arXiv雑要約
AI - 2026/03/10 公開
MRIフュージョン技術を用いたグリオーマのサブクラス分類 [eess.IV, cs.AI, cs.CV, cs.LG]目的：グリオーマサブクラスの分類精度向上
- グリオーマは脳腫瘍の多くを占め，適切な治療計画と予後予測が重要である。
- グリオーマの多様な悪性度と予後から，正確な分類が課題となっている。
- MRI画像フュージョンにより，より精度の高いサブクラス分類を実現する。
- 提案手法は，既存技術と比較して有意に高い性能を示した。
- 分類精度は99.25%，適合率は99.30%，再現率は99.10%を達成した。
- MRI画像セグメンテーションと分類が，正確な診断支援に重要であることが示唆された。
深層学習に基づくグリオーマの2Dおよび3D MRI自動セグメンテーション手法 [eess.IV, cs.AI]目的：グリオーマのMRI画像セグメンテーション
- 脳腫瘍は死亡原因の一翼を担う重大な疾患であり，正確な診断が不可欠である。
- 手動セグメンテーションは時間と労力を要し，人為的ミスも発生しやすい。
- 2Dと3D畳み込みの利点を組み合わせ，効率的かつ高精度なセグメンテーションを実現する。
- 提案手法は，グリオーマの有効なセグメンテーションにおいて優れた可能性を示した。
- 3DセグメンテーションにおいてResNetモデルは98.91%の精度を，2Dセグメンテーションでは99.77%の精度を達成した。
- 2Dおよび3Dセグメンテーションのダイス係数は，それぞれ0.8312と0.9888であった。
感情認識のためのロバストな不完全マルチモーダル低ランク適応アプローチ [cs.CV, cs.AI, cs.LG]目的：不完全なマルチモーダルデータに対する感情認識の性能向上
- 感情認識は，人間とコンピュータの自然なインタラクションを実現する上で不可欠な技術である。
- 現実の応用において，センサーの故障やプライバシー保護により，マルチモーダルデータが不完全になることがある。
- 異なるモダリティの組み合わせから生じる勾配の競合を解消し，学習効率を最適化することを目指す。
- 提案手法MCULoRAは，モダリティ組み合わせを意識した低ランク適応(MCLA)と動的パラメータ微調整(DPFT)の2つのモジュールで構成される。
- MCLAモジュールは，各モダリティ組み合わせの共有情報と固有の特徴を効果的に分離する。
- DPFTモジュールは，各モダリティ表現空間の分離度に基づいて，モダリティ組み合わせの学習比率を調整し，ベンチマークデータセットにおいて既存手法を大幅に上回る性能を示した。
光子 = トークン：AIの物理学と知識の経済学 [physics.soc-ph, cs.CY, physics.soc-ph, cs.AI]目的：AI計算経済におけるトークンの供給と需要のバランス分析
- AI技術の急速な発展は，社会と経済に大きな影響を与える可能性を秘めている。
- AI計算資源の物理的な制約や経済的なコストが定量的に評価されていない。
- AIシステムへの質問の総数に上限があり，質問の内容の重要性が課題となる。
- 本研究では，トークンを物理量として定義し，熱力学的なコストを評価した。
- 現在の効率では，2028年の米国AI向け年間電力消費量で約6.5×10の17乗トークンを処理可能と推定された。
- AIの発展において，計算量だけでなく，どのような質問をするべきかという問題が重要である。
量子深層学習：包括的なレビュー [quant-ph, cs.LG]目的：深層学習の表現力，汎化能力，スケーラビリティの向上可能性
- 深層学習はAIの基盤技術であり，その性能向上は重要課題である。
- 深層学習の計算負荷が高く，資源制約下での効率的な学習が課題である。
- 量子資源を活用し，深層学習の限界を克服することを試みる。
- 量子深層学習は，ハイブリッドモデル，量子ニューラルネットワーク等，多様なパラダイムを含む。
- 表現力，学習可能性，古典シミュレーション可能性のトレードオフが詳細に分析されている。
- 画像分類，自然言語処理，量子データ処理など，幅広い応用分野における現状と課題が整理されている。
ミューオン粒子運動量推定のためのグラフニューラルネットワーク [physics.data-an, cs.LG, hep-ex]目的：ミューオン粒子運動量推定におけるグラフニューラルネットワークの有効性
- 素粒子物理学において，正確な運動量測定は現象の解明に不可欠である。
- CMS実験では，データ取得効率向上のため，トリガーシステムの性能改善が求められている。
- 本研究は，GNNを用いて高精度な運動量推定を実現し，トリガーシステムの効率化を目指す。
- 提案するGNNは，従来のTabNetモデルと比較して平均絶対誤差(MAE)が低く，高い性能を示すことが確認された。
- GNNの性能は，ノード特徴量の次元に大きく依存することが示された。
- グラフ構造を活かすことで，データ内の複雑な依存関係を効果的に捉えられることが示唆された。
不確実性を考慮した太陽フレア回帰 [quant-ph, cs.DC, cs.ET, astro-ph.SR, cs.CV, cs.LG]目的：太陽フレアの回帰モデルにおける信頼性評価
- 宇宙天気予報は，衛星や地上インフラへの影響を予測する上で不可欠である。
- 太陽フレア予測は，極端な事象に偏ったデータセットのため，誤報が多いという課題がある。
- 予測の信頼区間を確立し，宇宙天気予報の信頼性を向上させることを目指す。
- Conformalized Quantile Regressionが，他の手法と比較して高い網羅率と短い平均区間長を実現した。
- 本研究は，機械学習フレームワークであるConformal Predictionの宇宙天気予報への応用可能性を示した。
- 太陽磁場マップ画像を用いた太陽フレア予測において，予測区間の信頼性を高める効果が確認された。
キャリブレーションされた信用情報：ベイズ不確実性と勾配ブースティングによるシフトに強く，公平なリスクスコアリング [q-fin.RM, cs.AI, cs.LG]目的：信用リスクスコアリングの改善
- 信用リスクスコアリングは，金融取引における重要な意思決定を支えるものであり，正確性が求められる。
- 機械学習モデルは予測精度は向上するものの，分布シフト下ではキャリブレーションが悪化し，不公平な結果を生む可能性がある。
- 分布シフトや公平性の問題を克服し，信頼性の高いリスクスコアリングを実現すること。
- 提案手法CCIは，AUC-ROC 0.912，AUC-PR 0.438を達成し，既存手法と比較して，識別力，キャリブレーション，安定性，公平性のバランスに優れる。
- CCIは，時間的なシフトに対して，AUC-PRの低下を抑制し（0.017），グループ間の不公平さを軽減する（人口均等差0.046，機会均等差0.037）。
- CCIは，現実的な展開条件下で，正確かつ信頼性が高く，より公平なリスクスコアを提供する。
ViroGym：ウイルス性タンパク質の評価のための現実的かつ大規模なベンチマーク [q-bio.QM, cs.AI]目的：ウイルス性タンパク質における変異の影響予測の評価
- ウイルス感染症は，公衆衛生に大きな脅威であり，迅速な対策が求められる。
- 既存のタンパク質言語モデルは，ウイルス性タンパク質に対して十分な評価が行われていない。
- in silico評価とin vitro検証を統合し，抗原および標的選択を支援する。
- ViroGymは，79の深層変異スキャンアッセイを含む包括的なベンチマークである。
- 確立されたタンパク質言語モデルの性能を，適合度ランドスケープ，抗原多様性，パンデミック予測で評価した。
- in vitroデータを用いて選択されたタンパク質言語モデルは，現実世界の主要な変異を予測する能力が高いことが示された。
多孔質媒体中の定常流の機械学習モデルによる予測 [physics.flu-dyn, cs.CE, cs.LG, physics.comp-ph]目的：多孔質媒体中の定常流予測のための機械学習フレームワーク
- 現代の熱管理において重要な冷熱板のトポロジー最適化には，流体シミュレーションが不可欠である。
- 従来のCFDは高精度だが，複雑な形状に対して計算コストが課題となる。
- 計算効率の良いデータ駆動型モデルによる高速かつ信頼性の高い予測を可能とする。
- FNOはAEやU-Netを上回り，平均二乗誤差0.0017を達成し，CFDと比較して最大1000倍の高速化を実現した。
- FNOのメッシュ不変性は，トポロジー最適化における様々なメッシュ解像度への適合性を示唆する。
- 本研究は，多孔質媒体中の流体予測を加速する機械学習の可能性を示し，数値計算の代替手段を提供する。
CREDO：知識を意識した回帰のためのコンフォーマル信頼区間 [stat.ML, cs.LG, stat.ME]目的：回帰における知識に基づいた信頼区間推定
- 機械学習モデルの予測の信頼性評価は重要であり，不確実性の定量化が求められている。
- 従来のコンフォーマル予測では，モデルが外挿を行う領域で信頼区間が過度に自信のあるものになることがある。
- 知識とコンフォーマル予測の双方の利点を組み合わせ，信頼性と解釈性を向上させることを目指す。
- CREDOは，解釈可能な知識に基づく信頼区間を構築し，その上でコンフォーマル校正を適用することで，分布に依存しないカバレッジを保証する。
- これにより，予測区間の幅を，偶然誤差，知識による拡大，およびコンフォーマル校正のための余裕の合計として分解することが可能になる。
- ベンチマーク回帰実験において，CREDOは目標とするカバレッジを維持しつつ，スパース適応性を向上させ，効率も高いことが示された。
重裾評価下における二国間貿易：無限分散に対するミニマックス後悔 [stat.ML, cs.GT, cs.LG]目的：重裾評価を持つ二国間貿易におけるミニマックス後悔の分析
- 市場メカニズム設計において，参加者の評価分布の形状は効率的な取引に大きく影響する。
- 従来の理論では，評価の分散が有限であることが前提とされており，無限分散の場合の分析は不足している。
- 本研究は，評価に無限分散を持つ場合の最適な取引戦略と限界を明らかにすることを目指す。
- 評価の密度が有界である場合に，価格の期待後悔が価格と最適な価値の差の二乗に比例することが示された。
- ノイズのp次モーメントと市場価値関数の滑らかさの度合いに応じて，エポックベースアルゴリズムの後悔率の上界と下界が導出された。
- 得られた結果は，pの値が1から2に近づくにつれて，最適な後悔率が非パラメータレートから線形レートへ変化することを示している。
公平性は逆効果となりうる：公平な機械学習における下方均衡の発生について [stat.ML, cs.LG]目的：機械学習における公平性の制約が，影響を受ける集団の結果を実際に改善するか，それとも「下方均衡」を引き起こし，両方の集団を悪化させるか
- 機械学習システムが信用，雇用などの機会へのアクセスを左右するようになり，アルゴリズム的決定の公平性が重要になっている
- 公平性の制約を加えることが，必ずしも当事者にとって良い結果をもたらすとは限らず，状況によっては悪化させる可能性がある
- アルゴリズム公平性の追求が，集団の結果を改善するか，下方均衡のリスクを伴うかを見極めるための構造的な指針を提供する
- 属性を考慮した状況では，公平な機械学習は不利な集団の結果を弱く改善し，有利な集団の結果を弱く悪化させる
- 属性を考慮しない状況では，公平性の影響は分布に依存し，どちらかの集団に利益をもたらしたり損害を与えたりする可能性がある
- 「隠れた」候補者の存在が，下方均衡を引き起こす主要な要因であることが示された
DNA埋め込みのプライバシー：ゲノム配列の基礎モデル表現の逆転 [math.CO, cs.DM, q-bio.GN, cs.AI, cs.LG]目的：DNA埋め込みのプライバシーに対する脆弱性の評価
- ゲノムデータは個人の重要な情報を含むため，その取り扱いには厳重な注意が必要である。
- 基礎モデルの埋め込み表現が共有される際，プライバシー保護が十分でない可能性がある。
- ゲノム基礎モデルの埋め込み表現から元の配列を復元する攻撃への耐性を評価し，プライバシーリスクを明らかにする。
- 3つのDNA基礎モデル（DNABERT-2，Evo 2，NTv2）において，トークンごとの埋め込み表現からほぼ完全な配列の復元が可能であることが示された。
- 平均化された埋め込み表現では，配列長が長くなるにつれて復元精度は低下するものの，ランダムなベースラインを大幅に上回る。
- Evo 2とNTv2が特に脆弱であり，DNABERT-2のBPEトークン化が最も高い耐性を示すことが判明した。
ポリシー勾配による後学習：最適性とベースモデルの障壁 [stat.ML, cs.AI, cs.LG]目的：後学習における線形自己回帰モデルの最適性および限界
- 強化学習において，報酬関数の設計と効率的な学習が重要課題である。
- ベースモデルの性能が低い場合，後学習による改善が困難になる場合がある。
- ベースモデルの限界を超えた学習を可能とする手法の開発を試みる。
- 報酬クエリの回数に関して，ある種のポリシー勾配法は理論的な最適解に近い性能を示す。
- ただし，ベースモデルのサポートを超える学習には，指数関数的な計算コストが生じる可能性がある。
- プロセス報酬モデルを用いることで，この問題を回避し，次元の呪いを克服できる。
隠蔽された不公平性：ゼロATEにおける因果性の隠蔽 [stat.ML, cs.AI, cs.GT, cs.LG, cs.SI]目的：因果的隠蔽問題の能力と限界の評価
- 公平性の評価において，因果推論の重要性が高まっている。社会的な公平性を担保するためには不可欠である。
- 平均処置効果(ATE)に基づく規制では，不公平な扱いを招く可能性がある。
- ATEに基づいた規制下での最適化が，不当な差別を助長する可能性を明らかにする。
- 因果的隠蔽は，交絡によって真の公平性と乖離することが示された。
- 因果的隠蔽された解を検出することは統計的・情報理論的に困難であり，長期にわたって存在しうる。
- モデルレベルでの公平性規制の必要性が示唆される。
TEA-Time：効果を時間軸に沿って輸送する [stat.ME, cs.LG, econ.EM]目的：無作為化比較試験から推定される治療効果の時間軸上の外挿
- 政策評価において，効果検証は特定の集団・時期に限定されるため，より広範な状況への一般化が課題。
- 治療効果は時間によって変化する可能性があり，過去の実験結果を将来に単純適用できない。
- 実験が行われていない時点での治療効果を推定し，政策決定への貢献を目指す。
- 本研究では，治療効果を時間軸に沿って外挿する「Temporal Transportation」の枠組みを提案した。
- 分離可能な時間効果の仮定の下，外挿された平均治療効果は，既存の平均治療効果と時間比に分解されることを示した。
- シミュレーションと実証分析の結果，提案手法は適切な精度と効率を示す一方で，バイアスとのトレードオフが存在することが確認された。
疫学の確率的予測のための深層生成時空間埋め込み [stat.ML, cs.LG, stat.ME]目的：疫学の発生率の確率的予測
- 公衆衛生の準備において，正確な疫学予測は不可欠である。しかし，複雑な非線形時間依存性や異質な空間的相互作用により，課題が多い。
- 時空間モデルによる点予測は，将来の疫学イベントに対する不確実性の評価において信頼性に欠ける場合がある。
- 本研究は，不確実性を考慮したより信頼性の高い確率的予測手法を開発し，公衆衛生対策への貢献を目指す。
- 提案手法は，軽量な深層生成モデルを用いて，低頻度の疫学データセットに対して正確かつ信頼性の高い確率的予測を生成する。
- 実験結果から，提案手法は3つの予測期間において，複数の時空間ベンチマークモデルと比較して，点予測と確率的予測の両方で優れた性能を示すことが示された。
- また，提案手法の説明可能性を検討することで，タイムリーかつ情報に基づいた公衆衛生介入への応用を促進する。
注意結合潜在記憶における小型脳変換器：視床ゲート，海馬の側性化，扁桃体による顕著性，前頭前皮質のワーキングメモリ [math.AC, cs.CC, math.CO, q-bio.NC, cs.AI]目的：注意結合潜在記憶フレームワークを拡張し，脳領域のアナログを追加した小型脳変換器アーキテクチャの評価
- 記憶システム研究は，認知機能の根幹を理解する上で重要である。神経科学的知見に基づくモデル構築が求められている。
- 既存のシーケンスモデルは，脳の階層的かつ持続的な記憶メカニズムを十分に再現できていない。
- ワーキングメモリの役割に着目し，神経生物学的に妥当な記憶モデルを構築することで，側性化のメカニズムを解明する。
- 海馬の側性化は，抑制性視床間結合のみでは生じず，前頭前皮質のワーキングメモリバッファとの相乗効果によって実現されることが示された。
- ワーキングメモリバッファは，ドメインコンテキストの緩やかな変化を通じて初期的な非対称性を生み出し，抑制性フィードバックループによってそれが不可逆的に増幅される。
- 小脳の高速経路は，側性化の移行を1エポック加速させるだけであり，その役割は収束の加速であることが確認された。
深層条件付き変換モデルによる条件付きランク-ランク回帰 [stat.ME, cs.LG, stat.ML]目的：世代間移動性の定量化
- 社会経済的成果の世代間伝達を理解する上で重要である。
- 共変量を直接加えることで，パラメータ解釈が曖昧になる場合がある。
- 条件付きランクを用いて，グループ内移動性をより正確に測定する。
- 深層条件付き変換モデル（DCTM）を用いて条件付きランクを推定することで，CRRRを改善・拡張した。
- 非線形性や高次の相互作用，離散順序結果に対して高い性能を示した。
- 米国所得のグループ内持続性とインドにおける教育移動性の性差を明らかにした。
Vocosによる高速かつ柔軟なオーディオ帯域拡張 [eess.AS, cs.LG, cs.SD]目的：オーディオ帯域拡張のモデル
- 音声技術はコミュニケーションやエンターテインメントにおいて不可欠であり，高品質な音声処理が求められる。
- 低帯域の音声から高帯域を復元する帯域拡張は，計算コストが高い，品質が低いなどの課題がある。
- Vocosを用いて，実用的な速度と品質で帯域拡張を実現すること。
- 提案手法は，8kHzから48kHzまでのオーディオを高品質に拡張し，競合する手法と同等の性能を示す。
- NVIDIA A100 GPU上では0.0001，8コアCPU上では0.0053というリアルタイム係数で動作し，高速処理を実現する。
- 軽量なリファインナーにより，元の低帯域と生成された高帯域をスムーズに統合し，自然な音声合成を可能にする。
5Gネットワークにおける畳み込みツェトリンマシンを用いた説明可能かつハードウェア効率の高い妨害波検知 [eess.SP, cs.AR, cs.CR, cs.LG, cs.NI]目的：5Gネットワークにおける妨害波検知手法の確立
- 5Gは，移動性，自動化，コネクテッドインテリジェンスなど，重要なサービスを支える無線環境の安定性に依存する。
- 低出力の妨害波は，リンク層レベルでは検知が難しく，可用性と信頼性を脅かす問題がある。
- 本研究は，リソース制約のある環境でもリアルタイムに動作可能な妨害波検知を目指す。
- 提案手法は，5Gの同期信号ブロック(SSB)の特徴量を用いて畳み込みツェトリンマシン(CTM)を適用することで，軽量かつ説明可能な妨害波検知を実現した。
- 実環境での実験結果から，CTMはCNNと同程度の検知精度(91.53±1.01% vs. 96.83±1.19%)を達成し，学習時間は9.5倍高速，メモリ使用量は14分の1(45MB vs. 624MB)であった。
- FPGAへの実装に向けた設計も提示し，CTMが低遅延かつセキュリティが重要な5Gアプリケーションに適していることを示した。
スタインの方法による確率推論と学習 [math.OC, cs.SY, eess.SY, stat.ML, cs.LG, math.PR, math.ST, stat.ME, stat.TH]目的：確率推論と学習におけるスタインの方法の理論的・方法論的側面
- 現代の機械学習や統計的推論において，確率モデルは不可欠な役割を担う。
- 既存の手法では，確率分布の評価や比較が困難な場合がある。
- スタインの方法を用いて，効率的な確率推論と学習を実現すること。
- スタイン演算子とスタイン集合からスタイン不一致を構築するためのレシピが提供される。
- スタイン不一致の計算可能性，分離性，収束検出，収束制御などの特性が議論される。
- スタイン演算子とスタイン変分勾配降下の間の関係が詳細に説明される。
現実環境における音声強調モデルの軽量適応 [eess.AS, cs.AI, cs.LG, cs.SD]目的：音声強調モデルの現実環境下での適応手法
- 音声強調は，雑音環境下での音声明瞭度向上に不可欠であり，様々な応用分野で重要性が高まっている。
- 既存の適応手法は計算コストが高く，デバイス上での実装が困難であるという課題が存在する。
- 本研究は，低コストで効率的な音声強調モデルの適応を実現し，デバイス上での利用を可能にすることを目指す。
- 提案手法は，基盤モデルの1%未満のパラメータを更新しながら，平均1.51dBのSI-SDR改善を達成した。
- 実環境における様々な騒音条件下で，スムーズかつ安定した収束性を示し，優れた知覚品質を実現した。
- これにより，現実環境下での音声強調モデルの軽量なオンデバイス適応の実現可能性が示された。
データ分割を超えて：差分プライバシーによるフルデータ共形予測 [stat.ML, cs.LG]目的：データ駆動型意思決定におけるプライバシー保護と不確実性定量
- データ活用において，プライバシー保護と信頼性評価が重要視されている。
- 既存のプライバシー保護手法はデータ分割が必要で，サンプルサイズが減少する問題がある。
- データ分割を回避し，より効率的な共形予測を実現すること。
- 差分プライバシーによって誘導される安定性を活用し，サンプル内とサンプル外のスコアの差を制御するフレームワークを提案。
- 一般的な差分プライバシー保証が普遍的なカバレッジ下限を提供するが，公称レベルの回復は一般的に難しい。
- メカニズム固有の安定性解析により，公称レベルの漸近的な回復を実現し，分割ベースラインよりもシャープな予測集合を得る。
MetaSort：ニューラル・スパイク波形の非一様圧縮と少数ショット分類を加速するアプローチ [eess.SP, cs.LG]目的：ニューラル・スパイク波形の非一様圧縮と少数ショット分類
- 脳神経科学研究において，神経活動を理解するため，高精度なスパイク波形処理が不可欠である。
- 従来のスパイク分類と圧縮は独立して行われることが多く，計算コストが高いという課題があった。
- スパイク波形の圧縮と分類を同時に効率的に行い，計算負荷を軽減することを目指す。
- MetaSortは，適応的なレベルクロッシングアルゴリズムにより，スパイク波形を高い精度で近似できる。
- 潜在的特徴表現を活用することで，少ないデータ量でのスパイク分類を可能にした。
- メタ学習を活用し，データの幾何学的情報を活用することで，ロバストかつ識別能力の高い分類を実現した。
異種データにおける非凸複合最適化のための圧縮近接連合学習 [math.OC, cs.LG]目的：非凸複合最適化における連合学習アルゴリズムの提案
- エッジネットワークにおける構造制約付きモデル学習の重要性が高まっている。
- 通信効率と収束の安定性を両立させることが難しい。
- 非IIDデータや偏った圧縮によるノイズを軽減し，通信量を削減する。
- 提案手法FedCEFは，分離された近接更新スキームと厳密な誤差フィードバック機構を採用している。
- FedCEFは，非凸条件下で有界残差誤差への亜線形収束を理論的に保証する。
- 実データ実験により，極端な圧縮率下でも高いモデル精度を維持し，通信量を大幅に削減できることが確認された。
サイクルしたナトリウムイオンカソード材料のX線ハイパースペクトルイメージングからのAI駆動相同定 [cond-mat.mtrl-sci, cs.AI]目的：ナトリウムイオンカソード材料における相分布と共存の解明
- 大規模エネルギー貯蔵への応用が期待されるナトリウムイオン電池の性能向上は重要である。
- 電極材料中の複雑な相変化が，電池の性能と耐久性を制限する要因となっている。
- AIを活用し，スパースなデータからナノスケール解像度での相マップを生成し，課題を解決する。
- 開発されたAI駆動法は，少ないデータでもナノメートルスケールの解像度で相マップを生成可能となった。
- NaxV2(PO4)2F3カソード材料の粒子内で，相の分布と共存，および電荷状態に応じた変化を明らかにした。
- 本手法は，相の同定における曖昧さや誤同定を特定し，信頼性を向上させることに貢献する。
ニューラル微分方程式によるLindblad学習 [quant-ph, cond-mat.dis-nn, cs.LG]目的：多体系量子システムのダイナミクス生成器の推論
- 量子プロセッサの検証，較正，制御に不可欠な研究分野である。
- 開放系では，コヒーレント機構と散逸機構が類似した測定統計を生むため，解析が困難である。
- 一時的な測定データを利用し，開放系の特性評価における困難を克服する。
- 提案手法は，中性原子や超伝導ハミルトニアン，およびスピン鎖モデルなど，様々な系で開放系ダイナミクスを信頼性高く学習できる。
- 位相ノイズ，熱ノイズ，およびその組み合わせに対して頑健性を示す。ノイズの影響下でも高い精度で散逸系を推論可能である。
- 最大6量子ビットの系において，50万回以下の測定で，ノイズ比4桁以上の範囲で頑健な推論を実現する。
非線形偏微分方程式の埋め込み学習：バーガース方程式 [math.AP, cs.AI, cs.LG]目的：非線形偏微分方程式の解空間の埋め込み表現の構築
- 物理現象の複雑な関数空間を低次元で表現し，汎化性能を高めることが重要である。
- 従来の物理情報ニューラルネットワークでは，解空間の多様性を捉えきれない場合がある。
- 解空間の主要な特徴を捉え，物理的に解釈可能な埋め込み表現を学習することを目指す。
- マルチヘッド構造と主成分分析により，バーガース方程式の解空間の埋め込みを生成した。
- ヘッド間の直交制約により，訓練の退化に強く，物理解釈が容易な主成分分解が得られた。
- 主要な潜在モードは迅速に飽和し，少数のモードでダイナミクスの主要な特徴を捉えられることが示された。
マイクロトランジット地域分割問題に対するカラム生成法 [math.OC, cs.AI]目的：マイクロトランジットの効率的な地域分割計画
- 都市交通における新たな移動手段の重要性が高まっており，公共交通機関とオンデマンド交通の中間的役割を担うマイクロトランジットが注目されている。
- 既存手法では，候補となる地域を事前に列挙し，最適な地域数を固定するため，柔軟な地域設定が困難であった。
- 本研究は，地域数に上限を設けず，予算制約下でより高品質な地域分割計画を策定することを目的とする。
- カラム生成法を適用することで，既存手法よりも高品質な解を効率的に得ることができた。
- 大規模な都市における数値実験により，提案手法の有効性とスケーラビリティが確認された。
- 本研究は，マイクロトランジットの持続可能性向上と公平な移動アクセス実現に貢献する。
高次元金融時系列データの異常検知のための解釈可能な生成フレームワーク [stat.ML, cs.LG]目的：高次元金融時系列データにおける異常検知手法の開発
- 金融市場の安定性維持には，異常な変動の迅速な検知が不可欠である。
- 高次元データの複雑な時間的依存性から，従来の異常検知は困難である。
- 予測不一致や歪みを捉え，経済的に解釈可能な異常検知を実現する。
- 提案手法ReGEN-TADは，予測と再構成を組み合わせた新しいアーキテクチャを採用している。
- 実証実験の結果，構造的な異常に対するロバスト性が向上し，ファクターレベルでの説明が可能となった。
- ラベルなしデータでの統一的な異常スコアの算出に成功し，キャリブレーションの重要性を示した。
サイド情報を用いたロバストな転移学習 [stat.ML, cs.LG]目的：環境変化に対するロバストな転移学習手法
- 強化学習の応用範囲拡大のため，環境変化への対応が重要である。
- 従来のロバスト最適化は，変化が大きい場合，過度に保守的な方策となりやすい。
- ソースドメインの情報とターゲットドメインの限られたサンプルを活用し，保守性を改善する。
- 提案手法は，特徴量のモーメントや分布距離などのサイド情報を用いて不確実性集合を構築する。
- この手法により，ターゲットドメインの方策の性能が向上し，サンプル効率も改善される。
- OpenAI Gym環境や古典制御問題において，最先端のロバストおよび非ロバストなベースラインを上回る性能が示された。
AIエージェント，言語，深層学習，そして科学における次の革命 [quant-ph, cs.CC, hep-ex, cs.AI]目的：科学における新たなパラダイムの提案
- 現代科学は，前例のない規模のデータに直面しており，従来の分析手法では対応が困難になっている。
- データ生成とデータ理解の間に深刻な不均衡が生じており，科学的発見の速度が鈍化している。
- AIエージェントを活用することで，複雑化するデータから効率的に知識を抽出し，科学的発見を加速させる。
- 深層学習アルゴリズムと大規模言語モデルを基盤とするAIエージェントは，科学者の認知能力を拡張する。
- 中国科学院高エネルギー物理研究所のDr. Saiシステムは，このアプローチの有効性を示している。
- このパラダイムは，粒子物理学を超え，データ駆動型科学全体に適用可能な青写真を提供する。
結び目ほどきにおける強化学習，困難な結び目，および結び目のほどき数 [math.GT, cs.LG, stat.ML]目的：結び目図形の簡略化
- 結び目理論は，数学，物理学，生物学など，多様な分野に応用される重要な研究分野である。
- 複雑な結び目を効率的にほどくアルゴリズムの開発が課題となっていた。
- 強化学習を用いて，結び目図形の簡略化を自動化し，結び目のほどき数を推定すること。
- 強化学習パイプラインを開発し，結び目図形の簡略化に成功した。
- 特に困難な結び目図形や $4_1\#9_{10}$ において，結び目のほどき数の上限を3と推定できた。
- この結果は，最近確立された結び目のほどき数に関する驚くべき上限を裏付けている。
局所制約ベイズ最適化 [stat.ML, cs.LG]目的：高次元制約付き問題に対するベイズ最適化手法
- 高次元問題では次元の呪いが現れ，効率的な最適化が困難である。
- 既存手法は，複雑な制約下で信頼領域が過剰に縮小しやすい。
- 制約条件を考慮した効率的な探索と局所探索を両立し，最適解への収束を目指す。
- 提案手法LCBOは，制約条件を考慮した置換モデルの微分可能な形状を利用し，高速な局所探索と不確実性に基づいた探索を交互に行う。
- 理論的に，一般的なカーネル条件下で，KKT残差に対するLCBOの収束率は次元$d$に対して多項式的に依存することが証明された。
- 高次元ベンチマーク実験（最大100次元）の結果，LCBOは最先端のベースライン手法を常に上回る性能を示した。
専門家の混合を用いた機械学習原子間ポテンシャルのスケーリング [physics.chem-ph, cs.LG, physics.comp-ph]目的：機械学習原子間ポテンシャルの表現能力の効率的な向上
- 原子レベルのシミュレーションは，材料設計や物性予測において不可欠な役割を果たす。
- 既存の機械学習原子間ポテンシャルでは，精度と計算コストのバランスが課題となっていた。
- 本研究は，より効率的に高精度な原子間ポテンシャルを構築する方法を提案する。
- 専門家の混合（MoE）アーキテクチャと線形専門家の混合（MoLE）アーキテクチャを系統的に開発し，その効果を分析した。
- スパースな活性化と共有された専門家を用いることで，大幅な性能向上が確認された。
- 要素ごとのルーティングは構成レベルのルーティングよりも優れており，その結果，最先端の精度を実現した。
外れ値に頑健な反復重み付き最小二乗法による自己共分散最小二乗推定 [math.OC, cs.LG, eess.SP]目的：外れ値の影響を受けにくい自己共分散最小二乗推定法の開発
- カルマンフィルタの性能はノイズ共分散の正確な推定に大きく依存する。
- 従来の自己共分散最小二乗法は外れ値に弱く，性能が著しく低下する。
- 外れ値の影響を軽減し，ロバストなノイズ共分散推定を実現すること。
- 提案手法ALS-IRLSは，従来のALSと比較してノイズ共分散推定のRMSEを2桁以上削減する。
- ダウンストリームのステート推定精度も大幅に向上し，既存のロバストカルマンフィルタを上回る。
- ノイズおよび異常データが存在する場合，理想的なオラクル下限に近い性能を達成する。
プライバシー保護型エンドツーエンド全二重音声対話モデル [eess.AS, cs.AI, eess.SP]目的：全二重音声対話モデルにおける発話者のプライバシー漏洩の評価と匿名化手法の開発
- 音声対話システムは，人間との自然なコミュニケーションを可能にする重要な技術である。
- エンドツーエンド全二重音声対話モデルの隠れ層に，発話者の個人情報が漏洩する可能性がある。
- 隠れ層における発話者識別漏洩を抑制し，プライバシーを保護する。
- SALM-DuplexとMoshiの隠れ層は，全てのTransformer層において発話者識別情報が漏洩していることが判明した。
- Anon-W2Fは，離散エンコーダベースラインと比較してEERを3.5倍以上向上させ，ランダムの閾値に近づいた。
- Anon-W2Wは，0.8秒以下のFRLでベースラインsBERTの78-93%を維持し，低遅延を実現した。
離散潜在変数に対する低分散勾配推定器：ReinMaxを超えて [eess.AS, cs.CL, eess.AS, cs.CL, eess.IV, stat.ML, cs.LG]目的：離散潜在変数を含む機械学習モデルの勾配推定手法
- 潜在変数は，データの高次元な表現を捉え，複雑なモデルの学習を可能にする重要な概念である。
- 既存の勾配推定器は，計算効率が良い反面，高い分散を持ち，学習の安定性を損なう場合がある。
- ReinMaxの高分散という問題を，Rao-Blackwell化と制御変数の手法を用いて解決する。
- ReinMax-RaoおよびReinMax-CVという新しい推定器を提案し，ReinMaxよりも低い分散を実現した。
- 離散潜在空間を持つ変分オートエンコーダーの学習において，提案手法が優れた性能を示すことを確認した。
- ReinMaxをより単純な数値積分として捉え，他の数値解法の利用可能性についても検討した。
ガウス過程を用いた連続制御における事後サンプリング強化学習：非有界状態空間に対する亜線形後悔限界 [stat.ML, cs.LG]目的：ガウス過程事後サンプリング強化学習（GP-PSRL）アルゴリズムのベイズ後悔
- 強化学習は，複雑な環境下での最適制御を実現する上で重要な手法である。
- GP-PSRLの理論的な研究は限られており，既存の後悔限界は厳密な依存関係を示せていない。
- GP-PSRLにおける後悔の厳密な上限を導出し，理論的基盤を確立すること。
- アルゴリズムが実際に訪問する状態は，ほぼ一定の半径の球内に含まれることを証明した。
- 最良の結果として，ベイズ後悔限界を$\widetilde{\mathcal{O}}(H^{3/2}\sqrt{\gamma_{T/H} T})$と導出した。
- この結果により，従来のPSRLの理論的限界を解消し，複雑な環境下での解析を可能にする。
定常確率的動力系における因果効果の識別可能性 [math.ST, cs.LG, stat.TH]目的：因果構造が既知の連続時間線形定常確率微分方程式における識別可能性
- 因果推論は，データから因果関係を明らかにする上で不可欠であり，科学的発見や政策決定に影響を与える。
- 従来の識別手法は拡散行列の知識を必要とし，モデル本来のスケール不変性を無視していた。
- 因果構造に基づいて，特定のドリフト要素の符号が一意に定まるかを判定する手法を確立すること。
- 本研究では，エッジ符号の識別可能性という新たな概念を導入し，観測された共分散行列から因果関係を推定する。
- 忠実性の概念の下で，一般的なグラフに対する識別可能性，非識別可能性，部分識別可能性を特徴付けるための基準を導出した。
- 具体的な因果構造（古典的な因果設定や新規の循環設定など）に対して，エッジ符号の識別可能性を決定し，場合によっては符号の明示的な表現を得た。
クープマンとウェーブレット特徴を用いたTransformerによる心電図分類 [eess.SP, cs.AI, cs.LG]目的：心電図の分類
- 心臓の異常検知には心電図分析が不可欠であり，医療における重要性は高い。
- 生理信号の複雑さと変動性から，心電図の堅牢な自動分類は依然として困難である。
- Transformerとクープマン特徴を組み合わせることで，より高精度な心電図分類を目指す。
- ウェーブレット特徴は二値分類で優れた性能を示すことが明らかになった。
- クープマン特徴とTransformerの組み合わせは，四クラス分類においてより高い性能を達成した。
- 適切なEDMD辞書の選択が性能向上に大きく貢献し，ウェーブレットのみの場合や両特徴を組み合わせた場合を上回った。
オンポリシーとオフポリシーの分散削減手法の統合 [stat.ML, cs.IR, cs.LG, stat.ME]目的：オンポリシーとオフポリシーの分散削減手法の形式的同等性
- Webアプリケーションの改善には継続的な実験が不可欠であり，A/Bテストとオフポリシー評価は重要である。
- A/Bテストとオフポリシー評価は，それぞれ異なる用語やツールを使用し，分断されている。
- 両者の共通の目的である処理効果の推定における理解を深め，手法選択を支援すること。
- オンラインの差の平均推定法は，最適な加法制御変数を備えたオフポリシーの逆確率重み付け推定法と数学的に同等である。
- CUPED，CUPAC，ML-RATEなどの回帰調整法は，二重ロバスト推定と構造的に同等である。
- この統合的見解は，既存手法の理解を深め，研究者や実務家を支援する。
一次幾何，スペクトル圧縮，および計算限界下における構造的適合性 [eess.SP, cs.SY, eess.SY, math.OC, cs.AI]目的：構造的制約下における最適化の幾何学的メカニズム
- 最適化問題は様々な分野で基礎となる技術であり，効率的な解法が求められている。
- 既存手法では，制約が許容されるダイナミクスにどのように影響するか不明確な点がある。
- 制約が最適化の幾何学的構造を歪めるメカニズムを明らかにすることを目指す。
- 最適化の改善方向は，制約によって歪められた勾配として導出されることが示された。
- 有効なダイナミクスは主要なスペクトルモードに集中し，スペクトル圧縮の概念が確立された。
- 複数の目的関数間で共通の許容可能な方向が存在するための適合性原理が示された。
生成対抗回帰（GAR）：条件付きリスクシナリオの学習 [stat.ML, cs.LG, math.OC, q-fin.PM, q-fin.RM]目的：条件付きリスクシナリオの学習
- 金融リスク管理において，将来のリスクを正確に予測し評価することは不可欠である。
- 既存のリスクシナリオ生成手法は，リスク評価と実際のリスクとの間に乖離が生じやすい。
- 下流のリスク目標に整合した，より信頼性の高いリスクシナリオ生成手法を開発すること。
- 生成対抗回帰（GAR）は，生成器を下流のリスク目標に整合させることで，条件付きリスクシナリオを学習するフレームワークである。
- GARは，VaRとESを組み合わせた実証実験で，既存手法よりも下流リスクをより良く維持することが示された。
- GARは，多様なポリシーに対して安定性を保ちながら，リスク評価の乖離を最小限に抑える。
荷電粒子追跡のための量子グラフニューラルネットワークの特性評価と改良 [quant-ph, cs.LG, hep-ex]目的：荷電粒子追跡における量子グラフニューラルネットワークの特性評価と改良
- LHC実験のアップグレードに伴い，高精度な粒子追跡が不可欠となるため。
- イベントの複雑化により，従来の追跡手法では限界が生じつつあるため。
- 量子機械学習モデルを用いて，高精度かつ効率的な粒子追跡を実現すること。
- 量子グラフニューラルネットワーク（QGNN）アーキテクチャの特性を評価し，改良を行った。
- 古典的なフィードフォワードネットワークと量子回路を組み合わせたハイブリッドアーキテクチャの相互作用を分析した。
- モデルの学習挙動が改善され，最終的な学習構成への収束が促進されたことを確認した。
加速された最尤推定のためのMomentum SVGD-EM [stat.ML, cs.LG, stat.CO]目的：最尤推定の加速手法
- 機械学習モデルの精度向上には，パラメータ推定が不可欠である。
- 最尤推定は計算コストが高く，高次元データでは収束が遅延する。
- SVGDとNesterov加速を組み合わせ，収束を速めることを目指す。
- 提案手法Momentum SVGD-EMは，様々なタスクにおいて収束を加速することを示した。
- パラメータ更新と確率測度の空間の両方でNesterov加速を導入した点が特徴である。
- 低次元および高次元の設定で有効性が確認された。
構造的因果ボトルネックモデル [stat.ML, cs.LG]目的：構造的因果ボトルネックモデルの理論的および実験的検討
- 高次元データにおける因果推論は重要であり，その複雑性に対処する必要がある。
- 高次元データにおける因果関係の特定と推定は，計算コストやサンプル数の制約から困難である。
- 因果効果が低次元の要約統計量に依存するという仮定に基づき，因果次元削減を可能にする。
- 構造的因果ボトルネックモデルは，高次元変数間の因果効果を，原因の低次元要約統計量（ボトルネック）に依存させるという仮定に基づいている。
- 本研究では，モデルの識別可能性を分析し，Tishby & Zaslavsky (2015) の情報ボトルネックとの関連性を示した。
- また，少ないサンプル数での転移学習において，ボトルネックが効果推定に役立つことを実験的に示した。
変化点検出のためのオンラインニューラルネットワーク [cs.LG, cs.AI, stat.ML]目的：時系列データの変化点検出
- システムの状態変化を捉えることは，異常検知や故障予測等に不可欠である。
- 大規模な時系列データに対する効率的な変化点検出手法が課題であった。
- オンライン学習可能なニューラルネットワークによる高速な変化点検出を実現する。
- 提案手法は線形計算量であり，大規模データに適応可能である。
- 合成データおよび実データ実験により，既存手法を上回る性能が確認された。
- アルゴリズムの最適解への収束性も証明され，オフライン手法と比較して優位性も示された。