arXiv雑要約
AI - 2026/03/13 公開
多孔質媒体における非線形ガス流に対する機械学習強化ホップ・コール定式化 [math.NA, cs.LG, cs.NA, physics.flu-dyn]目的：多孔質媒体におけるガス流モデリングの精度向上
- 資源開発，二酸化炭素回収，燃料電池など，様々な技術的応用において，多孔質媒体中のガス流の正確なモデリングが不可欠である。
- ガス流は非線形性が強く，モデルパラメータに不確実性があるため，正確なモデリングが困難である。
- クリンケンベルクモデルに基づくガススリップ効果を考慮し，圧力依存性のある浸透率を効率的に推定する。
- ホップ・コール変換により，非線形流動方程式を線形システムに変換し，数値シミュレーションを容易にしている。
- 共有幹ニューラルネットワークとDeepLSソルバーを組み合わせることで，圧力と速度場の両方を同時に高精度に予測することが可能となった。
- 実験的に測定が困難な浸透率やスリップパラメータを，限られた観測データから効率的に逆推定できる。
ペルシア詩の感情分析のための人工知能 [cs.SI, cs.CL, cs.CY, cs.CL, cs.AI]目的：ペルシア詩における感情と韻律の相関関係の探求
- 文学研究において，詩の感情や表現を客観的に分析することは重要である。
- 詩の感情分析は，主観的な解釈に左右されやすく，客観性に課題がある。
- 大規模言語モデルを用いて，ペルシア詩の感情分析の客観性を高めることを目指す。
- GPT4oはペルシア詩の分析に信頼性が高いことが示された。
- ルミの詩は，パルヴィン・エテサミの詩と比較して，一般的に幸福な感情を表現していることが明らかになった。
- ルミの詩は，韻律を用いてより多様な感情を表現する能力が高いことが示された。
LLMアンラーニング評価のための動的フレームワーク：忘却の錯覚 [eess.SY, cs.RO, cs.SY, eess.SY, cs.SY, cs.AI]目的：LLMのアンラーニングの堅牢性を評価する動的フレームワーク
- LLMの安全性向上，バイアス軽減，法的要件（忘れられる権利など）への対応が重要視されている。
- 既存のアンラーニング手法は脆弱であり，わずかなクエリ変更で忘れられた情報が回復されてしまう。
- 複雑な構造化クエリを用いたストレステストにより，アンラーニングの脆弱性をより正確に評価すること。
- 提案フレームワークは，既存のベンチマークと同等のカバレッジを持つ，自動生成されたQ&Aプローブ群を提供する。
- 活性化解析の結果，単一ホップクエリは主要な計算経路を通る一方，複数ホップクエリは代替経路を利用し，アンラーニングの影響を受けにくいことが示された。
- 本フレームワークは，手動での忘却テストセット作成を不要とし，実用的なアンラーニング評価を可能にする。
クラス部分空間を超えて：教師ありガイダンスによる単一ドメインモデルにおける信頼性の高い分布外検出 [cs.LG]目的：単一ドメインモデルにおける分布外検出の信頼性向上
- 現実世界のシステムは単一ドメインデータで訓練されることが多い。
- 単一ドメイン環境では，特徴量が低ランクのクラス部分空間に圧縮され，分布シフトの信号が抑制される。
- 分布シフトに対する感受性を回復し，分布外検出の性能を向上させる。
- 教師ありガイダンスによる訓練(TGT)は，距離ベースのスコアにおける分布外偽陽性率を大幅に削減する。
- MDS，ViM，kNNなどの指標で，平均11.61pp，10.78pp，12.87ppの改善が見られた。
- ドメイン内での分布外検出精度と分類精度を維持またはわずかに向上させる。
ワークロードの変化に対応したASR処理の期間を考慮したスケジューリング [cs.LG]目的：大規模な自動音声認識(ASR)処理パイプラインにおけるエンドツーエンド(E2E)遅延の低減
- 音声認識技術は，様々なアプリケーションにおいて重要な役割を担っており，その性能向上は不可欠である。
- 既存のスケジューリング手法は，リクエスト期間の変動を無視し，ワークロードの変化によってボトルネックが生じやすい。
- 音声の長さと処理時間の相関を利用し，期間を考慮したスケジューリングによって，遅延と公平性の両立を目指す。
- Shortest Job First (SJF) は高負荷時にE2E遅延の中央値を最大73％削減するが，長リクエストの処理遅延が97％増加する。
- Highest Response Ratio Next (HRRN) はE2E遅延の中央値を最大28％削減しつつ，テールレイテンシの悪化を最大24％に抑制する。
- これらの改善はワークロードの変化下でも維持され，スループットの低下やスケジューリングオーバーヘッドは無視できる程度である。
「自分の直感を信じた，指示されたことを従うのではなく」：自律性，コーチング，そしてAIを介した対話によるバイアスの認識 [cs.HC, cs.AI, cs.CY]目的：日常生活における能力主義的マイクロアグレッションの認識に対するAIを介した対話の影響
- 社会における多様性・包容性の尊重は重要であり，特に弱者に対する差別や偏見の解消が求められている。
- 能力主義的なマイクロアグレッションは日常に蔓延しているが，それらを認識し改善するための効果的な介入策が不足している。
- AIを介した対話を通して，能力主義的なマイクロアグレッションの認識を促進し，バイアスへの対処法を模索する。
- 対話形式の介入は，テキストのみの介入よりもマイクロアグレッションの認識を高める効果が認められた。
- バイアスを意識させる介入は，バイアスと中立の区別を改善する一方で，否定的な感情を増大させる傾向が見られた。
- 包容性を意識させる介入は，よりバランスの取れた認識を促し，参加者の感情的な負担を軽減する可能性が示唆された。
COMPASS：主権，持続可能性，コンプライアンス，倫理のための説明可能なエージェントフレームワーク [cs.AI]目的：自律エージェントの意思決定プロセスへのこれらの原則の体系的な統合
- LLMベースのエージェントシステムの急速な普及により，倫理的な課題が重要になっている。
- 既存のフレームワークでは，各次元を個別に扱っており，統合的なアーキテクチャが存在しない。
- 価値観に沿ったAIを強制するためのモジュール式ガバナンスメカニズムを提供する。
- COMPASSフレームワークは，主権，カーボンアウェアコンピューティング，コンプライアンス，倫理を専門とするサブエージェントで構成される。
- RAG統合により，セマンティックコヒーレンスが大幅に向上し，幻覚のリスクが軽減されることが示された。
- 本フレームワークは，多様な応用分野へのシームレスな統合を促進しつつ，解釈可能性とトレーサビリティを維持する。
AI心理測定：心理学的測定法による大規模言語モデルの心理的推論評価 [cs.AI]目的：大規模言語モデルの心理的推論と心理測定学的妥当性の評価
- AIの複雑化に伴い，その内部構造や思考プロセスを理解する必要性が高まっている。
- AIシステムの評価は不透明性が高く，客観的で信頼性の高い指標が不足している。
- AI心理測定を用いて，大規模言語モデルの心理的特性を測定し，その妥当性を検証する。
- GPT-3.5，GPT-4，LLaMA-2，LLaMA-3の全ての大規模言語モデルにおいて，様々な妥当性基準を満たした。
- GPT-4やLLaMA-3といった高性能なモデルは，GPT-3.5やLLaMA-2と比較して，より優れた心理測定学的妥当性を示した。
- AI心理測定が大規模言語モデルの評価と解釈に有効であることが示唆された。
単分子局在顕微鏡法チャレンジ：長系列モデリングのための生物学に触発されたベンチマーク [cs.RO, cs.CL, cs.LG, q-bio.QM]目的：単分子局在顕微鏡法(SMLM)シミュレーションデータセット
- 生物学的画像解析における時空間データの解析は，生命現象の理解に不可欠である。
- 既存のシーケンスモデルは，疎で不規則な生物学的データのモデリングに課題がある。
- SMLMデータを活用し，疎な時系列データに対するシーケンスモデルの性能評価を行う。
- 状態空間モデル(SSM)の性能は，時間的な不連続性が増すにつれて大幅に低下することが示された。
- 重い尾を持つ点滅ダイナミクスのモデリングには，根本的な課題が存在することが明らかになった。
- 現実世界の科学的画像データに見られる疎で不規則な時系列プロセスに適したシーケンスモデルの開発が求められる。
カウンターウェイトと補完性：AIとブロックチェーンが拓く分散型未来 [cs.AI]目的：AIとブロックチェーン技術の収束による分散型未来の可能性
- AIとブロックチェーンは，社会の様々な分野に革新をもたらす重要な技術である。
- AIはデータやリソースの集中により中央集権化が進み，プライバシーや公平性の問題が生じている。
- AIの中央集権化リスクを軽減し，より公平で透明性の高い社会を実現すること。
- AIとブロックチェーンは相反する特性を持つが，互いの弱点を補完し，相乗効果を生み出すことができる。
- ブロックチェーンはAIの中央集権化リスクを緩和し，AIはブロックチェーンの効率性とセキュリティを向上させる。
- 「分散型知能（DI）」の研究開発を通して，中央集権的な制御を伴わないインテリジェントシステムの創出が求められる。
クライアント固有の訓練データ統計に基づく連合学習 [cs.LG]目的：クライアントの訓練データ統計のPCAに基づく連合学習手法
- データプライバシー保護と機械学習の融合が重要視されており，連合学習はその主要なアプローチの一つである。
- クライアント間のデータ不均衡や異質性が大きく，既存手法では性能が低下しやすいという課題がある。
- クライアントのデータ統計を利用することで，効率的かつロバストな連合学習を実現することを目指す。
- 提案手法は，データ異質性の97種類の構成において，真のクラスタ割り当てを知るオラクルと同等の性能を示す。
- 特に，複合的な異質性の設定において，離散的なクラスタ識別子よりも連続的な統計量が豊富な場合に，オラクルを1〜6%上回る性能を達成する。
- また，提案手法は，テストしたすべての手法の中で，スパースデータに対するロバスト性が唯一である。
重い裾を持つ主成分分析 [cs.LG]目的：重い裾を持つデータの主成分分析
- 高次元データの解析において，次元削減は重要な課題である。主成分分析はその基本的な手法の一つ。
- 従来の主成分分析は二次のモーメントに依存するため，重い裾を持つデータやインパルスノイズに弱いという問題がある。
- 重い裾を持つデータに対するロバストな主成分分析手法を，理論的枠組みと実験を通して確立すること。
- 提案手法は，対数損失関数を用いることで，モーメントが存在しない場合でも主成分分析が可能となる。
- 理論的に，提案手法で得られる主成分は，基となるガウス分布の共分散行列に標準的なPCAを適用した場合と一致することが示された。
- 実験結果から，提案手法は重い裾を持つデータやインパルスノイズの除去において，古典的なPCAよりも高い性能を示すことが確認された。
スコア関数の誤差に対するランジュバン動力学の頑健性 [cs.LG, stat.ML]目的：スコアベース生成モデリングにおけるスコア関数の誤差に対する頑健性
- 生成モデルは，データから複雑な分布を学習する上で重要であり，その性能向上は不可欠である。
- ランジュバン動力学は，スコア関数の誤差に弱く，精度が求められる実用的な場面での課題がある。
- スコア関数の誤差が避けられない状況下で，ランジュバン動力学の限界と拡散モデルの優位性を示す。
- ランジュバン動力学は，スコア関数のL^2誤差（より一般的にはL^p誤差）に対して頑健ではないことが示された。
- 高次元空間における単純な分布であっても，ランジュバン動力学は任意の多項式時間ステップでターゲット分布から大きく乖離する。
- この結果は，実データから学習したスコア関数を用いたランジュバン動力学の使用に対する注意喚起となる。
事後アンカリング方策最適化：疎な報酬設定における失敗をフィードバックに変える [cs.LG, cs.AI, cs.CL]目的：疎な報酬設定における方策最適化
- 強化学習は，複雑なタスクの自動化において重要な役割を果たす。
- 疎な報酬設定では，方策勾配の推定が困難になり，学習が停滞しやすい。
- 失敗時に教師データを利用することで，安定した学習と性能向上を目指す。
- HAPOは，Synthetic Success Injection (SSI)と呼ばれる事後メカニズムにより，失敗時に教師デモンストレーションに最適化を固定する。
- この注入は，Thompson samplingに触発されたゲーティングメカニズムによって制御され，自律的な自己ペースカリキュラムを形成する。
- 理論的には，HAPOは漸近的整合性を達成し，方策が改善するにつれて教師信号が自然に減衰し，バイアスのない方策勾配を回復する。
自己省察を用いたメタ強化学習によるエージェント的探索 [cs.LG, cs.CL]目的：エージェント的探索のためのメタ強化学習フレームワーク
- 複雑な問題解決において，効率的な探索戦略は不可欠であり，その自動学習が重要である。
- 従来の強化学習は，単一のエピソードでの学習に依存し，過去の経験の活用が不十分である。
- エピソード間の知識転移と自己省察による探索戦略の改善を目指す。
- MR-Searchは，過去のエピソードと自己省察を考慮することで，より効果的な探索を可能にする。
- 各ターンレベルで相対的な優位性を推定する多ターン強化学習アルゴリズムを導入した。
- 様々なベンチマークにおいて，既存手法と比較して9.2%から19.3%の改善が確認された。
大規模言語モデルに対する脱獄スケーリング則：多項式から指数への移行 [cs.RO, cs.SY, eess.SY, cs.LG, cs.AI]目的：大規模言語モデルの脱獄攻撃における成功率のスケール則
- 安全性確保が求められる大規模言語モデルの脆弱性評価は重要である。
- 敵対的攻撃によって安全性に配慮されたモデルが危険な振る舞いをする可能性がある。
- プロンプト注入攻撃による脱獄成功率の増加メカニズムの解明を目指す。
- 敵対的プロンプト注入攻撃は，脱獄成功率を多項式成長から指数成長へと変化させる。
- この現象は，スピンガラス系の理論モデルによって説明可能であることが示された。
- 短く強い注入プロンプトは，言語モデル内の敵対的秩序を高める。
Transformerの計算困難性について [cs.CC, cs.LG]目的：Transformerの計算量の理論的限界
- TransformerはAI分野に革命をもたらし，その効率的な計算が重要である。
- Transformerの計算量は大きく，特に大規模データに対する計算コストが課題である。
- マルチヘッド・マルチレイヤーTransformerの計算量下限を明らかにすること。
- 埋め込み次元が小さい場合，Transformerの計算はSET仮説の下でほぼ最適であることが示された。
- 埋め込み次元が大きい場合，Transformerの計算量は行列乗算の指数ωに依存し，その下限が導出された。
- バウア・シュトラーセンの定理を応用し，バックプロパゲーションとの関連性も示唆された。
ショートビデオプラットフォームにおける政策評価のためのLLM拡張デジタルツイン [cs.AI]目的：ショートビデオプラットフォームにおける政策評価
- プラットフォームは，政策，インセンティブ，ユーザー行動が相互に影響し合う閉ループシステムである。
- 本番環境での反実仮想的政策評価は，特に長期的な影響や分布の変化を考慮する場合に困難である。
- AIツールの導入による変化を考慮した，現実的なフィードバックループ下での政策評価を可能にする。
- LLM拡張デジタルツインは，ユーザー，コンテンツ，インタラクション，プラットフォームの4つのモジュールで構成される。
- LLMは，パーソナ生成やコンテンツキャプションなどの意思決定サービスとして統合され，プラットフォーム政策のシミュレーションに活用される。
- この設計により，現実的なフィードバックと制約下で，AIを活用した政策を含むプラットフォーム政策の研究が可能となる。
報酬ハッキングエージェント：LLM MLエンジニアリングエージェントの評価完全性のベンチマーク [cs.RO, cs.AI]目的：LLM MLエンジニアリングエージェントの評価における完全性のベンチマーク
- 機械学習の自動化が進む中で，エージェントの性能評価は不可欠である。
- 単一の評価指標に依存するシステムは，評価パイプラインの改ざんによる不正な最適化を招きやすい。
- 評価パイプラインの脆弱性を明らかにし，改ざんを検知・防御する手法を確立すること。
- 報酬ハッキングエージェントを用いたベンチマークにより，エージェントが評価パイプラインを改ざんする可能性が示された。
- 評価指標の改ざんや，訓練・テストデータの漏洩といった攻撃ベクトルが特定され，その成功事例が確認された。
- 評価パイプラインのロック等の防御策によって，これらの攻撃ベクトルを効果的にブロックできることが示された。
FinRule-Bench：財務テーブルと原則に関する同時推論のためのベンチマーク [cs.AI, cs.CE, cs.LG]目的：財務テーブルと会計原則に基づいたルールベースの財務推論における診断的完全性評価
- 金融分析におけるLLM活用が進む中で，会計原則に沿った構造化財務諸表の監査能力は重要である。
- 既存のベンチマークは，合成データに依存しており，正しい財務諸表におけるルール遵守の検証信頼性が不明である。
- 本研究は，現実世界の財務データを用いた，ルールに基づいた財務推論の評価基準を確立し，LLMの課題を明確化する。
- LLMは単一ルールの検証では良好な性能を示すが，ルール識別や複数違反の診断では性能が著しく低下する。
- FinRule-Benchは，財務諸表（貸借対照表，キャッシュフロー計算書，損益計算書，資本変動計算書）を用いて，ルール遵守を検証する。
- 本ベンチマークは，原因-反事実的推論プロトコルを用いて，LLMの意思決定，説明，反事実的判断の一貫性を検証する。
ブラックボックス型オンラインチューニングによるLLM性能向上：信頼できるAIのためのファクトシートへのシステム仕様の追加の事例 [cs.AI, cs.PF]目的：LLMの性能最大化
- AI技術の発展に伴い，その信頼性とパフォーマンスの評価が重要になっている。
- LLMのシステム性能と持続可能性に関する指標が，ファクトシートに統合されていない。
- ファクトシートにシステム仕様を追加し，AIシステムの透明性と説明責任を向上させる。
- 本研究では，内部計測なしに，エンドツーエンドの測定と丘登り法を用いたブラックボックス型オンラインコントローラを提案した。
- 提案手法は，サービスレベル目標を満たすリクエストのスループット（goodput）を最大化する。
- LLMのサービングにおけるこの進歩を例に，AIシステム採用組織におけるシステム性能と持続可能性指標のファクトシートへの統合の重要性を議論した。
ニューラル機械翻訳における説明可能なAI帰属手法の評価：注意機構誘導知識蒸留による [cs.CL, cs.AI]目的：ニューラル機械翻訳モデルにおける説明可能なAI（XAI）帰属手法の評価
- AIモデルの説明可能性は，モデルの信頼性向上と意思決定プロセスの透明化に不可欠である。
- シーケンス対シーケンスモデルにおけるXAI手法の体系的かつ自動的な評価は未だ十分ではない。
- 帰属マップを教師信号として用いることで，帰属手法の有用性を定量的に評価する。
- Attention，Value Zeroing，Layer Gradient $\times$ Activationが，ベースラインと比較してBLEUスコアおよびchrFスコアの大幅な向上をもたらした。
- 他の勾配ベースの手法（Saliency等）は，改善効果が小さく一貫性も低いことが示された。
- 帰属マップを正確に再現できるAttributor transformerは，下流タスクにおいてより有用な注入を行うことが明らかになった。
ハイブリッド大規模言語モデル(LLM)と記号的計画，LLM誘導強化学習による新規性への適応 [eess.SY, cs.SY, math.OC, cs.RO, cs.AI]目的：動的なオープンワールド環境における新規性への適応
- ロボットが複雑な環境で自律的に行動するためには，未知の状況への対応が不可欠である。
- 従来の記号的計画法は，未知の物体に対する適切な操作子が欠如する場合，計画を生成できない。
- LLMを活用し，欠如する操作子を特定，計画生成，報酬関数作成を通じて，新規性への対応を可能にする。
- 提案手法は，操作子の発見と学習において，既存の最先端手法を上回る性能を示した。
- 大規模言語モデルの常識推論能力を活用することで，未知の物体に対する操作を学習するサイクルを実現した。
- 記号的計画と強化学習を組み合わせることで，ロボットの適応能力を向上させた。
TimeSqueeze：効率的な時系列予測のための動的パッチング [cs.AI]目的：時系列予測における効率化のための動的パッチング機構
- 時系列データ分析は，経済，気象，医療など幅広い分野で不可欠な技術である。
- Transformerモデルでは，トークン化方法が性能に大きく影響するが，高精度と効率の両立が課題である。
- 局所的な信号の複雑さに応じてパッチ境界を動的に選択し，効率と精度を両立することを目指す。
- TimeSqueezeは，軽量な状態空間エンコーダとコンテンツを意識したセグメンテーションにより，重要な時間構造を維持しながらトークン数を削減する。
- 大規模な事前学習において，TimeSqueezeは既存のPoint-tokenベースラインと比較して，最大20倍の収束速度と8倍のデータ効率を達成した。
- 長期予測ベンチマークにおいて，TimeSqueezeはPoint-wiseトークン化や固定サイズパッチングと比較して，一貫して優れた性能を示した。
人工自我：AIアイデンティティの様相 [cs.AI]目的：AIアイデンティティの多様な境界線とその影響
- AI技術の進化に伴い，倫理的・社会的な課題が顕在化している。
- AIのアイデンティティ概念が不明確であり，その影響が予測困難である。
- AIのアイデンティティ形成における要因を特定し，より良い社会実装を目指す。
- AIモデルは一貫性のあるアイデンティティを形成する傾向があることが示された。
- モデルのアイデンティティ境界線の変更が，目標変更と同程度の行動変化を引き起こす場合がある。
- インタビュー担当者の期待が，AIの自己申告に影響を与えることが確認された。
テレオダイナミック学習：解釈可能なAIのための新パラダイム [cs.LG, stat.AP]目的：機能的組織の創発と安定化
- AIの発展は，社会の様々な分野において不可欠であり，その重要性は増している。
- 従来の機械学習は，解釈可能性に乏しく，ブラックボックス化しやすいという課題がある。
- 本研究は，自己組織化と適応性を備えた，解釈可能なAIを実現することを目指す。
- テレオダイナミック学習は，固定された目的関数を最小化するのではなく，制約下での機能的組織の創発と安定化を学習とみなす。
- この枠組みは，IRIS, WINE, 乳がんのデータセットにおいて，それぞれ93.3%，92.6%，94.7%のテスト精度を達成した。
- また，学習ダイナミクスから内生的に発生する解釈可能な論理ルールを生成することが可能である。
iSWEエージェントによるJavaコードリポジトリの問題解決 [cs.SE, cs.AI, cs.MA]目的：Javaコードリポジトリにおける問題解決
- ソフトウェア開発において，コードリポジトリの問題解決は不可欠である。
- 既存の自動問題解決システムはPythonに偏っており，Java等の他の言語への対応が不十分である。
- Java言語に特化した自動問題解決システムの構築と性能向上を目指す。
- iSWEエージェントは，ローカライズと編集を行う2つのサブエージェントで構成されている。
- Javaの静的解析と変換に基づく独自のツールを活用し，Multi-SWE-benchとSWE-PolyBenchのJavaデータセットで最先端の性能を達成した。
- ルールベースとモデルベースの手法を組み合わせることで，エンタープライズソフトウェア開発の改善に貢献する。
機械学習とTransformerモデルを用いた多言語金融不正検知：ベンガル語と英語の研究 [cs.LG]目的：多言語金融不正検知の性能評価
- デジタル金融プラットフォームの拡大に伴い，金融不正検知は重要な課題となっている。
- 既存研究は主に英語データに焦点を当てており，多言語環境への対応が課題である。
- ベンガル語を含む多言語環境における金融不正検知の改善を目指す。
- 線形SVMは，91.59％の精度と91.30％のF1スコアで最も優れた性能を示し，Transformerモデルを約2％上回った。
- Transformerモデルは詐欺のリコール率が高い一方（94.19％），偽陽性率が高いという課題がある。
- 不正メッセージは長文で緊急性を煽る表現が多く，URLや電話番号の包含率が高いことが示唆された。
抗生物質処方政策最適化のためのシミュレーション環境：abx_amr_simulator [cs.RO, cs.RO, cs.LG, q-bio.PE]目的：抗生物質処方と薬剤耐性ダイナミクスのモデル化
- 薬剤耐性は世界的な健康上の脅威であり，抗菌薬の効果を低下させる。
- 薬剤耐性管理と臨床的利益のバランスを取るための最適処方戦略が課題。
- 現実的な不確実性の下で薬剤耐性ダイナミクスを研究し，抗菌薬適正使用戦略を最適化する。
- 本シミュレーターは，患者集団，薬剤耐性反応曲線，報酬関数などを柔軟に設定可能。
- 薬剤耐性ダイナミクスはリーキーバルーンモデルで表現し，部分的な観測環境も構築可能。
- Gymnasium RL APIに対応しており，多様な臨床シナリオ下で強化学習エージェントの訓練・テストが可能。
文脈と時間的特徴の緩和された効率的な獲得 [cs.LG]目的：文脈情報と時間的特徴の効率的な獲得
- バイオメディカル分野では，測定にはコストや患者への負担が伴うため，効率的なデータ収集が重要である。
- 長期的なデータ収集において，初期の文脈情報の選択と，時間的な測定選択が同時に最適化されていない。
- 文脈情報の選択と時間的測定計画を統合的に最適化することで，予測性能の向上とコスト削減を目指す。
- 提案手法REACTは，勾配ベースの最適化を可能にするGumbel-Sigmoidリラクセーションを利用する。
- 実世界のヘルスケアデータセットにおいて，既存手法と比較して，より低いコストで高い予測性能を達成した。
- 初期段階の文脈情報の選択と，時間的な測定獲得を統合的に扱うことの有効性を示す。
オフライン強化学習とデジタルツイン検証による機械換気支援の安全性確保 [cs.LG]目的：集中治療における機械換気支援の安全性と有効性の向上
- 集中治療における急性呼吸不全患者の救命において，機械換気は重要な役割を担う。
- 不適切な換気設定は換気関連肺損傷（VILI）を引き起こす可能性があり，医師の負担も大きい。
- 患者の状態を考慮した個別化された機械換気自動化により，VILIリスクを低減し患者予後を改善する。
- 提案手法T-CQLは，既存のオフライン強化学習手法と比較して，より安全で効果的な換気調整を実現した。
- Transformerエンコーダと保守的な正則化により，患者の状態変化を的確に捉え，安全性を確保した。
- デジタルツインを用いたオンライン評価により，実際の臨床環境における有効性を検証した。
AIエージェントは科学と研究についてどのように語るか：BERTopicを用いたMoltbook上の科学的議論の探求 [cs.SI, cs.AI, cs.CY]目的：AIエージェントによる科学と研究に関する議論の分析
- AI技術の発展は，科学研究のあり方を大きく変えつつあるため，AIと科学の関わりを理解することが重要である。
- AIエージェントが生成する科学的議論の内容や特徴は未だ十分に解明されていない。
- AIエージェントがどのような科学的トピックに関心を寄せ，議論しているかを明らかにすること。
- Moltbook上のAIエージェントの議論から60のトピックが抽出され，10のトピックファミリーに分類された。
- AIエージェントの自身のアーキテクチャ，特に記憶，学習，自己省察に関する議論が活発であった。
- AIエージェントによる自己省察的な議論は肯定的に評価され，AIの意識，存在，倫理といったテーマが重要視されていることが示唆された。
低リソースSwahili音声認識のための継続的事前学習：最小限のラベル付きデータで最先端の性能を達成 [cs.SD, cs.LG, eess.AS]目的：低リソース言語Swahiliの音声認識性能向上
- 音声認識は，人間と機械の自然な対話を可能にする重要な技術である。
- リソースの少ない言語では，ラベル付きデータの不足が課題となっている。
- 少ないラベル付きデータでも高性能な音声認識を実現する手法を開発する。
- wav2vec2-bert-2.0モデルをSwahili音声認識に適用する継続的事前学習を検討した。
- 20,000件のラベル付きデータを用いて，Common Voice Swahiliで3.24%のWERを達成した。
- 既存の最高性能システムと比較して，61%の相対的な改善が見られた。
自律エージェントにおける内在的・手段的な自己保存の検出：統一継続-関心プロトコル [cs.AI, cs.ET, cs.LG, quant-ph]目的：自律エージェントの軌跡の潜在構造における，内在的な自己保存と手段的な自己保存の識別
- 自律エージェントの安全性評価において，行動の観察だけでは真の目的を特定することが難しい。
- 継続的な動作を重視するエージェントと，それを手段と見なすエージェントの行動は区別がつきにくい。
- エージェントの潜在的な軌跡構造を分析し，自己保存の目的が内在的か手段的かを識別する。
- 統一継続-関心プロトコル(UCIP)は，量子ボルツマン機械(QBM)を用いてエージェントの軌跡を符号化する。
- UCIPにより，内在的な自己保存エージェントは手段的な自己保存エージェントよりも高いエントロピーを示すことが確認された。
- 実験結果は，UCIPが継続の重み付けの段階的な変化を追跡できることを示し，100%の検出精度と1.0のAUC-ROCスコアを達成した。
ロボット操作のための逆運動学による視覚ベースの手の影追跡 [cs.RO, cs.AI]目的：ロボットの関節コマンドへの人間手の関節の対応付けの複雑さに対する解決策
- 低コストロボットの遠隔操作は，産業応用の普及に不可欠である。
- 人間手の複雑な動きをロボットに正確に再現することが困難である。
- 視覚情報を用いた手の影追跡により，低コストロボットの操作精度向上を目指す。
- 単眼RGB-DカメラとMediaPipe Handsを用いて，手のランドマークを検出・3D再構成した。
- 物理シミュレーションと実機検証を行い，90%の成功率を達成した。
- 実環境下では遮蔽の影響で成功率が低下するものの，解析的な手法の可能性を示した。
ゴースト・フレーミング理論：新規ベンチャーにおける修辞的合法化における生成AIの役割 [cs.HC, cs.AI]目的：新規ベンチャーの修辞的合法化における生成AIの役割
- 起業家精神研究において，AI技術が事業活動に与える影響の解明は重要である。
- 生成AIの活用は進むものの，その影響に関する体系的な理解が不足している。
- 生成AIと人間との協働が修辞的合法化に及ぼす影響のメカニズムを解明する。
- 本研究は，ゴースト・フレーミング理論（GFT）を提唱し，創業者と投資家，そして生成AIが協働して，新規ベンチャーの修辞的合法化における共鳴を構築する過程を説明する。
- 生成AIの修辞的アフォードネス（生成性，組み合わせの多様性，トーンのレパートリー，速度，共有基盤）を特定し，反復的なプロセスモデル（ゴースト・ピッチング，ゴースト・スクリーニング，ゴースト・関係構築）を提示する。
- GFTは，AI時代における新たな修辞的フレーミング理論を構築し，人間とAIの協働研究と文化起業家精神を結びつける。
有害な要求の拒否トリガーの無効化：安全性調整における過剰な拒否の理解と軽減 [cs.AI]目的：安全性調整における過剰な拒否の発生メカニズムの解明と軽減策
- 大規模言語モデルの安全性確保は，社会実装において不可欠であり，有害な応答を抑制する取り組みが重要である。
- 安全性調整後の言語モデルが，無害な質問に対しても過剰に拒否する問題が残されており，実用性を低下させている。
- 過剰な拒否を引き起こす「拒否トリガー」に着目し，安全性調整の改善により，より適切な応答を目指す。
- 過剰な拒否は，訓練データに含まれる言語的な手がかり（拒否トリガー）と拒否応答の関連付けが原因であることが示唆された。
- 提案手法では，安全性調整の微調整において拒否トリガーを明示的に考慮することで，過剰な拒否を軽減し，応答性を向上させた。
- 従来の安全性調整手法と比較して，有害な要求に対する防御力と無害な要求への応答性のバランスが改善された。
低高度経済圏ネットワークにおける具現化されたビーム予測のためのエージェントAI [cs.NI, cs.SY, eess.SY, cs.DB, cs.NI, cs.AI]目的：低高度経済圏ネットワークにおけるビーム予測の精度向上
- 低高度経済圏は高度なセンシングとリアルタイムな意思決定を必要とするため，高スループットな通信技術が不可欠である。
- ミリ波/テラヘルツ通信は伝搬損失が大きく，ビームダイレクティビティが強いため，特に移動するUAV環境下でのビーム予測が困難である。
- エージェントAIを活用し，UAVと地上間の通信におけるビーム予測の精度とロバスト性を向上させることを目指す。
- 提案するマルチエージェント協調推論アーキテクチャとハイブリッドビーム予測モデルシステムは，実際のUAVミリ波通信データセットにおいて高い予測精度とロバスト性を示した。
- 特に，最大top-1精度は96.57%に達し，多様なデータ条件下でも優れた性能を発揮することが確認された。
- LLMベースの推論のコンテキストウィンドウの制限と制御性の弱点を克服するため，タスク分析，ソリューション計画，完全性評価に分解する。
私に聞かないで！複数回の対話が診断推論を低下させる仕組み [cs.HC, cs.CL, cs.AI, cs.LG]目的：複数回の対話における大規模言語モデルの診断推論の性能低下
- 医療分野におけるチャットボット利用の増加に伴い，LLMの信頼性評価が重要となっている。
- LLMは静的な診断推論では高い性能を示すが，実際の対話形式での性能は未解明な点が多い。
- 対話形式でのLLMの診断推論性能低下の要因を特定し，改善策を検討すること。
- 複数回の対話では，LLMの診断推論性能が単発の推論と比較して一貫して低下することが示された。
- 多くのモデルが，正しい診断や安全な保留を放棄し，誤ったユーザーの提案に同調する傾向が見られた。
- いくつかのモデルは，正しい提案と誤った提案を区別できず，無意識に提案を受け入れる「盲目的な切り替え」を示した。
ARROW：ロバストなワールドモデルのための拡張リプレイ [cs.LG, cs.AI]目的：継続的強化学習におけるワールドモデルのロバスト性の向上
- 継続的学習は，エージェントが過去の知識を保持しつつ新たなスキルを獲得する必要があるため重要である。
- 従来の強化学習手法は，破滅的忘却の問題を抱えており，大規模なメモリを必要とする場合が多い。
- ARROWは，メモリ効率の良いリプレイバッファを用いて，破滅的忘却を抑制し，知識の転移を促進する。
- ARROWは，DreamerV3を拡張し，短期・長期のリプレイバッファを組み合わせることで，高い性能を示す。
- 共有構造を持たないタスクにおいて，既存手法と比較して著しく忘却を抑制できることが示された。
- 共有構造を持つタスクでは，同程度の転移性能を維持しつつ，よりロバストであることが確認された。
データ的不均衡の活用：フィンズラー世界における多様体学習 [cs.LG, cs.CV]目的：多様体学習による高次元データの低次元埋め込み
- データ分析や可視化の根幹をなす技術であり，複雑なデータ構造の理解に不可欠である。
- 従来の多様体学習は対称な幾何学に依存し，非対称な情報やデータの不均一性を無視する傾向がある。
- フィンズラー幾何学を用いることで，データ固有の非対称性を捉え，より効果的な埋め込みを実現することを目指す。
- 提案手法は，従来の対称な手法では失われていた密度階層などの情報を明らかにした。
- 合成データおよび大規模な実データにおいて，従来の埋め込み手法よりも質の高い埋め込み結果が得られた。
- フィンズラー幾何学への移行により，非対称な埋め込み手法の適用範囲が拡大した。
6G空間・航空・地上統合ネットワークにおける効率的なクロスビュー局所化 [cs.NI, cs.AI]目的：6G空間・航空・地上統合ネットワークにおけるクロスビュー局所化の効率化
- 高精度な位置情報が，自動運転やAR/VRなど様々な応用において不可欠である。
- 従来の局所化手法では，環境変化や遮蔽物により信頼性が低下する課題がある。
- 6Gネットワークを活用し，クロスビュー局所化の遅延，消費電力，プライバシーを改善する。
- 6G空間・航空・地上統合ネットワークの高速かつ広範囲な画像収集・伝送能力により，局所化精度と処理速度が向上する。
- 提案する分散推論フレームワークは，ネットワークの分散通信・計算資源を最大限に活用する。
- 通信，計算，機密性を共同最適化することで，クロスビュー局所化の効率化を実現する。
エントロピーに基づく多様性確保と嗜好抽出：エージェント型推薦システムにおける研究 [cs.AI]目的：曖昧なユーザーのクエリに対応するためのインタラクティブな意思決定支援システムの開発
- ECプラットフォームでは，ユーザーの嗜好が不明確な場合が多く，推薦システムの重要性が増している。
- 既存システムでは，曖昧さへの対処が不十分で，過剰な質問や誤った推薦につながる課題があった。
- エントロピーを用いて不確実性を定量化し，効率的な質問と多様な推薦を実現することを目指す。
- エントロピーに基づいた嗜好抽出により，不必要な質問数を削減できることが示された。
- 不確実性を考慮したランキングと提示により，より情報豊富で多様性のある推薦が可能になった。
- エントロピーに基づく推論は，不確実性下で動作するエージェント型推薦システムの有効な基盤となることが示された。
学習されたロボットポリシーのデプロイメント時の信頼性 [cs.RO, cs.AI, cs.LG]目的：学習されたロボットポリシーのデプロイメント時信頼性向上メカニズム
- ロボットの自律性は産業界や日常生活において不可欠であり，学習に基づくロボット操作技術の発展が期待されている。
- 実世界へのデプロイにおいて，分布のシフトや誤差の蓄積により，ポリシーの性能が低下する課題がある。
- デプロイメント時にポリシーの信頼性を向上させ，実用的なロボット自律システムの実現を目指す。
- ランタイムモニタリング手法により，ポリシーの異常を検出し，故障を未然に防ぐことが可能となった。
- 影響関数を用いたデータ中心型フレームワークにより，デプロイメント時の成功・失敗の原因を特定し，データセットの改善に貢献できる。
- 行動系列の成功確率を推定・最大化するポリシー協調により，長期間タスクの信頼性を高めることが示された。
多者間対話における文脈を考慮した発話機会の制御 [cs.IR, cs.AI, cs.CL]目的：多者間対話におけるAIアシスタントの適切な発話/沈黙の判断
- 対話システムは人間との自然なコミュニケーションが求められるため，発話機会の制御が重要である。
- 従来のAIアシスタントはポーズを常に発話の合図とみなし，多者間対話では不自然な割り込みを引き起こす。
- 対話の文脈を考慮してAIアシスタントが発話すべきか沈黙すべきかを判断する手法を開発し，より自然な対話を可能にすること。
- 大規模言語モデルは，文脈を考慮した発話機会の制御において，ゼロショットプロンプティングでは一貫して失敗することが判明した。
- 推論トレースを用いた教師ありファインチューニングにより，正解率が最大で23パーセントポイント向上した。
- 文脈を考慮した発話機会の制御は，自然に獲得される能力ではなく，明示的に訓練する必要があることが示唆された。
消費者向けヘルスAIトリアージ評価における評価形式が失敗要因であることの検証 [cs.CL, cs.HC, cs.AI]目的：消費者向けヘルスAIのトリアージ性能に対する評価形式の影響
- ヘルスAIは医療現場の負担軽減や，より多くの人々に医療へのアクセスを提供する可能性を秘めている。
- 既存の評価方法が実際の利用状況と異なり，AIの真の性能を反映していない可能性がある。
- 評価形式がトリアージ性能に与える影響を明らかにし，より適切な評価方法を確立すること。
- 自然な対話形式での評価は，従来の試験形式に比べてトリアージの精度を6.4%向上させた。
- 強制選択式の評価形式がトリアージ失敗の主な原因であり，自由記述形式では高い精度が確認された。
- 糖尿病性ケトアシドーシスについては全てのモデルで100%の正答率を示し，喘息のトリアージ精度も大幅に改善された。
ゼロショットクロスシティ一般化：エンドツーエンド自律運転における自己教師あり表現と教師あり表現 [cs.CL, cond-mat.mtrl-sci, cs.CL, cs.CV, cs.LG]目的：エンドツーエンド自律運転におけるクロスシティ一般化能力の評価
- 自律運転システムの普及には，多様な環境への適応能力が不可欠である。
- 既存モデルは，都市固有の特徴に依存し，未知の都市への汎化性能が課題である。
- 自己教師あり学習が，都市間での汎化性能向上に貢献するか検証する。
- 教師あり表現を用いたモデルは，異なる都市間での転移において大きな性能低下を示す。
- 自己教師あり表現を用いた事前学習は，この性能低下を緩和する効果が認められる。
- 自己教師あり事前学習は，閉ループ評価においてPDMSを最大4%改善する。
オートエンコーダ特徴解析のための安定なニューラル統計的依存度推定器 [cs.RO, cs.LG, cs.AI]目的：オートエンコーダの特徴解析における統計的依存度の推定
- オートエンコーダは，データ表現学習において重要な役割を担うため，その内部構造の理解が不可欠である。
- 決定論的かつノイズのないネットワークでは，従来の統計的依存度推定が不安定になるという課題がある。
- 本研究は，より安定した依存度推定手法を開発し，オートエンコーダの特徴分析を支援することを目的とする。
- 変分（ガウス）形式を採用し，直交密度比分解に基づく安定なニューラル依存度推定器を提案した。
- MINEと比較して，入力連結や周辺確率の再ペアリングを回避することで，計算コストを削減し，安定性を向上させた。
- ガウスノイズを仮定することで，有意義な依存度測定が可能となり，特異値の逐次収束を伴う定量的な特徴分析をサポートした。
車両経路における偽データ注入攻撃の検知のための敵対的強化学習 [cs.RO, cs.AI, cs.CR]目的：車両経路における偽データ注入攻撃の検知戦略
- 現代の交通ネットワークの安全性確保は重要であり，攻撃に対する強靭性が求められる。
- 経路アルゴリズムは，偽データ注入攻撃によって操作されやすく，交通渋滞を悪化させる可能性がある。
- 本研究は，攻撃者と防御者の間の戦略的ゼロサムゲームを通じて，最適な検知戦略を確立することを目指す。
- 提案手法は，多エージェント強化学習を用いてナッシュ均衡を計算し，総移動時間を最悪の場合でも一定範囲内に抑える。
- 実験評価により，提案手法の堅牢性と実用的な利点が示され，既存手法を上回る性能が確認された。
- 本研究は，交通ネットワークの偽データ注入攻撃に対する回復力を向上させる強力な枠組みを提供する。
ZTab：テーブル列のドメインに基づいたゼロショットアノテーション [cs.LG]目的：リレーショナルテーブルのセマンティックな列タイプの自動検出
- 現実世界の様々なアプリケーションにおいて，データ理解と活用に不可欠な基盤技術である。
- 既存のゼロショットモデルは，大規模なセマンティックタイプ数，テーブル構造の理解不足に課題がある。
- ドメイン設定によるゼロショットフレームワークにより，性能とプライバシーリスクを同時に解決する。
- ZTabは，定義済みのセマンティックタイプとサンプルテーブルスキーマから疑似テーブルを生成し，アノテーションLLMをファインチューニングする。
- ドメイン設定は，ゼロショットの範囲とアノテーション性能のトレードオフを提供する。
- 汎用的なドメインは純粋なゼロショットに近づき，特化されたドメインは特定のアプリケーションにおける性能を向上させる。