arXiv雑要約
AI - 2026/03/10 公開
最適確率密度制御の最大原理 [math.OC, cs.AI, cs.LG, cs.NA, math.NA]目的：最適確率密度制御の理論的枠組み
- 大規模な多エージェント制御問題解決に不可欠な理論的基盤の確立。
- 高次元の確率分布空間における制御問題の解析が困難であること。
- 確率分布空間上の制御問題に対する効率的な数値解法の提供。
- 確率分布空間上の制御問題に対する最大原理とハミルトン-ヤコビ-ベルマン方程式を導出した。
- 深層ニューラルネットワークを活用したスケーラブルな数値アルゴリズムを提案した。
- ドメイン障害やエージェント間の相互作用を含む多エージェント制御問題への適用例を通して有効性を示した。
機械学習力場による局所タンパク質環境の表現 [q-bio.BM, cs.AI]目的：局所タンパク質環境の表現
- タンパク質の機能と分子間相互作用は，局所構造に強く依存する。
- 多様な構造と化学的特性から，局所環境のモデリングは困難である。
- アトミスティック基礎モデルから派生した表現を用いて，局所環境のモデリングを改善する。
- アトミスティック基礎モデルの中間特徴量から得られた表現が，局所構造と化学的特徴を捉えられることが示された。
- この表現空間は有益な構造を有しており，バイオ分子環境の分布に関するデータ駆動型事前分布の構築を可能にする。
- バイオ分子NMRスペクトルにおいて，高精度な化学シフト予測器が実現された。
率決定のための合成データ：欠損値補完法と敵対的生成ネットワーク，オートエンコーダの比較 [math.CO, cs.DM, math.CO, cs.DM, math.CO, cs.DM, q-bio.QM, stat.ML, cs.LG, stat.AP]目的：率決定における合成データ生成手法の評価
- 保険数理における率決定は，質の高いデータに依存するが，データ取得コストやプライバシーの問題が存在する。
- 利用可能なデータの制限が，正確な率決定を妨げる要因となっている。
- 合成データ生成を通じて，データ不足の問題を解決し，率決定の精度向上を目指す。
- 欠損値補完法（MICE）に基づくモデルが，Variational AutoencodersやConditional Tabular GANといった他の生成モデルと同程度の性能を示すことが判明した。
- MICEは実装の複雑さが少なく，高精度な表形式データの生成に貢献する可能性がある。
- 元のデータに合成データを加えることで，GLMによる請求件数予測の性能向上が確認された。
高度滑らかな確率的バイレベル最適化のための高速勾配法 [math.OC, cs.LG, stat.ML]目的：確率的バイレベル最適化におけるε-定常点の探索複雑性
- 機械学習等の分野で重要。上層問題と下層問題が相互に影響し合う問題を扱える。
- 既存手法では，滑らかな問題に対して最適な複雑度よりも遅い計算量が必要とされる。
- 高階滑らかな問題に対して，より高速な計算量を達成する手法を開発する。
- 本研究では，高階微分を用いた近似により，既存手法よりも改善された計算量の上界$\tilde{\mathcal{O}}(p \epsilon^{-4-p/2})$を達成した。
- 下層変数の高階滑らかさの仮定下では，$\Omega(\epsilon^{-4})$という計算量の下界も成立することも示した。
- この結果から，提案手法は高度に滑らかな領域においてほぼ最適であることが示唆される。
3D光音響トモグラフィにおける直接反転のための物理情報に基づいたニューラル演算子 [eess.IV, cs.LG]目的：3D光音響トモグラフィにおける直接反転マッピングの学習
- 医療診断において，非侵襲的な画像化技術の需要は高く，迅速かつ高精度な画像再構成が求められている。
- 従来の3D光音響トモグラフィは，高密度なセンサーアレイと長時間のスキャンが必要であり，臨床応用が制限されている。
- 本研究は，スキャンの高速化と簡略化を実現し，臨床応用の可能性を広げることを目指している。
- PANOは，入力サンプリング密度に依存せず，再学習なしで汎化可能な物理情報に基づいたニューラル演算子である。
- PANOは，物理法則とデータ事前知識を統合した直接反転を行い，従来の二段階法と比較して高画質画像を高速に再構成する。
- シミュレーションデータおよび実測データにおいて，広く使用されているUBPアルゴリズムを上回り，臨床翻訳への道を開く。
スパイク発火時刻からのコンダクタンスベースニューロンモデルの退化集団の高速再構成 [q-bio.NC, cs.LG, math.DS, stat.ML]目的：スパイク発火時刻からのコンダクタンスベースニューロンモデルの退化集団の再構成
- 脳科学研究において，ニューロンの活動を再現するモデル構築は重要である。モデルの精度向上は，脳機能の理解に不可欠となる。
- ニューロンモデルのパラメータ推定は困難であり，特に複数のパラメータセットが類似した活動パターンを生み出す「退化」の問題が存在する。
- スパイク発火時刻のみから，効率的に退化集団を再構成し，ニューロンの活動の多様性と信頼性を解明することを目指す。
- 深層学習とDynamic Input Conductances (DICs)を組み合わせることで，スパイク発火時刻からDIC密度を予測し，退化集団を生成する手法を開発した。
- 本手法は，2つのモデルにおいて高い精度とロバスト性を示し，生理的なノイズ下でも正確な再構成が可能であることを示した。
- 標準的なハードウェア上でミリ秒単位で退化集団を再構成できるため，スパイク記録からのスケーラブルかつ効率的なパラメータ推定を実現する。
マルコフ連鎖に対する経験的PAC-Bayes境界 [stat.ML, cs.LG]目的：マルコフ連鎖に対するPAC-Bayes境界の導出
- 一般化理論は独立観測を前提として発展してきたが，時系列データへの適用が重要である。
- 既存の時系列データに対するPAC/PAC-Bayes境界は，データ生成過程の未知の定数に依存する。
- 有限状態空間における擬似スペクトルギャップの経験的評価により，実用的なPAC-Bayes境界を得る。
- 本研究では，マルコフ連鎖に対する新しいPAC-Bayes境界を導出した。
- この境界は擬似スペクトルギャップという量に依存し，有限状態空間では経験的に評価可能である。
- シミュレーション実験の結果，経験的な境界は理論的な境界と同程度の精度を示すことが確認された。
マルコフ決定過程における個別化された結果に対する直交学習器 [stat.ML, cs.LG]目的：マルコフ決定過程における個別化された潜在的な結果の予測
- 個別化医療において，最適な治療戦略を決定する上で，個別化された結果予測は不可欠である。
- 長期間にわたる潜在的結果の予測は困難であり，既存手法は理論的保証に乏しい。
- 因果推論の視点から，理論的特性を備えたメタ学習器を開発し，予測精度を向上させる。
- 提案手法DRQ-learnerは，一つの潜在的な変数の誤指定下でも妥当な推論を行う二重頑健性を持つ。
- また，DRQ-learnerは，潜在関数の推定誤差に鈍感なネイマン直交性を有する。
- さらに，真の潜在関数が既知であるかのように漸近的に振る舞う準オラクル効率を達成する。
スケーラブルで正則化された重心計算のためのWasserstein勾配流 [stat.ML, cs.AI, cs.LG]目的：確率測度の集約手法
- 確率測度の幾何構造を維持した集約は，様々な分野で重要性が増している。
- 既存手法は全サンプルへのアクセスが必要で，大規模データには適用が難しい。
- ミニバッチ最適輸送を利用し，ラベル情報も統合可能なスケーラブルな手法を開発する。
- 提案手法は，既存の離散的およびニューラルネットワーク的手法と比較して，計算効率と性能を両立している。
- ドメイン適応ベンチマークにおいて，最先端の重心ソルバーとしての性能を確立した。
- ラベル付き重心は，ラベルなしの場合と比較して一貫して高い性能を示した。
マーサーカーネルに基づく解釈可能な事前分布を持つベイジアンニューラルネットワーク [stat.ML, cs.LG]目的：ベイジアンニューラルネットワークの事前分布の構築
- 科学技術分野における意思決定において，不確実性の定量化は重要である。
- ベイジアンニューラルネットワークの事前分布は，解釈可能性に乏しい場合が多い。
- ガウス過程のサンプルを近似する事前分布を持つベイジアンニューラルネットワークを提案する。
- 提案手法は，マーサーカーネルの表現を用いてネットワークパラメータの事前分布を定義する。
- これにより，ネットワーク構造に依存せずにガウス過程の不確実性定量能力をベイジアンニューラルネットワークで活用できる。
- 提案手法は，大規模データセットに対するスケーラビリティとベイジアン推論の解釈可能性を両立する。
KM3NeT/ORCAにおけるトランスフォーマーを用いた低エネルギー再構成および分類の向上 [hep-ex, astro-ph.IM, cs.AI]目的：KM3NeT/ORCAにおけるニュートリノ再構成能力の向上
- ニュートリノ天文学は，宇宙の起源や高エネルギー現象の解明に不可欠な分野である。
- 既存の深層学習モデルは，物理や検出器に関する知識を明示的に組み込まないため，性能が制限される。
- 物理および検出器設計に基づいた注意メカニズムを導入し，モデルの理解度を高めることを目指す。
- トランスフォーマーに物理と検出器設計に着想を得た注意マスクを組み込むことで，再構成性能が向上することが示された。
- トランスフォーマーは，異なる検出器間での有用な情報保持に効果的であることが確認された。
- 本研究は，ニュートリノ望遠鏡の性能向上に貢献する可能性を持つ。
群衆ソーシングの最前線：5万ドルのKaggleコンペを通じて，ハイブリッド物理・機械学習気候シミュレーションを推進 [physics.ao-ph, cs.LG]目的：サブグリッド機械学習パラメータ化による気候モデルの性能向上
- 気候変動予測の精度向上が急務であり，高解像度物理の取り込みが重要である。
- 高解像度物理の計算コストが高く，機械学習パラメータ化のオンライン不安定性が課題である。
- Kaggleコンペを通じて，機械学習コミュニティの知恵を活用し，オンライン安定性を改善する。
- Kaggleコンペの受賞チームのアーキテクチャを気候モデルに組み込み，オンライン性能を評価した結果，複数のアーキテクチャでオンライン安定性が再現された。
- テストされたアーキテクチャは，オフラインとオンラインのバイアスが類似しており，入力変数の拡張などの設計選択によって応答が異なることが示された。
- Kaggleに触発された複数のアーキテクチャが， zonal mean bias patterns や global RMSE などの指標で最先端の結果を達成した。
RadDiff：タンパク質逆フォールディングのための検索拡張ノイズ除去拡散モデル [q-bio.QM, cs.AI]目的：タンパク質逆フォールディングのための手法
- タンパク質工学において，構造からアミノ酸配列を設計する問題は重要である。
- 既存手法は外部知識の活用不足，または大規模言語モデルのパラメータ効率の低さが課題である。
- 最新のタンパク質知識を活用し，効率的かつ柔軟な逆フォールディング手法を開発する。
- 提案手法RadDiffは，CATH，TS50，PDB2022データセットにおいて既存手法を上回る性能を示した。
- 配列回復率が最大19%向上し，高いフォールディング能力を持つ配列を生成できることが示された。
- データベースの規模拡大にも効果的に対応可能であることが確認された。
トポロジー的空間グラフ粗視化 [quant-ph, cs.AR, physics.soc-ph, cond-mat.dis-nn, cs.HC, stat.ML, cs.CG, cs.LG]目的：空間グラフの縮小
- 空間グラフは，交通網や分子構造などに応用され，複雑なシステムの解析に不可欠である。
- 大規模な空間グラフの取り扱いは計算コストが高く，効率的な縮小手法が求められている。
- 空間グラフのトポロジー構造を維持しつつ，グラフサイズを縮小することを目指す。
- 提案手法は，空間グラフのトポロジー的特徴を考慮した粗視化を実現し，グラフサイズの縮小と特徴量の保存のトレードオフを達成する。
- 新しいフィルタリング手法である「三角形を考慮したグラフフィルタリング」を導入し，トポロジー情報を効率的に捉える。
- 回転，平行移動，スケーリングに対して不変であり，パラメータ調整を必要としない。
汚染に対するロバスト性を持つスパースオフライン強化学習 [stat.ML, cs.LG]目的：強化学習における，オフラインで収集されたスパースデータのロバスト性
- 高次元データにおける効率的な学習は，ロボティクスやゲームなどの複雑な問題解決に不可欠である。
- オフライン強化学習では，データの品質が保証されないため，ノイズや汚染に弱くなるという課題がある。
- データのスパース性を利用することで，高次元空間での学習を可能にし，ロバスト性を向上させることを目指す。
- 本研究では，スパースなマルコフ決定過程における強いデータ汚染に対するロバスト性を調査した。
- 既存手法のLSVIではスパース性の組み込みが困難であり，提案手法であるアクター・クリティック法が有効であることを示した。
- 提案手法は，高次元でスパースな環境下において，汚染されたデータに対しても良好な性能を維持することが確認された。
制約付きフィルタによる群間相関 [math.DS, cs.LG, math.GR]目的：群間相関の効率化
- 群構造を利用したニューラルネットワークは，多様なデータ処理に応用可能である。
- 従来の群畳み込み層は，群のサイズに比例した計算量を必要とする。
- より弱い制約を導入することで，計算量を削減し，応用範囲を広げる。
- 提案手法は，既存の制約の欠点を解消し，非コンパクトな安定化子を持つ群作用にも対応可能である。
- 非推移的な群作用や非単模群に対しても，これまでの結果を一般化している。
- フィルタへの制約を弱めることで，ニューラルネットワークのノード数を削減し，効率的な計算を実現する。
マウスから列車まで：グラフデータの償却型ベイズ推論 [stat.ML, cs.LG]目的：グラフデータのノード，エッジ，グラフレベルのパラメータに関する推論
- 生物学，社会ネットワーク，交通など，多様な分野でグラフ構造データが活用されている。
- グラフ構造データに対する推論は，置換不変性，スケーラビリティ，長距離依存性の捕捉が課題である。
- 生成ニューラルネットワークを用いた高速な無尤度ベイズ推論により，上記課題の解決を目指す。
- 提案手法は，グラフエンコーダとニューラル事後推定器を組み合わせたパイプラインで構成される。
- 合成データと実世界の生物学，物流データセットで，性能評価を行った。
- 回復率とキャリブレーションの観点から，複数のアーキテクチャを比較検討した。
不均衡学習における合成データ拡張：有効な場合，有害な場合，そして追加すべき量 [stat.ML, cs.LG, stat.ME]目的：不均衡学習における合成データ拡張の有効性および最適量の決定
- 機械学習において，不均衡データは頻繁に現れ，少数クラスの予測精度低下を招く。
- 合成データ拡張は一般的な対策だが，常に有効とは限らず，最適なデータ量は不明確である。
- 合成データ拡張が有効な条件と，最適なデータ量を理論的に明らかにする。
- 合成データは，局所的な対称性下では必ずしも有益ではなく，むしろ性能を低下させる可能性がある。
- 局所的な非対称性下では，合成データの最適量は生成器の精度と残差不一致の方向性に依存する。
- 検証データによる損失最小化に基づいたVTSSは，効果的な合成データ量選択法である。
機械学習と組み合わせ的融合分析によるビットコイン価格予測 [q-fin.ST, cs.AI, cs.CE, cs.LG]目的：ビットコイン価格予測のモデル融合と学習パラダイム
- 金融市場において価格予測は重要な課題であり，予測精度向上は収益に直結する。
- 個々の機械学習モデルには弱点があり，頑健性の高い予測が困難である。
- モデルの多様性と認知的多様性を活用し，予測精度を向上させる。
- 提案手法は，RMSEやMAPEなどの評価指標を用いて性能を評価した。
- MAPEは0.19%という優れた結果を示し，個々のモデルや既存手法を上回った。
- 組み合わせ的融合分析により，予測性能が大幅に向上することが確認された。
LLMによるニュースセンチメント分析が株価変動予測に与える影響 [q-fin.ST, cs.AI, cs.CE]目的：LLMベースのニュースセンチメント分析を利用した株価変動予測
- 株式市場の予測は，投資戦略の最適化やリスク管理において重要な役割を果たす。
- 従来の株価予測は，センチメント分析と予測モデルを別個に扱っており，両者の相乗効果が不明確である。
- ニュースセンチメント分析が株価予測にどの程度貢献するかを定量的に評価し，最適なモデルアーキテクチャを特定すること。
- DeBERTaがRoBERTaやFinBERTと比較して高い予測精度(75%)を示した。
- 3つのLLMを組み合わせたアンサンブルモデルは，精度を約80%に向上させた。
- センチメントニュースの特徴量は，LSTM，PatchTST，tPatchGNNなどの株価予測モデルにわずかながら有益であることが示された。
長時間オーディオに基づくRAG：マルチ時間規模のオーディオに対するイベントに基づく質問応答 [q-bio.NC, cs.HC, eess.AS, cs.AI, cs.LG]目的：マルチ時間規模のオーディオに対する質問応答の精度向上
- 産業界や消費者向け環境で長時間オーディオの利用が増加しており，効率的な情報検索が求められている。
- 既存のオーディオ-言語モデルはコンテキスト長の制限から，長時間オーディオに対する質問応答は困難である。
- イベント検出に基づく構造化された情報検索により，質問応答の精度と効率を向上させることを目指す。
- 提案手法LongAudio-RAG (LA-RAG)は，タイムスタンプ付きの音響イベント検出を用いてLLMの出力を grounded することで，幻覚を抑制する。
- 構築した長期オーディオベンチマークにおいて，LA-RAGは従来のRAGやtext-to-SQLアプローチと比較して，大幅な精度向上を示した。
- エッジデバイスでイベント抽出を行い，クラウドで言語推論を行うハイブリッド環境での実用性も実証された。
組成からの結晶構造の対称性に基づいた生成 [math.GR, cs.CC, cond-mat.mtrl-sci, cs.AI, physics.comp-ph]目的：結晶構造予測における，組成から三次元原子配置を生成する手法
- 材料開発やメカニズム解明において，結晶構造予測は重要な役割を担う分野である。
- 既存手法は厳密な対称性の適用が困難，または既存テンプレートに依存し，新規材料発見が制限される。
- 本研究は，対称性を重視した生成フレームワークを通じて，この課題を解決することを目指す。
- 大規模言語モデルを活用し，原子量論からワイカフ位置を直接生成することで，データベース検索の限界を克服した。
- 効率的なビームサーチアルゴリズムにより，サイト割り当ての組み合わせ爆発問題を解決し，対称性と原子量論の一貫性を確保した。
- 安定性，一意性，新規性(SUN)ベンチマークにおいて最先端の性能を達成し，新たな結晶構造探索の可能性を示した。
適合性トレードオフ：カバレッジを超える保証 [stat.ME, cs.AI, cs.LG]目的：展開された適合予測の運用特性評価と計画
- 適合予測は重要な意思決定インフラであり，長期運用における信頼性が求められる。
- 既存の研究ではカバレッジのみに焦点が当てられ，運用上の特性（コミット/保留頻度，エラー暴露）が考慮されていない。
- 運用特性を保証するための手法を開発し，カバレッジを超えた評価基準を提供する。
- Small-Sample Beta Correction (SSBC) により，ユーザ要求に基づいた具体的なキャリブレーション設定を導出し，有限ウィンドウでのカバレッジ保証を提供する。
- Calibrate-and-Audit により，独立した監査セットを用いて，コミット頻度やエラー暴露などの運用特性に関する有限ウィンドウ予測区間を認定する。
- 固定された適合分割が誘導する制約を幾何学的に特徴づけ，運用特性間のトレードオフを明確化する。
CryoNet.Refine: Cryo-EM密度マップ制約を用いた構造モデルの迅速な洗練のためのワンステップ拡散モデル [q-bio.BM, cs.AI, eess.IV, q-bio.QM]目的：構造モデルの迅速な洗練
- 構造生物学において，タンパク質複合体の構造解析は生命現象の理解に不可欠である。
- 従来の構造洗練パイプラインは計算コストが高く，手動調整が必要であり，研究のボトルネックとなっている。
- 本研究は，Cryo-EMデータに基づいた構造洗練の自動化と高速化を目指す。
- CryoNet.Refineは，Phenix.real_space_refineと比較して，モデル-マップ相関および幾何学的品質において顕著な改善を示す。
- 密度を考慮した損失関数と強固な立体化学的制約を組み合わせたワンステップ拡散モデルを用いることで，迅速な構造最適化を実現。
- タンパク質複合体やDNA/RNA-タンパク質複合体の洗練に対応可能であり，次世代のCryo-EM構造洗練に貢献する。
光学粒子検出器の微分可能な較正と再構成 [hep-ex, cs.LG, physics.ins-det]目的：光学粒子検出器における較正と再構成手法
- 素粒子実験では，正確なシミュレーションが不可欠であり，実験データの解釈に大きく影響する。
- 従来の較正と再構成は，別々のプロセスとして扱われており，最適化が困難であった。
- 微分可能なシミュレーションにより，較正と再構成を同時に最適化し，解析パイプラインを簡素化する。
- 本研究では，光生成，伝播，検出の全段階で滑らかかつ物理的に意味のある勾配を実現する，初の端点間微分可能な光学粒子検出器シミュレーターを開発した。
- 勾配に基づく較正と再構成は，従来の非微分可能な手法と同等またはそれ以上の精度と速度で，既存の解析パイプラインを大幅に簡素化することが示された。
- このフレームワークのモジュール性は，様々な検出器形状やターゲット材料への容易な適応を可能にし，実験設計と最適化のための柔軟な基盤を提供する。
分割原理の再考：非等体積設計が最小期待星不均衡性を達成する [stat.ML, cs.LG, math.PR]目的：非等体積分割に基づく新たな設計クラスにおける期待星不均衡性
- 高次元数値積分において，乱数生成の品質は計算精度に大きく影響する。
- 既存のジッターサンプリングは，高次元において期待星不均衡性の低減に限界がある。
- 非等体積分割設計を用いることで，ジッターサンプリングよりも期待星不均衡性を低減することを目指す。
- 本研究により，新たに設計された非等体積分割は，古典的なジッターサンプリングよりも低い期待星不均衡性を持つことが示された。
- 具体的には，非等体積分割サンプリングの期待星不均衡性が，ジッターサンプリングよりも小さいことを理論的に証明した。
- 本研究の結果は，高次元数値積分において非等体積分割を利用するための理論的根拠を提供する。
DISPLACE-Mチャレンジ Track 1向けTCG CRESTシステムの説明 [eess.AS, cs.LG]目的：医療会話における話者分割の性能向上
- 遠隔医療の普及に伴い，音声データからの情報抽出の重要性が増している。
- 騒音環境下での医療会話における話者分割は，依然として課題である。
- 本研究は，話者分割の精度向上を目指し，様々な手法を比較検討する。
- Diarizenシステムは，SpeechBrainベースラインと比較して約39%のDER相対改善を示した。
- DiarizenとAHCを組み合わせたシステムが，開発データで10.37%，評価データで9.21%のDERを達成した。
- Phase Iの評価において，11チーム中6位の成績を収めた。
頭皮脳波に基づいた条件付き正規化フローによる深部側頭葉内皮質脳波の非侵襲的再構成 [math.CO, cs.DM, q-bio.NC, cs.AI]目的：頭皮脳波から深部側頭葉内皮質脳波の再構成
- 脳科学や臨床診断において，非侵襲的に深部脳活動を把握することは不可欠である。
- 現在の研究では，複雑な波形や脳波のランダム性を捉えることが困難である。
- 頭皮脳波から深部側頭葉の脳波を再構成し，深部脳活動の理解を深める。
- NeuroFlowNetは，頭皮脳波から深部側頭葉全域の脳波を再構成する初のモデルである。
- 条件付き正規化フローを用いることで，脳波信号のランダム性を明示的に捉え，既存モデルのパターン崩壊問題を回避している。
- 公開データセットを用いた検証により，NeuroFlowNetが時間波形の再現性，スペクトル特徴の再現性，機能的結合の回復において有効であることが示された。
AI時代の数学者 [math.HO, cs.AI]目的：AI技術の数学への影響と対応
- 数学は科学技術の基盤であり，その発展は社会の進歩に不可欠である。
- AI技術の進化が数学研究のあり方を大きく変えつつあり，その影響は未知数である。
- AI技術がもたらす変化に対応し，数学研究の新たな方向性を示すこと。
- AIが数学の定理証明を支援する能力は近年飛躍的に向上している。
- 数学者はAI技術の動向を注視し，その活用方法を検討する必要がある。
- AI技術の発展は数学の実践に変化をもたらし，新たな課題と機会を提供する。