。
- 深層展開により学習されたDeep FlexQPは，既存の学習型QPソルバーを上回り，大規模な問題にも対応可能である。
- SQP法に組み込むことで，非線形最適化問題を大幅に高速化し，成功率を向上させ，安全性フィルタ問題における違反を減少させる。
適合性スコアの対称的集約による効率的な不確実性集合の生成 [stat.ML, cs.LG]目的：複数の予測モデルからの不確実性集合の効率的な集約
- 回帰や分類において，複数の予測モデルを利用する機会が増加しており，信頼性の高い不確実性評価が重要である。
- conformal prediction (CP) フレームワーク下では，個々の予測集合は生成できるが，それらを統合することが課題である。
- SACPは，複数の予測器からの不適合性スコアを対称的に集約し，より効率的な予測集合の生成を目指す。
- 提案手法SACPは，不適合性スコアをe値に変換し，任意の対称的な集約関数を用いて組み合わせる。
- 実験結果から，SACPは既存手法と比較して，予測集合の効率性を改善し，性能を向上させることが示された。
- SACPは，データに基づいたロバストな集約戦略選択を可能にし，理論的な正当性も確認されている。
電気インピーダンスと教師あり機械学習を用いた細胞悪性度の予測 [eess.SP, cs.LG]目的：細胞悪性度予測モデルの構築
- 細胞の電気的特性は，健康細胞と悪性細胞で大きく異なり，診断への応用が期待される。
- 既存研究データのばらつきが大きく，汎用的な予測モデルの構築が困難である。
- 電気的特性と機械学習を組み合わせ，高精度な悪性度予測を目指す。
- Random Forestアルゴリズムが，最大深さ4，推定器数100で約90%の予測精度を達成した。
- KNNおよびSVMでは，それぞれ約78%，76.5%のF1スコアがピークとなった。
- 本研究は，電気的特性分析と機械学習の統合により，診断精度向上の可能性を示す。
非凸最適化におけるミューオンオプティマイザの収束率改善 [math.OC, cs.LG]目的：非凸最適化におけるミューオンオプティマイザの収束率に関する理論的保証
- 機械学習の性能向上には，効率的な最適化アルゴリズムが不可欠であり，その理論的理解が重要である。
- 既存のミューオンオプティマイザの収束保証は厳密さに欠けるか，限定的な条件下でしか得られていない。
- より緩やかな仮定の下で，ミューオンオプティマイザの収束率をより正確に評価することを目的とする。
- 本研究では，制約的な仮定に依存しない直接的かつ簡潔な解析により，ミューオンオプティマイザに対するより厳密な収束保証を確立した。
- 既存の結果と比較して，より高速な収束率を達成し，より広い範囲の問題設定を扱えることを示した。
- これらの結果は，ミューオンオプティマイザの理論的特性をより正確に特徴づけ，直交化された一階最適化法全般に適用可能な知見を提供する。
潜在IMH：近似演算子を持つ逆問題に対する効率的なベイズ推論 [stat.ML, cs.LG, math.ST, stat.CO, stat.TH]目的：ベイズ線形逆問題における事後分布からのサンプリング
- 逆問題は，画像処理，地球物理探査など広範な分野で重要である。
- 演算子Aの計算コストが高い場合，効率的な推論が困難となる。
- 近似演算子を利用し，計算コストを削減することで効率的なサンプリングを実現する。
- Latent-IMHは，近似演算子を用いた中間変数の生成と，正確な演算子による改善を組み合わせる。
- 理論的解析により，Latent-IMHのKLダイバージェンスと混合時間が評価された。
- 数値実験の結果，Latent-IMHはNUTSなどの最新手法よりも計算効率が高いことが示された。
LatentChem：化学推論におけるテキストによるCoTから潜在的思考へ [physics.chem-ph, cs.AI, cs.CL, cs.LG]目的：化学推論における潜在的思考のインターフェース
- 化学分野では，複雑な推論が重要であり，それを効率的に行う手段が求められている。
- 既存のLLMはテキストベースのCoTに依存しており，連続的な化学構造とのミスマッチが生じている。
- 潜在的思考を通じて，より効率的かつ正確な化学推論を実現することを目的とする。
- LatentChemは，テキスト生成から化学計算を分離し，連続的な潜在空間で推論を行う。
- タスクの成功のみを最適化することで，モデルは自然に推論を内面化し，冗長なテキストを削減する。
- ChemCoTBenchにおいて，CoTベースのモデルと比較して59.88％の勝率，推論速度は10.84倍向上した。
人間のように選択する：医療画像のための説明可能なアクティブラーニング [eess.IV, cs.AI, cs.CV]目的：医療画像に対する効果的なサンプル選択戦略
- 医療画像解析では，モデルの学習に大量のラベル付きデータが必要不可欠である。
- 既存のアクティブラーニングは予測不確実性のみに依存し，臨床的に意味のある特徴学習を考慮していない。
- モデルが臨床的に重要な特徴に注目するように，アクティブラーニングのサンプル選択を改善すること。
- 提案手法は，予測性能と空間解釈性の両方を向上させる効率的なデータ選択を可能にする。
- BraTS，VinDr-CXR，SIIM-COVID-19の各データセットで，ランダムサンプリングと比較して高い精度を達成した。
- Grad-CAM可視化により，提案手法で学習したモデルが診断上重要な領域に注目していることが確認された。
オンライン共形予測における最適な学習条件付き後悔 [math.ST, cs.IT, cs.LG, math.IT, stat.ML, stat.TH]目的：非定常データストリームに対するオンライン共形予測の学習条件付き累積後悔
- データ分布が時間とともに変化する状況下での予測の信頼性確保が重要である。
- 従来のオンライン共形予測は，最悪ケースを想定するか，時間平均的なカバレッジで評価される。
- 学習データに依存した累積後悔という新たな指標で性能を評価し，最適解を目指す。
- 事前学習された非適合性スコア関数を用いるアルゴリズムは，ドリフト検出により最適な後悔を達成する。
- オンラインで学習するアルゴリズムは，モデル適合アルゴリズムの安定性に基づいて非定常性を処理する。
- 提案手法の非漸近的な後悔保証が，適切な制約下で理論的な下限に一致することを確認した。
実験に基づいたタンパク質アンサンブル生成のための推論時最適化 [q-bio.BM, cs.LG]目的：実験データとの整合性を高めるタンパク質アンサンブル生成のための推論時最適化手法
- タンパク質の機能は動的な構造アンサンブルに依存する。その生成は生命科学研究において重要である。
- 既存の生成モデルは実験データと一致するアンサンブルを生成するのに苦労している。初期化への依存性も課題である。
- 実験データの適合性と物理的妥当性を向上させた，より信頼性の高いタンパク質アンサンブル生成を目指す。
- 提案手法は，既存のガイダンス手法よりも多様性，エネルギー，実験データとの一致性において性能が向上した。
- X線結晶学およびNMRデータを用いた評価で，データベースに登録されているPDB構造よりも良い結果が得られた。
- 推論時最適化によりAlphaFold3の埋め込みを操作すると，モデルの信頼性が人為的に上昇することが明らかになった。
VoxKnesset：高齢話者モデリングのための大規模時系列ヘブライ語音声データセット [eess.AS, cs.CL, cs.LG, cs.SD, eess.SP]目的：高齢話者モデリングのためのヘブライ語音声データセット
- 音声処理技術は，高齢化社会において重要性が増している。話者の年齢変化に対応したシステムが求められている。
- 既存のデータセットでは，長期的な話者変化を評価するための十分なデータが不足している。
- 本研究は，話者の年齢変化を考慮した音声処理システムの開発を支援することを目的としている。
- VoxKnessetは，2009年から2025年までのヘブライ語議会音声約2,300時間を収録した大規模データセットである。
- 最良のモデルにおいて，15年間の話者認証EERは2.15%から4.58%に上昇し，時系列的に訓練されたモデルは話者の年齢変化を捉えることができた。
- 本データセットとパイプラインを公開することで，高齢化に強い音声システムの開発を促進する。
Z-グロモフ・ワッサースタイン距離を用いたグラフ予測の適合性評価 [stat.ML, cs.LG]目的：グラフ構造の予測における不確実性の定量化
- グラフ構造は複雑な関係性を表現でき，様々な分野で重要性が増している。
- グラフ予測において，予測の信頼性を示す不確実性の評価が十分ではない。
- グラフ予測に対する適合性評価手法を確立し，信頼性の高い予測を可能にすること。
- 本研究では，Z-グロモフ・ワッサースタイン距離に基づいた適合性評価フレームワークを提案した。
- 提案手法は，グラフ間の比較において置換不変性を保証し，分布フリーな網羅性保証を提供する。
- 合成データと分子識別問題の実験により，提案手法の有効性を検証した。