arXiv雑要約
AI - 2026/03/17 公開
段階的訓練による二重ストリーム音声匿名化攻撃手法 DAST [cs.SD, cs.AI]目的：音声匿名化攻撃手法の開発と評価
- 音声データに含まれる個人情報保護の重要性が高まっており，匿名化技術の評価が不可欠である。
- 既存の音声匿名化技術は，言語内容を保持しつつも，話者特有のパターンを漏洩する可能性がある。
- 未知の匿名化データに対する攻撃性能を向上させ，プライバシー保護の評価を強化すること。
- 提案手法DASTは，スペクトル特徴と自己教師あり学習特徴を融合する二重ストリーム構造を採用している。
- 段階的訓練戦略により，特に第2段階が汎化性能の向上に大きく貢献することがVoicePrivacy Attacker Challenge (VPAC) データセットで示された。
- ターゲット匿名化データセットの10%で微調整することで，既存の最先端攻撃手法を上回るEERを達成した。
注意に驚く：時系列異常検知のための予測可能なクエリ動態 [cs.RO, cs.LG, cs.AI]目的：多変量時系列異常の検知
- 自動運転などの分野で，システム全体の協調性が重要であり，異常はその協調性の変化として現れる場合がある。
- 従来の残差ベースの異常検知器は，信号の再構成が可能であれば，協調性の変化を見逃しやすいという課題がある。
- 多ヘッド注意機構のクエリ進化の予測可能性を利用し，協調性の変化に敏感な異常検知手法を開発する。
- AxonADは，クエリベクトルの予測と再構成誤差，およびクエリの不一致スコアを組み合わせることで，構造的依存性の変化を捉えながら振幅レベルの検出も可能にした。
- 社内車両テレメトリとTSB-ADデータセットを用いた実験で，AxonADは既存手法よりもランキング品質と時間的局所化において優れた性能を示した。
- クエリ予測と複合スコアリングが，性能向上に大きく貢献することが検証された。
凍結された基盤モデル上のリッジヘッドに対する正確な連合継続的アンラーニング [cs.CL, cs.LG]目的：連合環境における凍結された基盤モデルとリッジ回帰ヘッドを用いた，特定のサンプルやユーザーの影響除去
- 基盤モデルは広く利用されており，プライバシー保護が重要視されるため，データ削除の要求に応える必要が生じている。
- 既存の連合アンラーニング手法は近似的な再構築や選択的な再学習に頼るため，正確性が課題となっていた。
- リッジ回帰ヘッドを持つシステムにおいて，正確なデータ削除を実現するための効率的な通信プロトコルを開発する。
- 提案手法は，サーバーが各リクエスト後に中央集権的な再学習と数学的に同等のヘッドを維持することを保証する。
- 実験結果から，本手法は中央集権的なリッジ回帰再学習と$10^{-9}$の相対フロベニウス誤差内で一致することを確認した。
- 本手法は，連合再学習のベースラインと比較して，大幅に低いコストで各リクエストを完了する。
人間アノテーションは必要か？機械翻訳におけるエラー箇所検出のための反復MBR蒸留 [cs.CL, cs.AI]目的：機械翻訳におけるエラー箇所検出
- 機械翻訳の品質評価において，エラー箇所の特定は重要な課題である。
- 人間によるアノテーションはコストがかかり，アノテーター間での不一致が生じやすい。
- 人間のアノテーションに依存せず，高品質なエラー箇所検出を実現すること。
- 提案手法である反復MBR蒸留は，人間アノテーションなしで高性能なエラー箇所検出を可能にした。
- 自己生成された擬似ラベルのみで学習したモデルが，人間アノテーションで学習したモデルを上回る性能を示した。
- WMT Metrics Shared Taskのデータセットで，システムレベルおよび箇所レベルで優れた結果が得られた。
daVinci-Env：大規模なソフトウェアエンジニアリング環境の構築 [cs.SE, cs.AI, cs.CL]目的：ソフトウェアエンジニアリングエージェントの学習環境
- ソフトウェア開発の自動化は，生産性向上や効率化に不可欠である。
- 既存の学習環境は規模が小さく，多様性に欠ける場合が多い。
- 大規模かつ高品質な学習環境を提供し，エージェントの学習効率を高める。
- OpenSWEは，45,320個の実行可能なDocker環境と12,800以上のリポジトリを含む，ソフトウェアエンジニアリングエージェント学習のための最大の透明性の高いフレームワークである。
- OpenSWE-32BとOpenSWE-72BはSWE-bench Verifiedで62.4%と66.0%を達成し，Qwen2.5シリーズにおいて最先端の性能を示した。
- ソフトウェアエンジニアリングに特化した学習は，数学や科学のベンチマークにおいて性能向上をもたらし，事実の想起能力を損なわない。
3DTCR：渦追跡に基づく3次元再構成のための物理ベース生成フレームワーク - 熱帯低気圧強度予報の改善に向けて [cs.LG]目的：熱帯低気圧の3次元構造再構成と強度予報の精度向上
- 熱帯低気圧は甚大な被害をもたらすため，正確な強度予報が重要である。
- 既存の数値モデルやAIモデルでは，熱帯低気圧の複雑な構造と強度を十分に表現できていない。
- 3DTCRは，高解像度シミュレーションの計算コストを抑えつつ，熱帯低気圧の微細構造を効率的に捉える。
- 3DTCRは，条件付きフローマッチング(CFM)と潜在領域適応，二段階転移学習を用いることで，渦追跡に基づく領域適応的な3次元再構成を実現した。
- 3DTCRは，ECMWF-HRESと比較して，最大5日先までの熱帯低気圧強度予測において優れた性能を示し，最大風速のRMSEを36.5%削減した。
- この成果は，3DTCRが計算コストを抑えつつ微細構造を解決する物理ベース生成フレームワークとして，熱帯低気圧強度予報の改善に貢献する可能性を示す。
最終解答を超えて：透明性のあるマルチモーダル推論評価のためのCRYSTALベンチマーク [cs.AI, cs.CV, cs.IR, cs.MM]目的：マルチモーダル推論の評価
- AIの高度化に伴い，複雑な推論能力の評価が重要となっている。
- 既存の評価指標では，推論過程の透明性が評価されにくい。
- 推論ステップの検証可能性を通して，モデルの弱点を明らかにすること。
- CRYSTALベンチマークは，6,372個の事例を用いて，マルチモーダル推論を段階的に評価する。
- Stepレベルの精度と再現率を評価するMatch F1とOrdered Match F1という2つの指標を提案した。
- Causal Process Reward (CPR) および CPR-Curriculumを用いることで，推論性能が32%向上した。
エージェント型AIにおける意味的不変性 [cs.AI, cs.CL]目的：大規模言語モデル（LLM）エージェントの，意味的に等価な入力変化に対する推論の安定性評価
- LLMは自律的な推論エージェントとして様々な分野で活用が拡大しており，その信頼性確保が重要である。
- 既存の評価方法では，固定された問題設定に対する精度しか評価できず，意味的な変化に対する頑健性を評価できない。
- 意味を保存する変換を用いた metamorphic testing により，LLMエージェントの推論の頑健性を定量的に評価する。
- モデルの規模が大きいほど頑健性が高いとは限らず，小規模なQwen3-30B-A3Bが最も高い安定性を示した。
- 8種類の意味保存変換（同一性，言い換え，事実の再構成など）を用いて，7つのファウンデーションモデルを評価した。
- 19の問題（8つの科学分野）に対し，モデルの規模と頑健性の関係を明らかにした。
PhysMoDPO：嗜好度最適化による物理的に妥当なヒューマノイドモーション [cs.LG, cs.AI, cs.CV, cs.RO]目的：物理的に妥当で，テキスト指示に沿ったヒューマノイドモーションの生成
- ヒューマノイドモーション生成は，ロボット工学やアニメーションにおいて重要な技術である。
- 拡散モデルで生成されたモーションを物理法則に適合させると，元のモーションから大きく乖離しやすい。
- 物理法則とテキスト指示の両方に適合するモーション生成を目指す。
- PhysMoDPOは，物理シミュレーションとタスク固有の報酬を用いて，拡散モデルを直接最適化する。
- シミュレーション環境におけるテキストからのモーション生成と空間制御タスクにおいて，PhysMoDPOは物理的リアリズムとタスク関連の指標の両方で一貫した改善を示した。
- PhysMoDPOは，シミュレーションにおけるゼロショットモーション転送や，実世界のG1ヒューマノイドロボットへの展開において，著しい改善をもたらす。
二次勾配：ヘッセ行列と勾配を統合する統一的フレームワーク [math.OC, cs.LG]目的：勾配降下法とニュートン型手法を統合する新たな二次勾配法の構築
- 最適化問題において，効率的な解法は常に求められている。勾配降下法とニュートン法は代表的な手法である。
- ニュートン法の直線探索において，単一の学習率では勾配要素ごとの最適な加速が困難であるという課題がある。
- ヘッセ行列と勾配を統合した二次勾配法を提案し，収束性の向上を目指す。
- 提案された二次勾配法は，従来のニュートン法の収束条件を満たさないものの，実験的に収束速度が向上する場合がある。
- ヘッセ行列の固有値と学習率の関係について，$\frac{1}{\epsilon + \max \{| \lambda_i | \}}$が適切な学習率となることを理論的に証明した。
- Chiangが提案した二次勾配法を改良し，より効率的な最適化手法の可能性を示唆した。
制御マルコフ連鎖のオフライン推定：ミニマックス性とサンプル複雑度 [stat.ML, cs.LG, math.ST, stat.TH]目的：有限制御マルコフ連鎖の遷移確率行列の非パラメトリック推定
- 強化学習において，モデルの学習は最適な行動方針の発見に不可欠である。
- オフライン環境では，データ収集方法が推定精度に大きな影響を与える。
- ロギングポリシーの混合特性とサンプル数のトレードオフを明らかにする。
- 提案手法は，ロギングポリシーの混合特性によって統計的リスクが変化することを示す。
- エルゴード性を持つマルコフ連鎖，弱いエルゴード性を持つ不均一マルコフ連鎖，および非定常制御を含む様々な例で有効性が確認された。
- 得られたサンプル複雑度を用いて，定常マルコフ制御ポリシーのオフライン評価に関する結果も導出された。
量子生成モデリングにおける学習の障壁と機会 [quant-ph, cs.LG, hep-ex, stat.ML]目的：量子生成モデリングの学習可能性に関する障壁と機会
- 量子コンピュータの発展は，従来の計算機では困難な問題を解決する可能性を秘めている。
- 量子生成モデルの学習は，Barren Plateauなどの問題により，効率的に進まない場合がある。
- 本研究は，量子生成モデルの学習性を高めるための損失関数の選択に関する指針を示す。
- 明示的な損失関数（KL divergenceなど）を用いると，新たな種類のBarren Plateauが発生することが示された。
- 暗黙的なMaximum Mean Discrepancy損失は，カーネルの選択によって学習可能性が変化することが明らかになった。
- 高エネルギー物理データのモデリングにおいて，異なる損失関数の性能を検証し，理論的結果を裏付けた。
Polyak--{\L}ojasiewicz条件下のミニマックス最適化に対する高速確率的アルゴリズム [math.OC, cs.LG]目的：Polyak--{\L}ojasiewicz条件の下でのミニマックス最適化問題に対する確率的アルゴリズムの効率改善
- 機械学習等の分野において，ミニマックス最適化は重要な最適化問題であり，その効率的な解法が求められている。
- 既存のアルゴリズムでは，大規模データや条件数の悪い問題において計算コストが増大する課題があった。
- 本研究では，より少ない計算量でミニマックス最適化問題を解くための新規アルゴリズムを提案し，その有効性を示す。
- 提案手法SPIDER-GDAは，既存の最先端手法よりも計算量 ${\mathcal O}\left((n + \sqrt{n}\,\kappa_x\kappa_y^2)\log (1/\epsilon)\right)$ で$\epsilon$-最適解を見つけることが示された。
- 特に条件数の悪いケースに対しては，さらなる高速化アルゴリズムを提案し，計算量を$\tilde{{\mathcal O}}\big((n+\sqrt{n}\,\kappa_x\kappa_y)\log (\kappa_y/\epsilon) \log(1/\epsilon)\big)$に削減した。
- 数値実験の結果，提案手法が既存手法よりも優れていることが確認された。
異なる濾過における証拠の組み合わせ [stat.ME, cs.LG, math.PR, math.ST, stat.ML, stat.TH]目的：異なる濾過で構成されたe-過程の組み合わせ手法
- 逐次的な推論において，証拠の累積を定量化するe-過程は不可欠である。
- 異なる濾過におけるe-過程の組み合わせは，粗い濾過での有効性が細かい濾過に適用されないため困難である。
- この研究は，e-過程を異なる濾過間で移動させることで，証拠の組み合わせを可能にすることを目的とする。
- 「調整後組み合わせ」という一般的な手順を確立し，金融データにおけるランダム性の検定に応用した。
- 強力なe-過程を粗い濾過で構築した場合，元の濾過でも同様のe-過程が得られることが示された。
- 濾過を粗くしてe-過程を構築する場合，元の濾過で有効性を回復するには対数的なコストがかかる。
プラズマ診断のための物理量の非負制約を課した非線形ガウス過程トモグラフィ [physics.plasm-ph, cs.LG]目的：プラズマ光学診断における放射率等の非負物理量制約を課したトモグラフィ手法
- プラズマ研究において，プラズマ内部の情報を正確に把握することが重要である。
- 従来のトモグラフィでは，物理量の制約を適切に扱えず，再構成精度が課題であった。
- 非負制約を自然に課し，計算効率の良いトモグラフィ手法を開発し，再構成精度を向上させる。
- 提案手法であるlog-GPTは，既存のGPTやMFI法と比較して，再構成精度において優れていることがRT-1装置を用いたケーススタディで示された。
- log-GPを用いることで，サンプリングベースの手法よりも高速な計算が可能となり，非負制約の自然な適用を実現した。
- 本研究は，逆問題への物理制約の導入において，非線形GPTの有効性を示唆するものである。
非線形ベイズドップラー断層撮影による流量と温度の同時再構成 [physics.plasm-ph, cs.LG]目的：流量と温度の同時再構成手法
- プラズマ閉じ込め研究において，温度や流量の空間分布を把握することは，高精度なプラズマ制御に不可欠である。
- 従来の分光断層撮影では，流量が小さい領域や放射強度が低い領域で，不正確な流量推定が生じやすい。
- 本研究は，ドップラー効果を利用した新しい断層撮影手法を開発し，これらの問題を解決することを目的とする。
- 非線形ベイズ推論とガウス過程断層撮影を組み合わせることで，流量と温度の同時再構成を可能にした。
- 提案手法は，低放射強度の領域においても，安定した流量再構成を実現できることが示された。
- RT-1装置の実験データへの適用により，プラズマ内のイオン温度と環状イオン流量の空間構造が可視化された。
直交制約問題に対する半定値計画法を用いた近似アルゴリズムの改良 [math.OC, cs.LG, math.PR]目的：直交制約二次最適化問題に対する近似アルゴリズム
- 組合せ最適化は，現実世界の様々な問題を解決するための基盤技術である。
- NP困難な問題が多く，現実的な時間で最適解を得ることが困難である。
- 半定値計画法に基づく近似アルゴリズムの性能向上を目指す。
- Goemans-Williamsonの枠組みに基づき，直交制約二次最適化問題に対する多項式時間近似アルゴリズムを構築した。
- 次元nでm個の直交ベクトルを最適化する場合，アルゴリズムが1/3近似比を達成することを証明した。
- mが$2^q$の形をとる場合，アルゴリズムの性能が$(m+2)/(3m)$になるインスタンスを構築し，解析のタイトさを確認した。
償却化ベイズ混合モデル [stat.ML, cs.LG, stat.CO]目的：ベイズ混合モデルの推定
- データ生成過程が複数の要素に分けられる状況を扱うため，幅広い応用が期待される分野である。
- 事後推論の困難さやラベルスイッチングの問題があり，計算コストが高いことが課題である。
- 明示的な尤度関数を必要としないABIを用いて，混合モデルの推定を効率化することを目指す。
- 提案手法は，パラメータと混合指標の分布を分離することで，パラメータ推論と混合メンバーシップの識別を可能にした。
- 独立混合モデルと従属混合モデルの両方を扱え，フィルタリングやスムージングにも対応する。
- 合成データと実データを用いた検証により，提案手法の有効性が確認された。
PET/CT画像における前立腺癌病変の検出・セグメンテーションのための深層ニューラルネットワークにおけるL1ノルムを用いた適応的ボクセル重み損失 [eess.IV, cs.AI, cs.CV]目的：前立腺癌病変の検出とセグメンテーション
- PET/CT画像は，前立腺癌の再発診断において重要な役割を果たす。早期発見と正確な診断が治療方針決定に不可欠である。
- 病変の大きさ，活動度，位置，クラス内・クラス間不均衡により，自動検出は困難である。既存の損失関数では最適化が不十分となる場合がある。
- L1ノルムによる勾配調整で，病変の困難度に応じた重み付けを行い，正確な予測と誤検出の低減を目指す。
- 提案手法L1DFLは，Dice LossやDice Focal Lossと比較して，Dice Similarity Coefficientで少なくとも4%の改善を示した。
- F1スコアは，DLと比較して6%，DFLと比較して26%向上し，よりバランスの取れた検出性能を実現した。
- L1DFLの勾配調整メカニズムは，病変の大きさや分布の変化に対する頑健性を確保した。
Aitomia：AI駆動型原子・量子化学シミュレーションのための知能アシスタント [physics.comp-ph, cs.AI, cs.LG, cs.MA, physics.chem-ph]目的：AI駆動型原子・量子化学シミュレーションの支援
- 物質開発や化学反応解明に，原子・量子化学シミュレーションは不可欠である。
- シミュレーション設定や結果解析には専門知識が必要であり，参入障壁が高い。
- AIを活用し，専門家と非専門者の双方を支援することで，シミュレーションの民主化を目指す。
- Aitomiaは，チャットボットとAIエージェントを搭載したプラットフォームである。
- LLMとMLatomを組み合わせ，様々な量子化学計算プログラムと連携し，複雑な計算ワークフローを自動実行する。
- Aitomistic Lab@XMUとAitomistic Hubで公開されており，シミュレーションの普及と研究開発の加速に貢献する。
安定したトンプソンサンプリング：分散膨張による妥当な推論 [stat.ML, cs.LG]目的：トンプソンサンプリング型アルゴリズムによるデータ収集時の統計的推論
- 意思決定における適応的なデータ収集の重要性が高まっている
- トンプソンサンプリングの適応的サンプリングは，パラメータの信頼区間構築を困難にする
- 適応的意思決定アルゴリズムに対する妥当な統計的推論を可能にすること
- 提案手法である安定したトンプソンサンプリングは，データの非独立性を考慮しても，腕の平均の漸近正規推定を可能にする
- 分散膨張は後悔を対数的に増加させるものの，そのコストは小さい
- 後悔をわずかに増加させることで，適応的な意思決定アルゴリズムに対する妥当な統計的推論を実現するトレードオフを示す
サブ波長無線局所化のためのモデルベース暗黙的ニューラル表現 [eess.SP, cs.AI, cs.IT, cs.LG, math.IT]目的：サブ波長無線局所化の精度向上
- 基地局の大規模アンテナアレイにより，無線局所化の精度が向上している。
- 複雑な無線環境，特に非見通し(NLoS)環境下では，従来の信号処理技術の精度が低下する。
- メモリ要件を削減しつつ，無線局所化の精度を向上させることを目指す。
- 提案手法は，複雑な静的NLoS環境下でもサブ波長レベルの局所化精度を達成する。
- 従来のフィンガープリント法と比較して，局所化精度が数桁向上し，メモリ要件は1桁削減される。
- モデルベースのニューラルネットワークが場所とチャネルの対応関係を学習し，フィンガープリント比較辞書を拡張する。
デルフォス：離散選択モデル仕様を支援する強化学習フレームワーク [econ.GN, cs.LG, q-fin.EC]目的：離散選択モデル仕様の支援
- 行動経済学やマーケティング研究において，個人の選択行動を予測するモデルの精度が重要である。
- 適切なモデル仕様を見つけるには専門知識と試行錯誤が必要であり，時間と労力がかかる。
- データ駆動型の自動提案によって，モデル仕様の効率化と精度向上を目指す。
- デルフォスは，強化学習を用いて，変数選択や非線形変換といったモデリング行動を学習する。
- シミュレーション実験では，デルフォスが探索戦略を適応的に学習し，高性能なモデルを提案できることが示された。
- 実証データへの適用により，デルフォスが競争力のある行動可能性の高いモデルを生成できることが確認された。
平均シフト法における収束とクラスタリング解析：放射状対称性を持つ正定値カーネルに関して [stat.ML, cs.LG]目的：平均シフト法のモード推定量の収束性
- クラスタリングや画像セグメンテーション等の分野で広く用いられ，データ解析において重要な役割を果たす。
- 一般的な状況下における平均シフト法の収束性に関する厳密な証明は未だ得られていない。
- 放射状対称性を持つ正定値カーネルを用いる場合に，十分大きなバンド幅下での収束性を保証すること。
- 十分大きなバンド幅においては，任意の次元で，放射状対称性を持つ正定値カーネルに対して収束が保証されることが示された。
- ガウスカーネルでは難しいとされる大バンド幅下での正確なクラスタリングが，他のカーネルでは可能となる場合があることが理論的・実験的に示された。
- 著者らの結果は，バンド幅の下限において既存研究より制約があるものの，適用可能なカーネルクラスが異なる。
分離された特徴量の重要度 [stat.ML, cs.LG, math.ST, stat.ME, stat.TH]目的：予測変数への貢献度評価
- モデルの解釈や特徴選択において，どの変数が重要かを知ることは不可欠である。
- 従来の重要度指標は，特徴量間の相関によってバイアスが生じやすい。
- 相関の影響を受けない，より原理的な重要度評価手法を提案する。
- 本研究では，Canonical Entropic Optimal Transport（EOT）を用いたDisentangled Feature Importance（DFI）を提案した。
- DFIは相関のある特徴量を独立な潜在的特徴量に変換し，潜在空間で重要度を計算することで，バイアスを軽減する。
- DFIは，潜在空間と元の特徴量空間の両方で漸近正規性を満たすことが理論的に示された。
線形システムの予測制御におけるスパイクニューロン [math.CO, cs.FL, q-bio.NC, cs.NE, cs.SY, eess.SY]目的：線形システムの制御におけるスパイクニューロンの役割
- 神経活動の基礎理解が，脳機能解明や神経回路の模倣に不可欠である。
- スパイク信号の直接利用は，大規模ネットワーク化や解析の困難さから課題となっていた。
- スパイク信号を用いた，効率的かつスケーラブルな制御手法の開発が求められている。
- 本研究では，スパイクニューロンを予測制御器として捉え，連続的なエネルギー入力なしに制御可能であることを示した。
- ターゲットへの接近を促すスパイク発火規則を導出し，線形システムの制御に成功した。
- 物理制約下では予測制御が必要であり，下流システムの受動的ダイナミクスを活用した制御が可能であることが示された。
シングルセルオミクス解析のためのLLMベースエージェントのベンチマーク [quant-ph, cs.ET, q-bio.GN, cs.AI, cs.MA]目的：シングルセルオミクス解析におけるLLMベースエージェントの能力評価
- シングルセルオミクスデータは急速に増加しており，従来の解析手法では限界が生じている。
- AIエージェントの導入は期待されるが，包括的なベンチマークが存在しないため，発展が阻害されている。
- 本研究は，シングルセルオミクス解析におけるAIエージェントの性能を客観的に評価する基盤を提供する。
- 開発したベンチマークシステムは，多様なエージェントフレームワークとLLMに対応し，認知的なプログラム合成能力などを多角的に評価する。
- Grok3-betaが，評価したエージェントフレームワークの中で最先端の性能を示し，マルチエージェントフレームワークが協調性と効率性を向上させることを示した。
- 高品質なコード生成，自己反省，検索拡張生成(RAG)がタスク成功に不可欠であり，今後の課題としてコード生成や長文脈処理が示唆された。
サンプリングをバンディットとして：ブラックボックス密度の効率的な設計 [stat.ME, cs.LG, stat.CO, stat.ML]目的：高コストな密度評価における効率的なサンプリング手法
- 複雑な密度関数の推定は，機械学習や統計学の様々な分野で不可欠である。
- 密度評価の計算コストが高く，効率的なサンプリング手法が求められている。
- 少ない評価回数で高精度なサンプリングを実現し，計算コストを削減すること。
- 本研究では，多腕バンディットを用いてサンプル集合を直接最適化する，バンディット重要サンプリング(BIS)を提案する。
- BISは，提案分布の最適化ではなく，サンプルの選択プロセスを通じて効率的なサンプリングを可能にする。
- 数値実験により，BISが多峰性，重い尾を持つ分布やマルコフ確率場を用いたベイズ推論において優れた性能を示すことが確認された。
PREDICT-GBM：個人化された膠芽腫放射線治療計画を前進させる多施設プラットフォーム [eess.IV, cs.CV, cs.LG, q-bio.QM]目的：膠芽腫の再発予測と個人化された放射線治療計画のためのプラットフォームの提供
- 膠芽腫は予後不良であり，治療後の再発率が高い。標準治療の改善が急務である。
- 標準的な放射線治療は患者特有の生物学的・解剖学的要素を考慮していない。個別化治療の実現が課題。
- 大規模なデータセットと標準化された評価パイプラインを提供し，モデル開発と検証を促進する。
- PREDICT-GBMは，243人の患者データを含むキュレーションされたデータセットと標準評価パイプラインを提供する。
- U-Netベースの再発予測モデルは，既存のバイオフィジックスおよびデータ駆動型手法と比較して優れた性能を示した。
- U-Netモデルは，標準治療と比較して再発部位の予測カバレッジにおいて有意に高い結果（79.37 +/- 2.08 %）を示した。
不確実性に基づく音素難易度スコアを用いたガイデッドサンプリングによる，非標準発話に対するデータ効率の良いASRパーソナライズ [quant-ph, cs.NI, eess.AS, cs.AI, cs.SD]目的：非標準発話に対するASRパーソナライズのデータ効率向上
- 音声認識は，コミュニケーションにおいて重要な役割を担う技術である。
- 非標準発話は，音響的な多様性が高く，データ不足に悩む場合が多い。
- 本研究は，限られたデータで効果的にASRをパーソナライズすることを目指す。
- VI LoRAに基づく不確実性は，標準的なエントロピーよりも臨床評価者による評価とより一致した。
- 音素難易度スコアは，安定した発話困難性を捉えることができた。
- 不確実性に基づいたサンプリングにより，発話困難な音声に対するASR精度が大幅に向上した。
パーソナライズされた発話障害者向け音声認識のための変分低ランク適応 [eess.AS, cs.AI]目的：発話障害者向け音声認識の精度向上
- 音声認識技術は，多様な人々へのコミュニケーション支援に不可欠である。
- 発話障害者の音声は，データ不足と音響的変動により認識が困難である。
- 低リソース環境下での，効率的なパーソナライズ手法の確立を目指す。
- 提案手法は，UA-SpeechデータセットとBF-Spracheデータセットを用いて検証された。
- 発話障害者の音声認識精度が大幅に向上し，データ効率と注釈効率を維持した。
- 包括的な音声認識システム実現に向けた実用的な道筋を示した。
スコアが幾何学を学ぶとき：多様体仮説下のレート分離 [stat.ML, cs.LG]目的：データ多様体の学習
- 機械学習における生成モデルの性能向上は，データ分布の理解に不可欠である。
- 既存研究では，データ分布全体の学習に焦点を当てており，計算コストが大きい。
- データ多様体に着目することで，より効率的な学習が可能となることを示す。
- スコアベースの手法は，分布全体ではなく，データ多様体を暗黙的に学習することで成功すると示唆された。
- 小σ領域において，多様体に関する情報は分布に関する情報よりも$\Theta(\sigma^{-2})$倍強く分離されることが明らかになった。
- 拡散モデルにおいて，データサポートへの集中は$o(\sigma^{-2})$のスコア誤差で達成可能であり，分布の復元にはより厳しい$o(1)$誤差が必要となる。
TrackFormers Part 2：高エネルギー物理におけるトラック再構成のためのTransformerベースモデルの強化 [hep-ex, cs.LG]目的：高エネルギー物理における粒子トラック再構成の精度と効率の向上
- 高エネルギー物理実験ではデータ量が急増しており，今後のアップグレードでさらに加速すると予想される。
- データ処理パイプラインのボトルネックとなっており，特にトラック再構成の改善が急務である。
- Transformerベースのモデルを強化し，次世代実験のデータ処理需要に対応することを目指す。
- 本研究では，カスタムTransformerアテンション機構，幾何学的投影と軽量クラスタリングの組み合わせ，回帰予測に基づく分類モデルを導入した。
- 粒レベルでの学習を可能にする新しいデータセットを導入し，様々な物理過程に対応できるようにした。
- これらの開発により，トラック再構成モデルの精度と効率の向上が期待され，次世代実験への応用が見込まれる。
動的ストレス検出：音声におけるストレスの時間的推移モデリングの研究 [math.OC, cs.SY, eess.SY, eess.AS, cs.AI, cs.CL, cs.SD]目的：音声におけるストレスの時間的推移のモデリング
- 高圧環境下において，音声からの心理的ストレス検出は重要である。人的要因による事故防止等に役立つ。
- 従来のストレス検出は，ストレスを静的なラベルとして扱っており，時間的な変化を捉えられていない。
- ストレスを時間的に変化する現象として捉え，より正確なストレス検出を実現すること。
- 本研究では，感情ラベルから詳細なストレス注釈を生成する動的ラベリング戦略を提案した。
- 提案手法は，MuSEで+5%，StressIDで+18%の精度向上を達成し，実世界のデータセットでも良好な汎化性能を示した。
- これらの結果は，音声におけるストレスを動的な構成要素としてモデリングすることの有効性を示している。
距離共分散を用いたランダムフォレストの転移学習：誤差限界とEHRへの応用 [stat.ML, cs.LG, math.ST, stat.ME, stat.TH]目的：距離共分散に基づく特徴量重み付けを用いたランダムフォレストによる非パラメトリック回帰の転移学習
- 医療データ等の活用において，少ないデータでの高精度な予測が求められている。
- ランダムフォレストでは，転移学習において明示的な正則化が不足しているという課題がある。
- 特徴量間の距離共分散に基づき，ランダムフォレストの転移学習における誤差を理論的に評価する。
- 本研究では，距離共分散を利用することで，ランダムフォレストが転移学習において有効であることを示した。
- 浅い決定木と特徴量の優先選択が，低次元関数の当てはめに低いバイアスと分散をもたらす理由を説明した。
- 大規模な電子カルテデータを用いた実験で，集中治療室患者の死亡率予測において有意な改善が確認された。
表面符号復号のための量子ビット中心Transformer [quant-ph, cs.AI, cs.LG]目的：表面符号の復号
- 大規模量子計算実現には不可欠であり，物理量子ビットのノイズ耐性を高める鍵となる。
- 従来の復号手法は，計算コストが高く，大規模化が困難であるという課題がある。
- 深層学習を活用し，より効率的で高精度な復号手法を確立することを目指す。
- 提案手法である量子ビット中心Transformer（QCT）は，既存のニューラル復号器やBP+OSDよりも優れた性能を示す。
- 特に，QCTは18.1%という高い閾値を達成し，理論限界値に迫る結果を得ている。
- 量子ビット中心のアプローチは，表面符号復号のためのスケーラブルでロバストなフレームワークを提供する。
PRISM：構造-配列マルチモーダル表現におけるファインチューンド検索によるタンパク質逆フォールディングの強化 [q-bio.QM, cs.LG]目的：タンパク質逆フォールディングのためのマルチモーダル検索拡張生成フレームワーク
- タンパク質工学において，目的の３次元構造にフォールドする配列設計は重要課題である。
- 膨大な配列空間と局所的な構造制約の重要性から，逆フォールディングは困難な問題である。
- 自然タンパク質に保存された微細な構造-配列パターンを再利用するメカニズムを導入し，問題を解決する。
- PRISMは，CATH-4.2，TS50，TS500，CAMEO 2022，PDBデータ分割を含む複数のベンチマークにおいて，最先端の性能を示す。
- PRISMは，perplexityとアミノ酸の回収率を向上させ，フォールディング可能性指標（RMSD，TM-score，pLDDT）も改善する。
- ファインチューンドなマルチモーダル検索が，逆フォールディングにおいて有効であることが示された。
リアルタイム化された予測：日次予測を時間内現実へ [stat.AP, cs.LG]目的：電力系統運用に不可欠な高精度な時間内予測手法
- 電力系統の安定運用には，需給バランスを最適化する正確な予測が不可欠である。
- 日次予測は時間経過と共に精度が低下し，リアルタイムな情報更新が求められる。
- 日次予測を再学習なしに時間内予測へと変換し，精度向上を目指す。
- 提案手法は，ベイズ更新メカニズムを用いて日次予測を時間内予測に変換する。
- 観測データに基づいて予測分布を更新し，一貫した予測を提供可能である。
- 家庭用電力消費量および太陽光発電データセットにおいて，最大25%の精度向上が確認された。
低軌道衛星コンステレーションにおける重み付き最小二乗法を用いたDRLベースのビーム位置決定 [eess.SP, cs.LG, cs.NI]目的：低軌道衛星コンステレーションにおけるCSIフリーな多衛星測位のための軽量な深層強化学習支援重み付けフレームワーク
- 低軌道衛星コンステレーションは，地球規模での通信や測位において重要な役割を担う
- 従来の測位手法は，チャネル状態情報(CSI)が必要であり，計算コストが高いという課題がある
- CSIを用いずに，低計算コストで高精度な測位を実現する手法の開発
- 提案手法は，受信パイロット測定と幾何学的特徴から直接衛星の重みを学習する離散行動深層Qネットワーク(DQN)を採用する
- 拡張された重み付き最小二乗法(WLS)推定器と組み合わせることで，物理的に整合性の取れた測位と受信機クロックバイアスの同時推定を可能にする
- シミュレーション結果から，提案手法は0.395mのRMSEでサブメータ精度を達成し，リソース制約のあるLEOペイロードへの実用的な展開をサポートする
皮質ニューロンにおけるスパイクタイミングの精度に基づく長期ワーキングメモリの協調に関する動的メカニズム [q-bio.NC, cs.AI]目的：長期ワーキングメモリの協調メカニズム
- 皮質ニューロン研究は，運動感覚処理の解明に不可欠である。近年，認知機能における神経メカニズムの探求が重要視されている。
- 従来の運動感覚処理研究では発火頻度に着目してきたが，数時間スケールの長期ワーキングメモリの神経メカニズムは未解明である。
- スパイクタイミングの精度に着目し，長期ワーキングメモリを支える新たな神経活動層の存在を提唱する。
- 皮質ニューロンにおけるミリ秒単位のスパイクタイミングの精密さは，感覚情報を保持・操作する可能性を示唆する。
- 高精度な皮質トラベリングウェーブは，時間依存性可塑性(STDP)を誘発し，数時間持続する皮質ニューロンネットワークを構築しうる。
- この一時的な皮質ネットワークは，長期ワーキングメモリや認知処理を支える基盤となりうる。
凝縮系物質における自由エネルギー推定のための生成モデリング手法の評価 [cond-mat.stat-mech, cond-mat.mtrl-sci, cs.LG, physics.comp-ph]目的：凝縮系物質における自由エネルギー差の推定
- 分子シミュレーションにおいて，自由エネルギー差の正確な推定は重要な課題である。
- 従来の計算手法は計算コストが高く，効率的な推定方法が求められている。
- 生成モデリングに基づく手法の効率，精度，スケーラビリティを比較評価する。
- 複数の生成モデルが，高精度な自由エネルギー推定を実現することが示された。
- 連続フローとFEATはエネルギー評価回数において，離散フローは推論コストにおいて優れていた。
- 本研究で公開したデータは，今後の自由エネルギー推定手法のベンチマーキングに役立つ。
多機能RISを用いた多重アクセス下りリンクNOMAネットワークにおける多エージェントハイブリッドDRLのためのパラメータ共有 [eess.SP, cs.AI]目的：多機能RISを支援する下りリンクNOMAネットワークにおけるエネルギー効率の最大化
- 通信効率向上のため，能動的なRIS機能とエネルギーハーベスティングによる自律性を備えた多機能RISの研究が重要である。
- 既存のネットワークでは，エネルギー効率とユーザ品質のバランスを取るのが課題となっている。
- 本研究は，多機能RISの配置，電力配分，ビームフォーミングを最適化することで，エネルギー効率を向上させることを目指す。
- 提案するパラメータ共有型マルチエージェントハイブリッドDRL（PMHRL）が，他のベンチマークと比較して最も高いエネルギー効率を達成した。
- エネルギーハーベスティングや増幅なし，従来のRIS，RISなしの場合と比較して，多機能RISを用いたNOMAネットワークが最も高いエネルギー効率を示す。
- PMHRLは，パラメータ共有なし，純粋なPPO，DQNと比較しても優れた性能を発揮する。
AceFF：小分子に対する最先端の機械学習ポテンシャル [physics.chem-ph, cs.LG]目的：小分子医薬品探索のための機械学習分子間ポテンシャル
- 医薬品開発において，分子の性質予測は重要な課題であり，計算コスト削減が求められている。
- 既存の機械学習ポテンシャルは，多様な化学構造への汎化性能に課題がある。
- 多様な化学構造に対して高い精度と計算速度を両立するポテンシャルを開発する。
- AceFFは，TensorNet2アーキテクチャと医薬品様化合物の大規模データセットを用いて最適化された。
- ベンチマークテストの結果，AceFFは有機分子において，精度と速度の両面で最先端の性能を示した。
- AceFFは，H, B, C, N, O, F, Si, P, S, Cl, Br, Iといった医薬品化学で重要な元素を完全にサポートし，電荷状態も扱える。
臨床的に有用な脳波に基づくパーキンソン病検出のためのチャネル選択型層状ネストクロスバリデーション [eess.SP, cs.LG]目的：パーキンソン病検出のための評価フレームワーク
- 早期発見は臨床神経科学において重要であり，脳波は集団レベルのスクリーニングに有効である。
- 既存研究では，患者レベルでのデータ漏洩が性能評価を歪める問題が存在する。
- ネストクロスバリデーションにより，データ漏洩を防ぎ，信頼性の高い評価を実現する。
- 提案手法は，3つの独立データセットで80.6%の精度を達成し，最先端の性能を示した。
- 層状ネストクロスバリデーションは，バイアスを防ぎ，患者レベルでの意思決定に有用な情報を選択する上で不可欠である。
- 本研究は，他の生体信号解析分野への応用も期待できる再現可能な基盤を提供する。
深空のノイズ除去：天体画像のための物理ベースCCDノイズ生成 [astro-ph.IM, cs.CV, cs.LG]目的：天体画像におけるCCDノイズ生成の物理モデル
- 天体観測において，ノイズは画質を大きく左右し，高精度なデータ取得の妨げとなる。
- 既存のノイズ除去手法は，ランダムノイズの除去が不十分であり，十分な学習データも少ない。
- CCDノイズの物理モデルに基づき，豊富な学習データを生成し，ノイズ除去の精度向上を目指す。
- 物理ベースのノイズ生成フレームワークを構築し，光子ノイズ，読出しノイズなどを再現した。
- 生成されたデータセットを用いて教師あり学習を行い，実際の天体画像に対する有効性を検証した。
- 実観測データを用いた実験により，本手法が photometric および科学的精度において有効であることが示された。
SoulX-Singer：高品質なゼロショット歌声合成に向けて [eess.AS, cs.AI, cs.SD]目的：高品質なゼロショット歌声合成システムの開発
- 近年の音声合成技術の進歩は目覚ましいが，歌声合成は実用化の障壁が多い。
- 既存のオープンソース歌声合成システムは，頑健性やゼロショット汎化性能に課題がある。
- 実用的な歌声合成システムの開発と，その評価基準の確立を目指す。
- 本研究では，実用化を考慮した高品質なオープンソース歌声合成システムSoulX-Singerを開発した。
- SoulX-Singerは，MIDIや旋律情報に基づいた歌声生成が可能であり，多様な言語（中国語，英語，広東語）に対応している。
- 厳格な訓練・テスト分離を行う評価ベンチマークSoulX-Singer-Evalを構築し，ゼロショット性能の評価を可能にした。
SAS-Net：構造・外観分解によるクロスドメイン画像レジストレーション [eess.IV, cs.AI, cs.CV]目的：異質画像物理条件下の画像レジストレーション手法
- 画像レジストレーションは，医療画像処理やリモートセンシングなど，幅広い分野で不可欠な技術である。
- 従来の画像レジストレーション手法は，輝度不変性を仮定しているため，異なるドメイン間の画像には適用が困難である。
- 本研究は，構造と外観を分離することで，ドメイン間の差異にロバストなレジストレーションを可能とする。
- SAS-Netは，インスタンス正規化を用いて構造と外観を分解し，AdaINを用いて微分可能なレンダリングを実現している。
- 提案手法は，EuroSAT-Reg-256およびFIRE-Reg-256データセットにおいて，最先端の性能を達成した。
- SAS-NetはRTX 5090 GPU上で89 FPSの処理速度を実現しており，実用性も高い。
太陽極磁場形成における非線形クエンチング効果の物理情報ニューラルネットワークによる研究 [eess.IV, cs.MM, astro-ph.SR, cs.LG]目的：太陽極磁場の形成に対する傾斜クエンチングと緯度クエンチングの相対的な寄与の解明
- 太陽活動は磁場サイクルによって特徴づけられ，その予測は地球環境への影響を考慮する上で重要である。
- 太陽磁場サイクルを決定する非線形フィードバック機構の正確な理解が不足している。
- 傾斜クエンチングと緯度クエンチングの相互作用がサイクル変動に及ぼす影響の解明を目指す。
- 物理情報ニューラルネットワークを用いて表面フラックス輸送方程式を解き，輸送パラメータを変えることで傾斜クエンチングと緯度クエンチングの寄与を分離した。
- 傾斜クエンチングの抑制は拡散率の増加とともに強まり，緯度クエンチングはアドベクション支配領域で優位になることが示された。
- 緯度クエンチングと傾斜クエンチングの寄与比は，ダイナモ効果の範囲に対して滑らかな逆2乗依存性を示し，既存の経験的適合を改善した。
ニューラルルーティングソルバーに関する調査 [math.OC, cs.AI, cs.LG, cs.NE]目的：ニューラルルーティングソルバーの現状と課題
- 車両経路問題は，物流効率化に不可欠であり，社会経済活動を支える基盤技術である。
- 従来の解法は手作業による調整が必要で，コストがかかる上に，複雑な問題への対応が困難である。
- 深層学習を活用したニューラルルーティングソルバーの性能評価と課題の明確化。
- 本調査では，ニューラルルーティングソルバーをヒューリスティックな手法として捉え，体系的な分類を行った。
- 既存の評価パイプラインの限界を克服するため，汎化性能を重視した新たな評価パイプラインを提案した。
- 比較実験の結果，既存研究における未報告の課題が明らかになった。
アキシャルピストンポンプのマルチ条件デジタルツイン較正：複合故障シミュレーション [physics.flu-dyn, cs.AI, cs.NA, math.NA]目的：アキシャルピストンポンプの複合故障に対する高精度なデジタルツイン較正フレームワーク
- アキシャルピストンポンプは航空宇宙，船舶，重機等の重要な流体動力システムにおける不可欠な動力源である。
- 複合故障時のデータ不足と，運転条件の変化に対する汎化性能の低さが，従来のデータ駆動型診断法の課題である。
- ポンプ吐出口流量脈動の根本的な不確実性を解決し，未知の故障パターンに対するロバストな故障診断を可能にする。
- 提案されたフレームワークは，仮想的な高頻度流量センシング，サロゲートモデルを用いたCFDソースモデルの較正，および多目的逆過渡解析を含む。
- 実験結果から，較正されたデジタルツインが単一故障および代表的な複合故障の両方を正確に再現することが示された。
- これにより，予測メンテナンスにおいて，未知の運転条件や故障組み合わせに対するロバストな故障診断能力が実現する。