arXiv雑要約

• Top
• AI
• プログラム
• 画像・音声
• セキュリティ
• 数値解析

AI - 2026/03/18 公開

• CardioComposer：微分幾何学を用いた解剖学的拡散モデルの構成的制御 [eess.IV, cs.AI, cs.CV, cs.LG]目的：心血管解剖学の生成モデルにおける幾何学的制御性とリアリズムのトレードオフの解消

  • 臨床研究や医療機器評価において，3次元心血管解剖学の正確なモデルが必要不可欠である。
  • 従来の生成モデルは，解剖学的構造の制御性と写実性の両立が困難であった。
  • 拡散モデルのサンプリング過程において，幾何学的属性を制御することで，多様かつ高品質な解剖学的構造の生成を目指す。
  • CardioComposerは，解釈可能な楕円体素子を用いて，多クラスの解剖学的ラベルマップを生成する。
  • ボクセルごとの幾何学的モーメントに基づく微分可能な測定関数を開発し，損失関数による勾配誘導を可能にした。
  • 心臓，血管，骨格など，多様な解剖学的システムに対して，本手法の有効性が確認された。

  Link: https://arxiv.org/abs/2509.08015

• 位置情報に依存しないプティコグラフィー：データ駆動型変分推論による画像再構成の可能性 [eess.IV, cs.CV, cs.LG, cs.NA, math.NA, physics.optics]目的：位置情報に依存しないプティコグラフィーにおける画像再構成

  • 単粒子回折X線イメージングの発展に不可欠であり，高解像度な構造解析を可能にする。
  • プティコグラフィーでは通常，走査位置の正確な知識が必要だが，未知である場合がある。
  • 走査位置が不明な状況下でも，画像再構成が可能となるか検証する。
  • 適切な照明構造と強力な事前知識を用いることで，ノイズ下でも信頼性の高い画像再構成が可能となった。
  • 特に難しい評価シナリオを除き，位置情報に依存しないプティコグラフィーが実現可能であることが示された。
  • データ駆動型変分推論とスコアベース拡散モデルが，この困難な問題に対して有効であることが確認された。

  Link: https://arxiv.org/abs/2509.25269

• 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，地球規模でのブロードバンド通信を可能にする重要な技術である。
  • 既存の測位手法は，チャネル状態情報(CSI)を必要とする場合が多く，計算負荷が高いという課題がある。
  • 本研究は，CSIを必要とせず，計算負荷の低い測位手法を開発することで，リソース制約のある低軌道衛星ペイロードへの実用的な展開を目指す。
  • 提案手法は，2次元設定において，0.395mのRMSEでサブメートル精度を達成した。
  • 本手法は，計算負荷が低く，リソース制約のある低軌道衛星ペイロードへの実装に適している。
  • 深層強化学習を用いて衛星の重みを直接学習することで，物理整合性の高い測位を実現している。

  Link: https://arxiv.org/abs/2511.08852

• 関数的確率的局所化 [math.OC, cs.SY, eess.SY, math.CO, cs.DM, math.PR, cs.DS, cs.LG, math.ST, stat.ML, stat.TH]目的：高次元幾何学やサンプリングアルゴリズム設計における確率的局所化の一般化

  • 高次元データの解析は，機械学習や統計物理学など広範な分野で重要である。
  • 従来の局所化手法では，非ユークリッド幾何学や最適化アルゴリズムへの適用が困難であった。
  • 本研究は，より一般的な正値関数を用いた局所化手法を開発し，その適用範囲を拡大することを目指す。
  • Eldanの確率的局所化を，ガウス正則化からlog-Laplace変換の正則化へ一般化した。
  • 提案手法のマルコフ連鎖の混合時間は，関数的ポアンカレ不等式を満たす分布に対して評価された。
  • この枠組みを，$\ell_p$ノルムにおける微分プライバシー凸最適化問題に適用し，既存手法を改善した。

  Link: https://arxiv.org/abs/2602.03999

• 信頼できる流体：非圧縮性流れのための特性を保存するオペレータ学習 [physics.flu-dyn, cs.LG]目的：非圧縮性流れの特性保存オペレータ学習手法

  • 流体シミュレーションは，工学設計や気象予測など幅広い分野で不可欠である。
  • 従来の数値シミュレーションは計算コストが高く，物理特性の正確な維持が課題となる。
  • 物理特性を厳密に保存しつつ，効率的な流れ場の予測を実現すること。
  • 提案手法は，カーネル法を用いて物理特性を保存する関数空間を構築し，高精度な予測を実現した。
  • 従来のニューラルオペレータと比較して，最大6桁低い相対的なL2誤差と，最大5桁高速な学習速度を達成した。
  • 本手法は，非圧縮性流れの精度の高い代替モデルを提供し，計算効率を大幅に向上させる。

  Link: https://arxiv.org/abs/2602.15472

• 経済学における強化学習の調査 [econ.GN, cs.LG, q-fin.EC]目的：経済学における強化学習手法の概観

  • 経済モデルは複雑化の一途を辿っており，従来の計算手法では対応が困難になっている。
  • 高次元の問題や戦略的相互作用を伴う経済モデルは，従来の動的計画法では解けない場合が多い。
  • 強化学習は，高次元な問題を扱うための，動的計画法の拡張手法として期待される。
  • 強化学習アルゴリズムは，価格設定，在庫管理，戦略的ゲーム，選好抽出といった分野で応用可能である。
  • 強化学習は，シミュレーターの精度やハイパーパラメータの設定に依存し，脆さや収束性の問題がある。
  • 経済学の構造に基づいて強化学習を適用することで，その柔軟性が最大限に発揮される。

  Link: https://arxiv.org/abs/2603.08956

• 人間とLLMの協調によるコラッツ力学の探求 [math.DS, cs.AI, cs.HC]目的：コラッツ予想に関する定量的な枠組み

  • コラッツ予想は数学における未解決問題であり，数論研究の重要な対象である。
  • 既存の研究では，コラッツ予想の証明に至っておらず，解析的なアプローチに限界がある。
  • 人間とLLMの協調により，コラッツ予想解決のための新たな定量的手法を確立すること。
  • Per-Orbit Gain Rate定理により，収束率の上界が厳密に示され，安全マージンが確保された。
  • 奇数の骨格におけるrun-length identityが証明され，正確なone-cycle crossing密度が計算された。
  • 奇数の骨格におけるvaluationプロセスが厳密なfinite-block lawに従うことが示され，i.i.d.幾何分布であることが証明された。

  Link: https://arxiv.org/abs/2603.11066

• ELISA：シングルセルゲノミクスにおける表現に基づいた発見のための解釈可能なハイブリッド生成AIエージェント [q-fin.ST, cs.CL, q-bio.GN, cs.AI]目的：シングルセルRNA配列データからメカニズムに基づいた生物学的仮説を導出すること

  • シングルセルゲノミクスは，疾患メカニズムの理解や個別化医療の実現に不可欠である。
  • 既存のAIシステムは，トランスクリプト表現への直接アクセスや自然言語との連携が困難である。
  • 表現に基づいた探索と自然言語による解釈を統合し，生物学的発見を支援すること。
  • ELISAは，scGPT埋め込みとBioBERTを用いたセマンティック検索，LLMによる解釈を組み合わせることで，インタラクティブなシングルセル探索を実現した。
  • 六つの異なるシングルセルRNA配列データセットにおいて，CellWhispererと比較して，細胞タイプ検索性能が有意に向上した（p < 0.001）。特に遺伝子シグネチャ検索において大きな改善が見られた（Cohen's d = 5.98）。
  • 既知の生物学的知見を高い精度で再現し（平均複合スコア0.90），LLMによる根拠のある推論を通じて，トランスクリプトデータ探索と生物学的発見の間のギャップを埋めた。

  Link: https://arxiv.org/abs/2603.11872

• 基礎モデルによる代理モデルが，材料探索のためのデータ効率的な能動学習を可能にする [cond-mat.mtrl-sci, cs.LG]目的：材料探索のための能動学習におけるデータ効率の向上

  • 材料開発は，新機能材料の創出に不可欠であり，効率化が求められている。
  • 既存の代理モデルは，複雑な組成-特性関係の予測や少データ環境での不確実性推定に課題がある。
  • 本研究では，事前学習済みの基礎モデルを代理モデルとして利用し，少データ環境における能動学習の性能向上を目指す。
  • 提案手法（ICAL）は，10種類の材料データセットにおいて，既存手法（GP，RF）と比較して，8割で優れた性能を示した。
  • GPと比較して平均52%，RFと比較して平均29.77%の評価回数の削減に成功した。
  • クロスバリデーション分析により，TabPFNの優位性は，より優れた不確実性推定に起因することが確認された。

  Link: https://arxiv.org/abs/2603.12567

• LUMINA：エネルギー調和プロトコルを備えたマルチベンダーマンモグラフィベンチマーク [q-bio.NC, cs.SY, eess.SY, quant-ph, cs.NI, eess.SP, eess.IV, cs.CV, cs.DB, cs.LG]目的：マルチベンダーマンモグラフィデータのベンチマークおよびエネルギー調和フレームワーク

  • マンモグラフィは乳がん検診の重要なツールであり，AIによる診断支援が期待されている。
  • 既存のデータセットは規模，臨床アノテーション，ベンダー多様性に乏しく，汎用的なAI開発の阻害要因となっている。
  • ベンダーやエネルギーによる画像の変化に対応し，より信頼性の高いAIシステムを構築すること。
  • LUMINAは，6ベンダー，1824画像を含む大規模なマンモグラフィデータセットである。
  • 提案手法であるエネルギー調和は，アーキテクチャに依存せず，診断精度と密度予測の性能を向上させた。
  • 特にEfficientNet-B0は診断で93.54%のAUCを，Swin-Tは密度予測で89.43%のmacro-AUCを達成した。

  Link: https://arxiv.org/abs/2603.14644

• グローバル特徴効果推定における誤差要因の分析 [math.OC, cs.SY, eess.SY, stat.ML, cs.AI, cs.LG]目的：グローバル特徴効果推定の誤差要因の系統的な分析

  • 機械学習モデルの解釈性は，モデルの信頼性向上と意思決定の透明化に不可欠である。
  • グローバル特徴効果の信頼性は誤差要因に左右されるが，その誤差要因は十分に解明されていない。
  • PDとALEのバイアスと分散の要因を分離し，推定戦略の指針を示す。
  • ホールドアウトデータ使用は理論上は最もクリーンだが，訓練データ由来のバイアスは経験的に無視でき，サンプルサイズの大きさが優位である。
  • 推定分散は相互作用の有無とサンプルサイズに依存し，ALEは特にサンプルサイズに敏感である。
  • クロスバリデーションはモデルの分散を低減し，特に過学習モデルに有効な推定アプローチである。

  Link: https://arxiv.org/abs/2603.15057

• 1
• ...
• 8
• 9
• 10
• 11
• 12