arXiv雑要約
AI - 2026/03/12 公開
確率的推移性なしのペアワイズ比較：モデル，理論，応用 [math.OC, cs.SY, eess.SY, stat.ML, cs.LG]目的：確率的推移性を仮定しないペアワイズ比較のための統計モデル
- ペアワイズ比較は，ランキングや評価において広く用いられ，そのモデル化は重要である。
- 従来のモデルは確率的推移性を仮定しており，この仮定が成り立たない場合に性能が低下する。
- 確率的推移性を必要としない，より柔軟なペアワイズ比較モデルを提案し，その有効性を示す。
- 本研究では，歪対称行列を用いてペアワイズ比較確率を決定する新しいモデルファミリーを提案した。
- 提案手法は，データのスパース性に適応し，最適な推定性能を発揮することが理論的に示された。
- シミュレーションや実データ分析により，従来のBTモデルと比較して，提案手法の優位性が確認された。
オフライン動的在庫と価格戦略：検閲・依存需要への対処 [stat.ML, cs.AI, cs.LG, math.ST, stat.AP, stat.TH]目的：過去のデータに基づいた最適な価格と在庫管理ポリシーの推定
- 需要予測と在庫管理は，サプライチェーン最適化における重要な要素である。
- 需要データの欠損（検閲）や過去の需要への依存関係が，適切な政策決定を困難にする。
- 検閲された需要データから，長期利益を最大化する価格と在庫管理ポリシーを推定すること。
- 提案手法は，過去の検閲データに基づいて，高次のマルコフ決定過程を近似的に解くことで，最適なポリシーを推定する。
- オフライン強化学習と生存分析に着想を得た2つの新しいデータ駆動型アルゴリズムを提案し，その有効性を理論的に保証する。
- 数値実験により，提案アルゴリズムが最適なポリシーを推定する有効性を示す。
スコアマッチング拡散に基づく非線形システムのフィードバック制御と計画 [math.OC, cs.LG, cs.RO, cs.SY, eess.SY]目的：非線形制御アフィンシステムの確率密度制御
- ロボット工学や制御において，複雑な非線形システムの効率的な制御は重要課題である。
- 従来の制御手法は，非線形システムの複雑さから，設計や安定性解析が困難な場合がある。
- 拡散過程を利用し，確率密度制御を通して，よりロバストで効率的な制御を実現することを目指す。
- 本研究では，拡散に基づく決定論的フレームワークを提案し，非線形システムの確率密度制御を可能にした。
- 理論的な保証のもと，ドリフトフリーおよび線形時不変(LTI)システムに対する制御が実現された。
- シミュレーション結果から，提案手法がユニサイクルモデルや高次元システムで信頼性の高い密度制御を可能であることが示された。
普遍的動力学とグローバル制御アナログ量子シミュレータ [math.CO, cs.DM, math.OC, cs.SY, eess.SY, quant-ph, cond-mat.quant-gas, cond-mat.str-el, cs.LG, cs.SY, eess.SY]目的：グローバル制御下での普遍的量子動力学実現可能性の条件
- 量子現象の複雑さを探求する強力なプラットフォームとして，アナログ量子シミュレータが注目されている。
- グローバル制御下で，アナログ量子シミュレータがどの程度普遍的な量子動力学を実現できるか不明であった。
- グローバルパルス制御のみを用いた普遍的量子計算の必要十分条件を確立し，シミュレータの普遍性を証明する。
- グローバル制御下での普遍的量子計算には，ある条件が必要十分であることが示された。
- ランダムなグローバルパルスで駆動されたアナログシミュレータは，ランダムなユニタリ回路と同等の情報スクランブルを示す。
- 直接量子最適制御により，現実的な制約下で複雑な有効ハミルトニアンを合成し， Rydberg原子アレイ上でトポロジカルダイナミクスを実験的に実現した。
パラメータ化された最適制御問題に対するゼロショット転移可能な解法 [math.NT, cs.FL, math.OC, cs.LG]目的：多様な目的関数を持つ最適制御問題に対する転移可能な解法
- 最適制御は，ロボット工学や自動運転など，様々な分野で重要な役割を担っている。
- 目的関数が変化するたびに再計算が必要であり，計算コストが課題となっている。
- オフライン学習で汎用的な基底関数を学習し，オンラインで軽量な係数推定を行うことで，この課題を解決する。
- 提案手法は，様々なダイナミクス，次元，コスト構造において，ほぼ最適な性能を発揮する。
- タスク間の汎化において，最小限のオーバーヘッドで性能を維持し，リアルタイムでの利用に適した半グローバルフィードバックポリシーを実現する。
- 基底関数を一度オフラインで学習することで，新しいタスクへの迅速な適応を可能にする。
マルコフ連鎖に対する経験的PAC-Bayes限界 [stat.ML, cs.LG]目的：マルコフ連鎖に対するPAC-Bayes限界の導出
- 一般化理論は独立な観測を前提としてきたが，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限界は，データ生成過程の未知の定数に依存する。
- 有限状態空間を持つマルコフ連鎖に対して，経験的に評価可能な限界を導出する。
- 本研究では，擬似スペクトルギャップと呼ばれる量に基づいた新たなPAC-Bayes限界を導出した。
- 有限状態空間においては，擬似スペクトルギャップを経験的に評価できることを示した。
- シミュレーション実験により，経験的限界が理論的限界と同程度にタイトであることが確認された。
高次視覚皮質の潜在グループにおける意味選択性の解明：相互情報に基づく拡散法 [q-bio.NC, cs.CV, cs.LG]目的：高次視覚皮質における神経集団が物体中心の視覚情報をどのように符号化しているかの理解
- 視覚情報の神経メカニズム解明は，脳科学における重要な課題である。
- 既存研究では，神経集団自身の構造や意味的な組織化が不明確である。
- 神経集団における視覚・意味的特徴の分布と組織化を明らかにすること。
- MIG-Visは，拡散モデルを用いて神経潜在空間に符号化された視覚・意味的属性を可視化・検証する手法である。
- 実験結果から，MIG-Visは物体姿勢，カテゴリ間変換，クラス内コンテンツなど，多様な視覚特徴に対する明確な意味選択性を持つ神経潜在グループを特定した。
- 本研究は，高次視覚皮質における構造化された意味表現の直接的かつ解釈可能な証拠を提供する。
HyWA：ハイパーネットワークを用いた重み適応型個別音声活動検出 [eess.AS, cs.AI, cs.LG, cs.SD]目的：個別音声活動検出の性能向上
- 音声認識や対話システムにおいて，話者固有の音声活動を正確に検出することは重要である。
- 既存の個別音声活動検出手法は，話者情報をVADモデルの入力や活性化関数に組み込むことに課題がある。
- ハイパーネットワークを用いてVADモデルの選択された層の重みを個別最適化し，性能向上を目指す。
- 提案手法HyWAは，既存のベースライン手法と比較して，一貫して高い個別音声活動検出性能を示す。
- HyWAは，平均適合率（mAP）を向上させることで，既存の個別化手法の改善に貢献する。
- 同一のVADアーキテクチャを再利用できるため，容易な展開が可能となる。
トポロジカル量子符号に対するスケーラブルかつリアルタイムなニューラルデコーダ [math.OC, cs.SY, eess.SY, quant-ph, cs.LG]目的：トポロジカル量子符号の効率的なデコーディング手法
- 量子コンピュータ実現には，物理量子ビットの誤り率を大幅に下げる必要があり，量子誤り訂正が不可欠である。
- 従来のデコーダは，速度，精度，スケーラビリティを同時に満たすことが難しく，特にリソース効率の良い符号への適用が課題である。
- 本研究は，リアルタイムかつ高精度なニューラルネットワークデコーダを開発し，より実用的な量子誤り訂正を可能にすることを目指す。
- AlphaQubit 2は，表面符号およびカラーコードにおいて，スケーラブルな条件下でほぼ最適な論理誤り率を達成した。
- カラーコードにおいて，他の高精度デコーダと比較して桁違いに高速なデコーディングを実現した。
- 商業用アクセラレータ上で1μs/サイクルよりも高速なリアルタイムデコーディングを実証し，より大規模な量子誤り訂正の実現可能性を示唆した。
ランダムフォレストによる最大リスク最小化 [stat.ML, cs.AI, cs.LG, stat.ME]目的：異なる環境における分布を考慮した，外挿汎化性能の向上
- 機械学習モデルの性能は分布に依存する。現実世界では分布の変化に対応できる汎化能力が重要である。
- 学習時とは異なる分布のデータに対する予測性能が低下する，外挿汎化問題が存在する。
- 環境ごとの最大リスクを最小化することで，未知の分布への汎化性能を向上させることを目指す。
- 本研究では，最大リスク最小化の原理に基づいたランダムフォレストの変種を提案し，計算効率の良いアルゴリズムを開発した。
- 提案手法は，平均二乗誤差，負報酬，リグレッションなど，複数のリスク尺度に対応可能である。
- リグレッションをリスクとして用いた最大リスク最小化について，未知の分布に対するサンプル外保証を新たに証明した。
NMIRacle：IRおよびNMRスペクトルからの多Modal生成分子構造推定 [physics.chem-ph, cs.LG]目的：IRおよびNMRスペクトルからの分子構造推定手法
- 化学分野において，分子構造の決定は重要な課題であり，新薬開発や材料設計に不可欠である。
- 従来の分子構造推定は専門家の知識に依存しており，時間と労力を要する。自動化が課題となっていた。
- AIを活用し，スペクトル情報から直接分子構造を推定することで，この課題を解決することを目指す。
- NMIRacleは，分子を構成するフラグメントの情報と，その出現回数を考慮した表現を用いることで，高い精度を実現した。
- IR，1H-NMR，13C-NMRスペクトルを潜在空間に埋め込み，事前学習済みの生成モデルをファインチューニングすることで，スペクトルから直接分子構造を生成する。
- 既存の手法と比較して，分子構造推定の性能が向上し，分子の複雑性が増しても安定した性能を維持できることが示された。
注意の勾配ダイナミクス：クロスエントロピーによるベイズ多様体の形成 [stat.ML, cs.AI, cs.LG]目的：Transformerにおける注意メカニズムの勾配学習による内部構造の形成過程の解明
- Transformerは高度な確率的推論能力を持つが，そのメカニズムは未解明である。
- 従来の学習方法は，Transformerが示すような確率的推論能力を効率的に獲得できない。
- クロスエントロピー学習が注意スコアと値ベクトルをどのように再構築するかを明らかにすること。
- 注意スコアのルーティング法則と値ベクトルの更新則を導出。これにより，注意メカニズムにおけるルーティングとコンテンツの専門化が同時に進行する正のフィードバックループが示唆された。
- このルーティング・コンテンツの相互作用は，EMアルゴリズムのEステップとMステップに類似しており，最適化過程を通じてベイズ推論を実現する幾何学的構造が形成されることが明らかになった。
- シミュレーション実験により，クロスエントロピーによる勾配学習が，ベイズ推論を実装する低次元多様体を形成することが確認された。
生成事前分布を持つベイズ逆問題における誤差解析 [stat.ML, cs.LG, cs.NA, math.NA]目的：ベイズ逆問題における誤差の上限
- 逆問題は，医療画像処理など幅広い分野で重要であり，データから未知のパラメータを推定する。
- 機械学習を用いたデータ駆動型手法は普及しているが，事前分布の選択が課題となっている。
- 生成モデルを用いた事前分布が誤差に与える影響を定量的に評価し，その上限を導出する。
- 生成事前分布を用いたベイズ逆問題において，事後分布の誤差が事前分布の誤差率を継承することが示された。
- Wasserstein-1距離に関する事前分布のレートと，事後分布の誤差が一致するという結果が得られた。
- 数値実験により，解析結果が検証され，非定常場をモデル化する際の有効性が確認された。
特異なベイズニューラルネットワーク [stat.ML, cs.LG, stat.AP]目的：低ランク近似によるパラメータ効率的なベイズニューラルネットワークの構築
- 不確実性の推定は機械学習の信頼性向上に不可欠であり，ベイズニューラルネットワークはその有効な手法の一つである。
- 標準的なベイズニューラルネットワークはパラメータ数が多く，計算コストが高いという課題がある。
- 重み行列の特異値減衰を利用し，低ランク近似によるパラメータ削減と性能維持を目指す。
- 提案手法は，従来のDeep Ensembleと同等の予測性能を，最大で15分の1のパラメータ数で達成する。
- 外挿検知能力が向上し，モデルの校正性能も改善されることが確認された。
- PAC-Bayes汎化誤差の上界は，従来の理論よりも低い複雑度を持つことが示された。
高次元ガイド付き拡散モデルにおける歪みの発生 [stat.ML, cond-mat.dis-nn, cs.LG]目的：拡散モデルにおける条件付きサンプリングの歪み
- 拡散モデルは高品質なサンプル生成が可能だが，多様性の維持が課題。
- 従来の条件付きサンプリング手法では，生成サンプルの多様性が失われる現象が見られる。
- 高次元における歪みの発生メカニズムを明らかにし，多様性維持策を提案する。
- 分類子フリーガイダンスによる歪みを，真の条件付き分布との不一致として定式化した。
- 歪みは，有効ポテンシャルにおける相転移を通して発生することが示された。
- 負のガイダンスウィンドウを導入したスケジュールにより，多様性の損失を軽減できることが確認された。
汎用スパイクトップテンソルモデル [math.ST, cs.LG, math.PR, stat.ML, stat.TH]目的：高次元における非対称ランク1スパイクトップテンソルモデルの普遍性
- テンソルモデルは，機械学習，統計物理，ランダム行列理論などに応用され，高次元データ解析において重要である。
- 従来のテンソルモデル研究はガウス分布を仮定することが多く，より広範なノイズ分布への拡張が課題であった。
- ガウス分布以外のノイズ分布下においても普遍的な性質が成り立つことを示すことが本研究の目的である。
- 高次元非対称ランク1スパイクトップテンソルモデルにおいて，最尤推定量は情報的な分枝上で収束することが示された。
- この分枝上で，スペクトル分布はガウス分布の場合と同等の極限に収束し，特異値やモード間のアライメントも同様の特徴を示す。
- この結果は，非ガウスノイズ分布下でも，テンソルモデルの高次元スペクトル挙動が普遍的であることを確立する。
適合性トレードオフ：カバレッジを超えた運用プロファイル [stat.ME, cs.AI, cs.LG]目的：固定された運用期間における，適合予測の運用特性の分析
- 適合予測は信頼性の高い予測を提供するが，実際のシステム運用ではカバレッジだけでは不十分である。
- カバレッジが類似していても，運用上の特性（コミットメント頻度，保留，誤り露出）が大きく異なる場合がある。
- カバレッジを固定した上で，運用特性を正確に予測・評価するための手法を開発する。
- Small-Sample Beta Correction (SSBC) により，実際の運用ルールに対するカバレッジ保証を確立。
- Calibrate-and-Audit の手法により，運用KPIを効率的に推定し，意思決定を支援。
- シミュレーションと実データ分析により，SSBCの有効性と実用性が確認された。
困難な制約充足問題に対するグラフニューラルネットワークのベンチマーク [cond-mat.dis-nn, cs.LG]目的：困難な制約充足問題におけるグラフニューラルネットワークの性能評価
- 組合せ最適化問題は，現実世界の様々な課題に応用されており，その重要性は高い。
- 既存研究では，グラフニューラルネットワークの性能評価が標準化されておらず，信頼性に課題があった。
- 本研究では，統計物理学に基づいた新たなベンチマークを作成し，公平な性能比較を行うことで，その課題を解決する。
- 古典的なヒューリスティックアルゴリズムが，現時点ではグラフニューラルネットワークよりも優れた性能を示すことがわかった。
- グラフニューラルネットワークがこの分野で優位性を示すためには，さらなる技術的進歩が必要である。
- 作成したベンチマークは，今後のグラフニューラルネットワークの性能評価に役立つことが期待される。
マイクロ拡散圧縮 - オンライン確率推定のためのバイナリツリー・ツィーディー雑音除去 [stat.ML, cs.IT, cs.LG, math.IT]目的：適応的統計モデルによる確率推定の改善
- データ圧縮は，情報社会におけるデータ保存と伝送の効率化に不可欠である。
- 予測モデルは，稀なデータに対して不正確な確率推定を行い，圧縮効率を低下させる。
- バイナリツリーを用いた雑音除去により，少ないデータ量で確率推定の校正を可能にする。
- Midicothは，適応的統計モデルの確率推定を改善するマイクロ拡散雑音除去層を導入したロスレス圧縮システムである。
- 従来の事前分布による平滑化を，事後的な校正統計を用いた雑音除去ステップで修正する。
- バイナリツリー分解により，校正タスクを効率化し，少ない観測データからの信頼性の高い補正項推定を実現する。
組合せ構造の強化学習による生成：ラムゼイ数 [math.CO, cs.AI, cs.CC]目的：ラムゼイ数の下限値の改善
- 組合せ数学の重要な問題であり，グラフ理論などに応用がある。
- ラムゼイ数の計算は困難であり，効率的な探索アルゴリズムが課題である。
- LLMを用いたコード変異エージェントによる探索アルゴリズムを開発し，ラムゼイ数の下限値を改善する。
- 古典的なラムゼイ数5つについて，下限値をそれぞれ1ずつ改善した。
- 既知の正確なラムゼイ数の下限値を再現し，多くのケースで既存の結果と一致した。
- AlphaEvolveは，特定のラムゼイ数探索に特化したアルゴリズムを生成する汎用的なメタアルゴリズムである。