arXiv雑要約
AI - 2026/03/06 公開
ReLU活性化が，高次元ニューラルネットワーク回帰における勾配降下の暗黙的バイアスに与える影響 [math.OC, cs.SY, eess.SY, math.DS, stat.ML, cs.LG, math.OC]目的：高次元におけるReLUモデルの学習における勾配降下の暗黙的バイアス
- 過パラメータ化されたモデルの学習において，暗黙的バイアスは汎化性能に重要な役割を果たす。
- 最悪の場合，暗黙的バイアスが存在しないか，最小二乗ノルム解と一致する場合があり，中間的な状況が不明である。
- 高次元のランダムデータにおいて，暗黙的バイアスが最小二乗ノルム解にどの程度近似するかを解明する。
- 高次元のランダムデータにおいて，暗黙的バイアスは高確率で最小二乗ノルム解に近似することが示された。
- 近似の誤差は，$\Theta(\sqrt{n/d})$ のオーダーであり，学習データ数nと特徴量次元dに依存する。
- ReLU活性化パターンは，ランダムデータ上で迅速に安定化することが，解析によって明らかになった。
粒子誘導拡散による気相反応速度論 [physics.chem-ph, cs.AI, cs.LG]目的：気相化学反応の速度論的解析
- 化学反応速度論は，化学プロセス設計や環境問題の理解に不可欠である。
- 複雑な反応系における速度論的モデリングは，計算コストが高いという課題がある。
- 拡散モデルを用いて，効率的な反応輸送過程の推論を目指す。
- 拡散モデルによる誘導サンプリングが，物理的に整合性の高い濃度場を生成することを示した。
- 未知のパラメータ値に対しても，出口濃度を正確に予測できることが確認された。
- 本手法は，反応輸送現象における推論に拡散モデルの可能性を示すものである。
ランダウ・ブラズコフスキーモデルにおける相発見のための形状適応型深層変分フレームワーク [cond-mat.mtrl-sci, cs.LG]目的：パターン形成システムの相発見
- 複雑なパターン形成システムの理解は，材料科学や物理学において重要である。
- 従来の数値シミュレーションでは，計算領域のサイズに依存した誤った結果が生じやすい。
- 計算領域を最適化することで，より正確な相発見を実現する。
- 本研究では，形状適応型深層変分フレームワーク（GeoDVF）を提案し，計算領域のサイズを学習可能な変数として扱うことで，人工的な応力を除去した。
- 初期値が小さい場合でも，複雑な3次元秩序相の自然な核形成を可能にするウォームアップペナルティ機構を導入した。
- 狭い吸引領域に関連する複雑な位相を解決するために，誘導初期化プロトコルを設計し，安定状態と準安定状態の両方の識別を実現した。
加水分解の罠からの脱出：耐久性のある光触媒共有結合性有機金属フレームワークの逆設計のための能動的ワークフロー [quant-ph, cs.ET, physics.chem-ph, cond-mat.mtrl-sci, cs.AI, physics.comp-ph]目的：耐久性かつ活性の高い光触媒COFの探索
- 太陽光水素生産の効率的な触媒材料開発が重要視されている。
- 電子的に有利なイミン結合が水中で速やかに加水分解し，安定性と活性のトレードオフが生じている。
- LLMエージェントを用いて，安定性と活性を両立するCOF材料の効率的な探索を目指す。
- LLMエージェントAraは，ランダム探索やベイズ最適化と比較して，高いヒット率と迅速な探索を実現した。
- Araは，安定性の高いビニレンやβ-ケトエナミン結合，電子吸引性基を持つノード選択，バンドギャップ最適化など，解釈可能な化学的ロジックに基づいて探索を進めた。
- エージェントとベイズ最適化の相補的な探索戦略が明らかになり，ハイブリッドアプローチによる更なる材料発見の加速が期待される。
条件付き人口均等性を考慮した最適な個別化意思決定ルールの学習 [stat.ML, cs.LG]目的：最適な個別化意思決定ルールの推定
- 個別化意思決定ルールは，マーケティング，医療，政策など幅広い分野で活用が拡大している。
- バイアスのあるデータで学習した場合，特定の属性を持つ集団に対して差別的な結果をもたらす可能性がある。
- 人口均等性と条件付き人口均等性を制約条件として組み込み，公平性を確保した最適なルールを効率的に推定する。
- 提案手法では，人口均等性や条件付き人口均等性制約下で最適なルールを，制約なしの場合のルールに摂動を加えることで求められる。
- 理論的には，政策価値と公平性制約項の両方の収束率が導出された。
- シミュレーション実験とオレゴン州医療保険実験への適用を通して，手法の有効性が示された。
注意基盤ビームフォーミングを用いた視覚情報に基づく音声強調 [eess.AS, cs.AI]目的：視覚情報と音声強調の性能向上
- 音声強調は，通話品質や音声認識精度に不可欠であり，様々な環境下での利用が求められている。
- 単一チャンネルでは，低S/N比や残響，複雑な音響環境下で性能が低下しやすいという課題がある。
- 視覚情報とビームフォーミングを統合し，動的な話者や重なり合った音声にも対応できる音声強調システムの構築。
- 提案手法は，事前学習済みの視覚的音声認識モデルを利用し，口唇の動きを特徴量として活用することで，VADと話者識別を同時に行う。
- アテンション機構を搭載したビームフォーミングフレームワークにより，静止画および動画の両方に対応し，ロバスト性を向上させている。
- 実験結果から，提案手法は既存手法と比較して，静的および動的な話者環境下で優れた音声強調性能を示すことが確認された。
ベイジアン監督型因果クラスタリング [stat.ML, cs.LG]目的：患者サブグループの特定
- 医療や政策評価において，個別化された意思決定に不可欠な分野である。
- 既存手法は教師なしクラスタリングに依存し，特定の成果を考慮したサブグループの特定が課題である。
- 治療効果を考慮した均質なサブグループの特定を目指す。
- 提案手法BSCCは，共変量プロファイルと治療効果の両方で類似するサブグループを識別する。
- シミュレーションデータと国際脳卒中試験のデータを用いて，BSCCの実用性を評価した。
- BSCCは，特定の成果に関連する操作可能なサブグループを特定する枠組みを提供する。
遺伝子の重要度評価における非対称シャプレイ値：高次元特徴量に対する公正な指標 [stat.ML, cs.LG]目的：高次元の特徴量の重要度評価指標
- 臨床予測において，遺伝子のような高次元特徴量の重要度評価は不可欠である。
- 従来の評価方法は，変数間の共線性や依存性の方向性を考慮していない。
- 非対称シャプレイ値を用いて，臨床予測における特徴量の重要度をより正確に評価する。
- 非対称シャプレイ値は，変数間の共線性や依存性の方向性を考慮し，より公正な重要度評価を可能にする。
- 特に，疾患状態を媒介変数とする遺伝子効果の予測において有効性が示された。
- 予測性能の指標を特徴量ごとの寄与に分解することで，解釈可能性を高める。
恥を知らないベイズ：予測推論の許容性幾何学 [stat.ML, cs.LG, math.ST, stat.TH]目的：予測推論における許容性の幾何学的構造
- 意思決定理論において，最適な行動選択の基準となる許容性の概念は重要である。
- 既存の許容性基準は互いに包含関係にないことが知られていたが，その幾何学的構造は不明であった。
- 異なる許容性幾何学が示す最適性の証明を比較し，許容性の基準相対性を明らかにする。
- 4種類の許容性幾何学（Blackwellリスク優越性，anytime-valid許容性，周辺被覆有効性，CAA許容性）が互いに非包含であることが証明された。
- 各幾何学はそれぞれ異なる最適性の証明（支持超平面事前分布，非負超マルチンゲール，交換可能性ランク，Cesàro操縦引数）を持つ。
- マルチンゲールコヒーレンスはBlackwell許容性には必要であり，e-プロセス内ではanytime-valid許容性には必要十分条件である。
最適決定木の統計的最適性について [physics.soc-ph, cs.MA, stat.ML, cs.LG, math.ST, stat.TH]目的：経験的リスク最小化決定木の統計的性能
- 機械学習における解釈可能性と精度は重要なトレードオフの関係にある。
- 最適決定木の理論的な性能保証は十分ではなく，理論的な裏付けが求められていた。
- 最適決定木の統計的最適性を確立し，その性能評価の基礎を提供する。
- 経験的リスク最小化決定木に対するシャープなオラクル不等式を導出し，葉の数に関する近似誤差の上界を明らかにした。
- 偏微分可能な疎な異方性ベソフ空間（PSHAB）において，ミニマックス最適レートを確立した。
- サブガウス分布下だけでなく，重い裾を持つノイズ設定下でも頑健な保証が得られた。
生成AIによる合成データ活用：統計的推論への応用 [econ.TH, cs.SI, stat.ML, cs.LG]目的：生成AIを用いた合成データの統計的推論における妥当性・信頼性・原理的根拠の明確化
- 科学，産業，政策など多岐にわたる分野でデータ分析の重要性が増しており，新しいデータソースが求められている。
- 生成AIによる合成データは，モデルの誤指定や不確実性の低減，汎化の困難性といった課題を抱えている。
- 合成データの適切な利用方法を確立し，データ駆動型研究の信頼性と効率性を高めることを目指す。
- 生成AIモデルの現状と，その利用事例，利点，限界，そして失敗パターンについて概観した。
- 合成データを取り扱う際のモデルの誤指定，不確実性の減衰，汎化の困難性といった一般的な落とし穴を指摘した。
- 合成データの原理的な利用に関する新たな枠組みを提示し，研究者と開発者への実践的な提言を行った。
複数標的予測における運動意図の空間的・時間的分解能 [q-bio.NC, cs.AI]目的：運動意図の予測に関する研究
- 日常生活における把持や操作は重要であり，運動機能の解読はリハビリや支援技術の発展に不可欠である。
- 運動意図の正確な解読は難しく，特にリアルタイムでの予測精度向上が課題となっている。
- 多チャンネル筋電図から運動意図を予測し，その空間的・時間的分解能を明らかにすることで，より高度な制御を目指す。
- Random Forestは25個の標的に対して80%の精度，Convolutional Neural Networkは75%の精度を達成した。
- 筋電図チャネル，特徴量，時間窓の評価により，データ量を大幅に削減しても効率的な運動意図の解読が可能であることが示された。
- 本研究は運動意図の時間的・空間的変化を明らかにし，適応型リハビリシステムにおける予測制御への道を開く。
特異ベイジアンモデルにおける熱力学的応答関数 [eess.SP, cs.SY, eess.SY, stat.ML, cs.LG, math.ST, stat.TH]目的：特異ベイジアンモデルにおける複雑性，予測変動，構造的再編成の解釈
- 機械学習モデルの性能評価とモデル選択において，信頼性の高い指標が不可欠である。
- 従来の漸近理論は適用できず，パラメータの非識別可能性が問題となる。
- 熱力学的応答理論を用いて，これらの複雑性を統一的に解釈する枠組みを提案する。
- 事後分布のテンパリングにより，熱力学的応答関数を生成する1パラメータ変形が誘発される。
- WAIC，WBIC，特異揺らぎが統一的な応答フレームワーク内で関連付けられる。
- 特異学習理論の古典的な量は，自然な熱力学的解釈を得る。
予測ニューラルネットワークを用いた錯視も人間を欺く [cs.NE, cs.AI, cs.CV]目的：視覚運動錯視の生成機構解明
- 視覚は知覚の根幹であり，そのメカニズム解明は認知科学の重要課題である。
- 視覚運動錯視の原因は未だ解明されておらず，脳の予測機能との関係が不明である。
- 脳の予測機能が視覚運動錯視を引き起こすメカニズムをモデル化し検証する。
- 進化型錯視生成器(EIGen)を用いて新規の視覚運動錯視を生成することに成功した。
- 生成された錯視が，人間被験者に対して実際に運動錯視を引き起こすことを確認した。
- 本研究は，錯視が網膜からの生の視覚入力ではなく，脳の予測によって生じる可能性を示唆する。
深層学習とメカニズムデザイン：主要な結果と新たな応用 [cs.GT, cs.AI]目的：深層学習を用いたメカニズムデザインに関する主要な結果と応用事例の検討
- メカニズムデザインは，経済学，ゲーム理論，コンピューターサイエンスにおいて重要な役割を果たす
- 現実世界の応用において，理論的に同時に達成不可能な性質を持つメカニズムが求められる場合がある
- 深層学習を用いて，要求される性質を近似的に満たすメカニズムを学習し，実用的な問題を解決することを目指す
- 深層学習を用いたメカニズムデザインのアプローチは，複雑な制約下での最適化を可能にする
- 本研究では，車両ネットワークにおける効率的なエネルギー管理，モバイルネットワークにおけるリソース割り当て，農業投入財のボリュームディスカウント入札設計の３つの事例を通して，その有効性を示す
- 深層学習は，従来のメカニズムデザイン手法では困難であった問題に対し，新たな解決策を提供する可能性を秘めている
不確実性を見抜く：ロバストなビジュアルナビゲーションのためのリアルタイム知覚適応への自由エネルギーアプローチ [cs.RO, cs.AI, cs.CV]目的：ロバストなビジュアルナビゲーションのためのリアルタイム知覚適応
- 自然環境下でのナビゲーションは，不確実な情報下でも目標達成が求められる複雑な課題である。
- 従来の深層ニューラルネットワークは，急激な感覚変化へのリアルタイムな適応性に課題がある。
- 本研究は，自由エネルギー原理に基づき，リアルタイムな知覚適応機構を導入し，ロバストなナビゲーションを実現することを目指す。
- 提案手法FEP-Navは，予測誤差とベイズ驚愕を分解した二重メカニズムアーキテクチャを採用することで，VFEの最小化を実現する。
- 理論的に，FEP-Navは勾配ベースの更新を必要とせずにVFEを最小化するメカニズムを提供することが示された。
- シミュレーションおよび実環境実験の結果，FEP-Navは従来の適応手法よりもナビゲーション性能を大幅に回復させることが確認された。
部分モジュール多タスク部分集合選択における局所分布ロバスト性 [cs.LG, eess.SP, math.OC]目的：多タスク部分集合選択における局所分布ロバスト性の最適化
- 多様なタスクを効率的に組み合わせることで，限られた資源でより高い性能を引き出すことが重要である。
- 最悪ケースのタスク性能を重視すると，全体的な性能が低下する可能性があるという課題がある。
- 性能とロバスト性のトレードオフを最適化し，局所的な分布ロバスト性を確保することを目指す。
- 提案手法は，相対エントロピー正則化項を導入することで，性能とロバスト性のバランスを実現する。
- 理論的検証に加え，衛星選択や画像要約タスクにおける数値実験により，提案手法の有効性を確認した。
- 提案手法は，既存手法と比較して，計算コストが低く，局所分布ロバスト性の高い解を提供する。
近傍を持つDubins旅行者問題に対する特権情報を蒸留する手法 [cs.CL, cs.AI, cs.LG]目的：近傍を持つDubins旅行者問題における，非ホロノミック車両の経路探索
- ロボットの自律移動において，経路計画は不可欠であり，特に制約のある環境下での効率的な経路探索が重要である。
- 従来の経路探索アルゴリズムは計算コストが高く，リアルタイムな問題解決が困難である。特に，非ホロノミック車両の経路計画は複雑である。
- 本研究は，特権情報を用いた学習によって，高速かつ効率的な経路探索手法を確立し，実用的なロボットの自律移動を実現することを目的とする。
- 提案手法は，Lin-Kernighan法と比較して約50倍高速に解を生成できる。
- 他の模倣学習やデモンストレーションを用いた強化学習手法と比較して，大幅に性能が向上する。
- 特に，全てのタスクポイントを認識できない既存手法の課題を克服している。
カバレッジの学習：不可逆な決定を伴うオンライン学習と最適化 [eess.SY, cs.SY, math.PR, cs.LG, math.OC]目的：離散的かつ不可逆な決定を通じてカバレッジ目標を達成するオンライン学習と最適化問題
- 資源配分や施設配置など，様々な意思決定問題において，カバレッジ最大化は重要な課題である。
- 従来の最適化手法では，不確実性下での動的な学習と不可逆な決定を同時に扱うのが難しい。
- 不確実な状況下で，効率的な施設開設戦略を導き，カバレッジ目標を達成するアルゴリズムを開発する。
- オンライン分類器は，統計的条件下で，最適なベイズ分類器に $\mathcal{O}(1/\sqrt n)$ の速度で収束する。
- リグレットは，$p=1$ の場合 $\Theta\left(m^{\frac{1-r}{1-r^T}}\right)$，それ以外の場合 $\Theta\left(\max\left\{m^{\frac{1-r}{1-r^T}},\sqrt{m}\right\}\right)$ に成長する。
- 初期の探索を限定し，不確実性が軽減され次第，迅速な活用に移行する戦略が有効であることが示された。
より公平な非負行列分解に向けて [cs.CE, cs.LG, stat.ML]目的：非負行列分解における公平性の改善
- 機械学習の公平性とバイアスは重要であり，社会的な影響を考慮する必要がある。
- 既存の非負行列分解法では，グループ間の公平性が十分に考慮されていない場合がある。
- 本研究では，目的関数の修正により，公平性の改善を目指す。
- 目的関数にmin-max formulationを導入することで，一部の状況下で公平性が向上する可能性がある。
- 乗算的更新則と交互最小化スキームという2つの最小化手法を提案し，実装上の留意点を議論した。
- 合成データと実データを用いた実験により，公平性の改善と，それによって個人誤差が増加する場合があることを示した。
与信スコアリング問題に対する公平性認識型機械学習の実験的研究 [cs.DC, cs.LG, cs.CY, stat.ML]目的：与信スコアリングにおける公平性認識型機械学習の性能評価
- 金融機関におけるデジタル化は不可欠であり，機械学習が信用評価に広く用いられるようになった。
- 機械学習モデルは，人種や性別などの属性に対して偏った結果を出す可能性がある。
- 与信スコアリングにおける公平性認識型機械学習の有効性を検証し，改善を目指す。
- 公平性認識型モデルは，従来の分類モデルと比較して，予測精度と公平性のバランスに優れることが示された。
- 与信スコアリングの主要な側面，すなわち金融データセット，予測モデル，公平性指標について詳細な評価を行った。
- 実験結果は，公平性認識型モデルが与信スコアリングにおいて有効であることを示唆している。
マスク拡散モデルサンプリングにおける経路計画 [cs.LG, cs.AI]目的：マスク拡散モデルを用いた離散データ生成の効率と品質向上
- 自然な因果関係がないデータ領域において，自己回帰モデルに代わる有効な生成手法の確立が求められている。
- 既存のマスク拡散モデルは，一度マスク解除されたトークンを反復的に修正できないという課題がある。
- マスク解除されたトークンの修正を可能にし，生成品質を向上させる新たなサンプリング戦略を提案すること。
- 提案手法「経路計画 (P2)」は，既存のサンプリング戦略を包含し，生成品質を大幅に向上させる。
- P2は，タンパク質配列のフォールダビリティを22％，RNA配列のpLDDTを8％，数学推論の精度を4％向上させた。
- 物語生成(ROUGEスコア)では68％，コード生成(pass@1)では33％の相対的な改善が見られた。
ニューラルネットワーク最適化における次元の呪い [cs.LG, math.OC, stat.ML]目的：ニューラルネットワーク最適化における次元の呪いの存在
- 機械学習において，高い次元での学習は計算コストが増大し，汎化性能低下の一因となる。
- 高次元データにおける最適化は，従来の理論では説明しきれない困難さを抱えている。
- 関数平滑性が次元の呪いに及ぼす影響を理論的に解明することを目的とする。
- Lipschitz連続な活性化関数を持つ浅いニューラルネットワークの学習において，次元数が増加すると最適化の収束速度が遅くなることが示された。
- 標的関数が$r$回連続微分可能である場合，十分な精度を達成するために必要な計算量は，次元数$d$に依存して$t^{-\frac{4r}{d-2r}}$のオーダーでしか減衰しない。
- 活性化関数のLipschitz定数が局所的に$O(x^\delta)$で抑えられる場合でも，次元の呪いは持続し，収束速度は$t^{-\frac{(4+2\delta)r}{d-2r}}$のオーダーとなる。
シンク均衡とゲームにおける学習の引力点 [cs.GT, cs.LG]目的：ゲーム理論における学習ダイナミクスの極限振る舞い，すなわち引力点の特性評価
- ゲーム理論は，経済学，生物学，政治学など，戦略的相互作用を伴う様々な分野に応用される重要な学問分野である。
- 学習ダイナミクスの引力点の特定は困難であり，安定的な均衡状態を予測することが難しい。
- 引力点とシンク均衡の関係を明確化し，引力点の特性評価における課題を克服することを目指す。
- 本研究は，レプリケーターダイナミクスの引力点とシンク均衡が必ずしも一対一対応しないことを証明した。
- 引力点内の「局所的な斥力点」の存在が，一対一対応が成立しない原因であることを示した。
- シンク均衡の「擬凸性」という新しい概念を導入し，二者間ゲームにおいて擬凸なシンク均衡は引力点を正確に定義することを示した。
フィールドベースの協調的アプローチによる連合学習におけるデータ異質性の克服 [cs.LG, cs.AI]目的：連合学習におけるデータ異質性問題の解決
- プライバシー保護が重要な環境下での機械学習モデル学習手法として連合学習の重要性が高まっている。
- デバイス間のデータ分布の非独立同一分布(non-IID)が連合学習のスケーラビリティと性能を低下させる。
- 空間的なデバイス分布に起因するデータ異質性に対処し，分散型で強靭な連合学習システムを構築する。
- 提案手法FBFLは，IIDデータ条件下で既存のFedAvgと同等の性能を発揮する。
- データ分布が非IIDの場合，FBFLはFedAvgやFedProx，Scaffoldといった既存手法を上回る性能を示す。
- FBFLの自己組織化階層型アーキテクチャは，サーバー障害に対する耐性を有していることが示された。
クリッピングにおける二重運動量と誤差フィードバック：高速性と差分プライバシー [cs.LG, math.OC, stat.ML]目的：連合学習における差分プライバシーと最適化の保証
- 分散環境でのプライバシー保護と機械学習の精度向上は重要課題である。
- 既存手法では，差分プライバシーと最適化性能の両立が難しく，条件付きであったり，プライバシー保証がない場合がある。
- 異質データを持つ分散問題において，最適化速度と差分プライバシーの両立を目指す。
- 提案手法Clip21-SGD2Mは，非凸分散問題において最適な収束レートと，ほぼ最適な差分プライバシー領域を実現する。
- 数値実験により，Clip21-SGD2Mは，与えられたプライバシー予算内で，既存手法よりも優れた最適化性能を示す。
- クリッピング，ヘビーボール運動量，誤差フィードバックの組み合わせが，その性能向上に貢献する。
意思決定における生成モデル：サーベイ [cs.LG, cs.AI]目的：意思決定における生成モデルの分類と課題
- 意思決定はAIの中核であり，高度な知能を実現するための重要な要素である。
- 従来の強化学習は，複雑な行動や多峰性の分布を捉える表現力に限界があった。
- 生成モデルの体系的な分類と，実世界への応用における課題を明らかにすること。
- 本サーベイでは，生成的な意思決定を「制御を推論として」という確率的枠組みに基き，機能に基づいた分類を提案している。
- コントローラ，モデラー，オプティマイザ，エバリュエータという4つの機能的役割を定義し，様々な生成モデルを分析している。
- 実装における動的な幻覚や，プロキシの悪用といったリスクを提示し，汎用的な物理知能への道筋を示唆している。
StudyChatデータセット：人工知能コースにおけるChatGPTとの学生対話分析 [cs.AI, cs.HC]目的：学生とChatGPT間の対話データ
- 教育現場におけるLLM利用が拡大しており，その影響を理解する必要がある。
- 学生のLLM利用状況は観察・分析が不十分であり，効果的な活用方法が不明である。
- LLM利用と学習成果の関係を解明し，教育への効果的なLLM導入を支援する。
- StudyChatデータセットは，大学レベルの人工知能コースにおける学生とLLMの実際の対話16,851件を収録している。
- 概念理解やコーディング支援目的でのLLM利用は，成績向上と相関関係があることが示された。
- 課題のレポート作成など，学習目的を回避するLLM利用は，試験成績の低下と関連していることが明らかになった。
BACE-RUL：共変量エンコーディングを用いた双方向敵対的ネットワークによる機械の残存有用寿命予測 [cs.LG, cs.AI]目的：機械の残存有用寿命予測
- サイバーフィジカルシステムにおける予防保全や信頼性向上に不可欠な分野である。
- 既存手法は，事前の知識や仮定に依存し，実用性が制限されている。
- 現在のサイクルにおけるセンサーデータのみで，残存寿命を予測する。
- 提案手法は，実世界のデータセットで既存手法を上回る性能を示した。
- センサーデータを条件付き空間にエンコードすることで，機械の状態をより良く理解する。
- 汎用的なフレームワークとして，様々なデータセットに適用可能であることが示された。
安全の蜃気楼：擬似相関がVLMの安全ファインチューニングを損ない，機械アンラーニングで軽減可能である [cs.AI, cs.LG]目的：VLMの安全ファインチューニングにおける擬似相関の存在とその軽減策
- 画像とテキストを扱うVLMは著しい進歩を遂げている。安全性確保は重要な課題である。
- 既存の安全ファインチューニングでは，表面的なパターンと安全な応答の間に擬似相関が生じやすい。
- 機械アンラーニングを用いて，有害な知識を直接除去し，VLMの安全性を高めることを目指す。
- 安全ファインチューニングでは，テキストのわずかな変更で安全対策を回避できる脆弱性が存在する。
- 機械アンラーニングに基づくアライメントは，攻撃成功率を最大60.27%削減し，不必要な拒否を84.20%以上削減する。
- 機械アンラーニングは，偏った特徴-ラベル間のマッピングを回避し，VLMの汎用的な能力を維持しながら安全性を向上させる。
生成AI時代における生体医工学における問題解決型学習の発展 [cs.HC, cs.RO, cs.CY, cs.AI]目的：生体医工学における問題解決型学習フレームワークの改良と，生成AIの教育への統合
- 生体医工学は医療技術革新の中核であり，高度な専門知識と問題解決能力が求められる。
- AI技術の急速な進歩に対応するため，AI教育の組み込みが急務だが，リソースや倫理的課題が存在する。
- 生体医工学教育におけるAI活用を促進し，学生のAI能力と実践的な問題解決スキルを向上させる。
- 3年間のケーススタディにより，生体医工学AI教育のための問題解決型学習フレームワークの効果が確認された。
- 学生の論文発表数増加やピア評価の高さから，学習成果の向上が実証された。
- 生成AIを教育内容とサポートツールとして活用することで，AI教育の質と効率が向上した。
大規模言語モデルの欠陥局所化能力に対するコード変更の影響評価 [cs.SE, cs.AI, cs.LG]目的：大規模言語モデルの欠陥局所化能力の頑健性に関する大規模な実証的調査
- ソフトウェア保守におけるLLM活用が拡大しており，欠陥局所化はその重要な応用分野である。
- 既存のLLM評価ベンチマークはコード生成に偏っており，意味的プログラム推論能力を評価できていない。
- データ汚染やスケーラビリティ等の課題を克服し，LLMの欠陥局所化能力を正確に評価すること。
- 意味を保存する変異（SPM）を適用した結果，LLMは以前に局所化された欠陥の78%で失敗する。
- 関連コードが文脈の先頭に近いほど，LLMの推論能力は向上する。
- LLMのコード推論は，意味に無関係な特徴に依存している可能性が示唆された。
ms-Mamba：時系列予測のためのマルチスケールMamba [cs.LG, cs.AI]目的：時系列予測におけるマルチスケール処理による性能向上
- 時系列データは，経済，気象，金融など多岐にわたる分野で重要であり，予測精度は意思決定に直結する。
- 既存のモデルは単一の時間スケールで処理するため，多スケールな情報変化に対応しきれない場合がある。
- 異なるサンプリングレートを持つMambaブロックを組み合わせ，多スケールな情報処理を実現する。
- ms-Mambaは，多くのベンチマークにおいて，最新のTransformerやMambaベースのモデルを上回る性能を示した。
- 例えば，Solar-Energyデータセットにおいて，ms-MambaはS-Mambaよりも低い平均二乗誤差(0.229 vs. 0.240)を達成した。
- また，ms-Mambaはパラメータ数，メモリ使用量，計算量をS-Mambaよりも削減することに成功した。
TianQuan-S2S：気候状態の組み込みによる亜季節～季節規模のグローバル気象モデル [cs.LG]目的：亜季節～季節規模のグローバル気象予測モデル
- 農業，エネルギー生産，緊急事態管理など，意思決定に正確な予測が不可欠である。
- 気象システムの混沌性により，亜季節～季節規模の予測は困難であり，未開拓な分野である。
- 気候状態の不十分な組み込みや，予測の細部が失われる問題を解決し，より精度の高い予測を目指す。
- TianQuan-S2Sは，気候平均，伝統的な数値手法，およびデータ駆動型モデルと比較して，決定論的およびアンサンブル予測の両方において有意な改善を示す。
- 気候情報をパッチ埋め込みに組み込み，不確実性を増幅したTransformerを用いることで，変動の捕捉能力が向上する。
- 主要な気象変数において，熟練した数値モデルECMWF-S2Sや高度なデータ駆動型モデルFuxi-S2Sを上回る性能を示す。
ノイズからのゴースト: 自己教師あり深層畳み込み再構成によるゴーストイメージング [cs.CV, cs.LG, physics.data-an]目的：ゴーストイメージング再構成手法
- ゴーストイメージングは，低照度環境での画像取得を可能にするため，多様な分野で応用が期待されている。
- 従来のゴーストイメージングは，ノイズに弱く，高画質化が課題であった。
- 本研究は，ノイズに強く，高画質なゴーストイメージング再構成を実現することを目的とする。
- 自己教師あり学習を用いることで，参照データなしで高い再構成品質を達成した。
- 理論的検証と実データによる実験により，提案手法の有効性が確認された。
- 低照度環境下でのゴーストイメージングの応用範囲を拡大する可能性を示した。
ネットワーク主成分の差分プライバシー保護とスケーラブルな推定 [cs.DS, cs.LG]目的：ネットワーク主成分の推定
- ネットワーク分析において，影響力のある頂点や拡散過程の制御など，主成分分析は重要な役割を果たす。
- 多くのネットワークデータは機密性が高く，プライバシーを保護した主成分の計算が求められる。
- 差分プライバシー保護下での効率的かつ高精度な主成分推定手法を確立すること。
- 提案手法は，エッジ差分プライバシーを保証しつつ，実グラフの特性に応じてノイズ量を調整することで，高い精度を実現した。
- Propose-Test-Release（PTR）フレームワークを改良し，プライバシー保護と計算時間の両立を図った。
- 実験結果から，既存手法と比較して，PTRは平均して180倍の高速化を達成し，大規模グラフ（300万頂点）への適用も可能となった。
Foam-Agent：自動化された知能を持つCFDワークフローへ [cs.AI, cs.MA]目的：CFDワークフローの自動化
- 流体解析は科学技術の発展に不可欠であり，複雑な現象の理解と予測に貢献する。
- CFDは学習コストが高く，ワークフローが煩雑で，専門知識がなければ活用が難しい。
- 自然言語による指示だけで，CFDワークフローを自動化し，専門知識の壁を取り除く。
- Foam-Agentは，大規模言語モデルを活用したマルチエージェントフレームワークであり，CFDワークフローを自動化する。
- 110のシミュレーションタスクにおいて，専門家の介入なしに88.2%という高い実行成功率を達成した。
- 専門的なマルチエージェントシステムが，複雑な流体シミュレーションを効率化し，専門知識の必要性を低減できることを示した。
ReactDance：高忠実度で一貫性のある長尺反応型ダンス生成のための階層的表現 [cs.CV, cs.AI, cs.LG]目的：反応型ダンス生成における空間的相互作用の微細化と長期的時間的一貫性の確保
- ロボットとのインタラクションや没入型デジタルエンターテイメントの可能性を広げる分野である。
- ダンスの細かな空間的相互作用や，長期間にわたる時間的な一貫性を実現することが困難である。
- 階層的潜在空間を用いた拡散フレームワークにより，これらの課題を解決することを目指す。
- ReactDanceは，階層的有限スカラー量子化（HFSQ）により，高精度な空間表現と詳細な制御を可能にする。
- ブロックワイズローカルコンテキスト（BLC）という非自己回帰的サンプリング戦略により，長シーケンスを高効率に生成する。
- 実験の結果，ReactDanceは既存手法と比較して，モーション品質，一貫性，サンプリング効率において大幅な性能向上を示した。
進歩と安全のバランス：自律運転のための新しいリスク認識型目的関数 [cs.RO, cs.AI]目的：自律運転における強化学習のための，リスクを考慮した目的関数の提案
- 自動運転技術は，交通効率化や事故削減に貢献し，社会に大きな変革をもたらす可能性を秘めている。
- 強化学習における報酬関数の設計が不十分であり，安全性や実用性に課題が残されている。
- 衝突に至るまでのリスクを考慮し，より安全な運転行動を促進する報酬関数を開発すること。
- 提案手法は，無信号交差点における衝突発生率をベースラインと比較して平均21％削減することに成功した。
- 経路の進捗率と累積報酬において，ベースラインを上回り，高い性能を維持しながらより安全な運転行動を促進できることが示された。
- 運転目標を階層的に構造化し，正規化することで，全体の報酬への貢献度を明確にしている。
境界線誘導による軌跡予測：道路認識と物理的実現可能性を備えた自律運転のために [cs.RO, cs.AI]目的：周囲の交通参加者の軌跡予測の精度向上
- 安全で効率的な自律運転には，周囲の状況を正確に予測することが不可欠である。
- 既存手法では，オフロード予測の防止や運動学的実現可能性の保証が課題である。
- 道路境界と許容される進行方向を考慮し，実現可能な軌跡予測を目指す。
- 提案手法は，Argoverse-2データセットにおいて，HPTRベースラインと比較して最終変位誤差を大幅に改善した。
- 運動学的制約を満たす加速プロファイルを予測することで，実現不可能な軌跡を排除することに成功した。
- 特に，発生頻度の低い行動や未知の状況に対する汎化性能が向上し，悪意のある攻撃下でのオフロード率を1%に抑制した。
自動カリキュラム学習による運転シナリオ：ロバストかつ効率的な強化学習に向けて [cs.RO, cs.AI]目的：運転シナリオの自動カリキュラム学習フレームワーク
- 自動運転技術は，交通安全の向上や移動の効率化に不可欠であり，その発展が期待されている。
- 強化学習を用いた自動運転エージェントの訓練は，シナリオの固定化やドメインランダム化による非効率性が課題となっていた。
- エージェントの学習進捗に応じたシナリオの自動生成により，訓練効率と汎化性能の向上を目指す。
- 本研究で提案する自動カリキュラム学習フレームワークは，エージェントの学習ポテンシャルに基づき，適応的に複雑な運転シナリオを生成する。
- 実験結果から，提案手法は固定シナリオ訓練やドメインランダム化と比較して，より高い成功率と迅速な収束を実現することが示された。
- 特に高密度交通環境において，成功率が21%向上し，強化学習に基づく自動運転エージェントのロバスト性と効率性を改善する可能性が示唆された。
クラウドコンピューティングにおける言語エージェントを通じた仮想マシンスケジューリング学習 [cs.LG, cs.CL]目的：クラウド環境における仮想マシンスケジューリングの最適化
- クラウドサービスの普及に伴い，仮想マシンの効率的なスケジューリングが重要課題となっている。
- 既存手法は，リアルタイムの変化への適応や汎化性能，解釈可能性に課題がある。
- 大規模かつ変動する需要に対応可能な，新たなスケジューリング手法の確立を目指す。
- 提案手法MiCoは，大規模な仮想マシン環境（1万台以上）において，96.9%の競争率を達成した。
- 非定常なリクエストフローや多様な設定下でも高い性能を維持し，有効性が確認された。
- 大規模言語モデルを活用した，ヒューリスティック設計パラダイムが有効であることが示された。
アイスクリームは溺死の原因ではない：因果推論における統計的落とし穴に対するLLMのベンチマーク [cs.AI, cs.CL, cs.LG, stat.ME, stat.ML]目的：大規模言語モデルにおける統計的因果推論能力の評価
- 医療，経済，政策など，重要な意思決定には信頼性の高い因果推論が不可欠である。
- 既存のベンチマークは単純化されており，シンプソンのパラドックス等の統計的落とし穴を見過ごす場合がある。
- LLMが統計的因果推論における一般的な落とし穴を克服できるかを厳密に評価する。
- 現在のLLMは統計的因果推論において有意な限界を示すことが明らかになった。
- CausalPitfallsベンチマークは，信頼性の高い因果推論システムの開発を促進するための指針と定量的な指標を提供する。
- 直接プロンプティングとコード支援プロンプティングの2つのプロトコルを用いてモデルを評価し，人間の専門家との比較検証を行った。
ShIOEnv：文法制約付き合成と実行行動モデリングのためのコマンド評価環境 [cs.CL, cs.AI, cs.LG]目的：文法制約付き合成とシステムに根ざした実行行動の把握
- コマンドラインインターフェースの相互作用モデリングは柔軟な出力提示を可能にする重要な分野である。
- 既存手法は，複雑な入力やシステム特性に依存する実行行動のモデリングに課題を抱えている。
- 本研究は，訓練データにおけるシェル入出力データの不足を解消し，より正確な行動モデリングを実現する。
- ShIOEnvは，Gymnasium互換のBashシェル環境であり，コマンド合成とシステムに根ざした実行行動のキャプチャを可能にする。
- 文法由来のオプションを用いて引数構築を時間的に抽象化することで，合成を文法的に有効な引数に制約する。
- 文法制約付きデータセットで訓練されたモデルは，既存の基盤モデルよりも高い精度で実行行動をモデリングできることが示された。
VTool-R1：強化学習によるマルチモーダルツール利用を通じて，ビジョン言語モデルが画像を用いて思考する [cs.LG, cs.AI]目的：ビジョン言語モデルにおけるマルチモーダル思考の生成
- 大規模言語モデルの推論能力向上は，様々な分野での応用を可能にする重要な課題である。
- 既存のビジョン言語モデルへの強化学習の適用は，静的な画像入力に依存したテキストのみの推論に留まる場合が多い。
- 本研究は，画像とテキストを組み合わせた思考連鎖を生成し，より高度な推論能力を獲得することを目指す。
- VTool-R1は，テキストと中間的な視覚的推論ステップを交互に行うことで，ビジョン言語モデルにマルチモーダルな思考連鎖を学習させるフレームワークである。
- Pythonベースの画像編集ツールを強化学習プロセスに統合することで，モデルがタスクの精度に基づいて戦略的にツールを使用するようになった。
- グラフや表に関する構造化された視覚的質疑応答実験により，VTool-R1が画像を用いた思考を促し，推論性能を向上させることが示された。
定数個の悪意のあるノイズ率を持つ疎な半空間の属性効率的なPAC学習 [cs.CE, cs.LG]目的：疎な半空間の属性効率的なPAC学習
- 機械学習理論における基礎問題であり，計算資源効率の良いアルゴリズムの設計が重要である。
- 現実のデータは汚染や悪意のある攻撃を受けやすく，ロバストなアルゴリズムが求められている。
- 定数個の悪意のあるノイズが存在する場合でも，効率的な学習を実現することを目的とする。
- 本研究では，既存のヒンジ損失最小化プログラムを改良したアルゴリズムにより，属性効率的なPAC学習が可能であることを示した。
- 特に，分布が特定の濃度条件とマージン条件を満たす場合に，その有効性が確認された。
- ヒンジ損失最小化プログラムにおける疎性制約を考慮した新しい勾配解析が鍵となる貢献である。
連続的な思考の連鎖は並列探索と推論を可能にする [cs.LG]目的：連続値トークンを用いた思考の連鎖（CoT2）の理論的保証とアルゴリズム
- 大規模言語モデルの推論能力向上は，AI研究の重要な課題である。
- 従来の離散的なトークンサンプリングでは表現力に限界がある。
- 連続的な思考の連鎖（CoT2）による並列探索と推論の効率化を目指す。
- CoT2は，複数の離散的な思考の連鎖を並行して追跡することを可能にする。
- 埋め込み次元数を調整することで，並列処理レベルを最適化できることが確認された。
- 提案手法は，既存のCoT2の学習戦略を上回り，モデルの性能を向上させる。
SealQA：検索拡張言語モデルにおける推論能力の向上 [cs.CL, cs.AI, cs.LG]目的：検索拡張言語モデルの事実に基づいた質問への対応能力の評価
- 情報検索と自然言語処理の融合は，より高度な質問応答システムの実現に不可欠である。
- ウェブ検索結果の信頼性やノイズへの対処は，検索拡張言語モデルの性能を左右する課題である。
- 現在のモデルの限界を明らかにし，より堅牢な推論能力を持つモデルの開発を促す。
- SealQAは，検索結果が相反する，ノイズが多い，または役に立たない場合に，検索拡張言語モデルの性能を評価するための新しいベンチマークである。
- 最先端のLLMでさえ，SealQAの全形式において低い性能を示すことが明らかになった。特に，Seal-0では，優れたエージェントモデルでも精度が低い。
- テスト時の計算資源を増やすことが，必ずしも性能向上に繋がらないことが示された。また，LongSealにおいては，多数の不要な情報の中から関連文書を特定する能力に課題が残る。
地球観測におけるFPGAを用いた機械学習応用：体系的レビュー [cs.LG, cs.AR]目的：地球観測におけるFPGAを用いた機械学習応用の現状と課題
- 地球観測技術の発展は，環境変化の監視や災害対策など，社会にとって不可欠である。
- 生成されるデータ量の増大が，データ伝送の帯域幅やリアルタイム処理能力を圧迫している。
- 限られたリソース環境下での効率的なデータ処理手法の確立が求められている。
- 本レビューでは，リモートセンシングへの機械学習モデルをFPGAに実装した68の実験を体系的に分析した。
- 効率的なモデルアーキテクチャとFPGA実装戦略を分類するための2つの分類体系を提示した。
- 研究の透明性と再現性を確保するため，PRISMA 2020ガイドラインに従い，データとコードを公開している。
RoboPARA：タスク間の並列割り当てと再構成による双腕ロボット計画 [cs.RO, cs.AI]目的：双腕ロボットにおけるタスク並列計画の最適化
- 複雑なマルチタスクにおいて，効率と柔軟性を向上させる上で双腕ロボットの役割は重要である。
- 既存手法ではタスク並列化が不十分であり，双腕協働の潜在能力を十分に引き出せていない。
- タスク依存性を考慮した並列計画により，双腕ロボットの効率性と信頼性を向上させる。
- 提案手法RoboPARAは，タスク依存グラフを用いた計画候補生成と，グラフ再走査による並列計画最適化の二段階プロセスを用いる。
- 実験の結果，RoboPARAは既存の計画手法と比較して，特に複雑なタスク組み合わせにおいて，効率性と信頼性が大幅に向上することが示された。
- 多様なシナリオと難易度レベルに対応した双腕タスク並列評価用データセットX-DAPTを新たに公開した。