arXiv雑要約
AI - 2026/03/19 公開
OMNIFLOW：物理に基づいた汎用科学的推論のためのマルチモーダルエージェント [cs.LG, cs.AI]目的：汎用科学的推論の実現
- 科学的推論は，自然科学の発展において不可欠であり，その自動化が求められている。
- 大規模言語モデルは物理法則を理解できず，非現実的な結果を生成することがある。
- 物理法則に基づき，汎用的な科学的推論を可能とする新しいモデルを開発すること。
- OMNIFLOWは，既存の深層学習モデルと比較して，ゼロショット汎化性能とFew-shot適応性能で大幅な向上が見られた。
- セマンティック-シンボリックアライメント機構により，モデルは生のピクセル値ではなく物理構造を認識できるようになった。
- 物理制約注入と反復検証を行うPhysics-Guided Chain-of-Thoughtにより，解釈可能な科学的推論が可能になった。
ファゾルフロー：単位円ベースの計算のためのPythonライブラリ [cs.LG, cs.AI]目的：単位円に基づく計算パラダイムを提供するPythonライブラリ
- 機械学習における計算効率の向上は，より複雑なモデルの実現と大規模データ処理に不可欠である。
- 従来の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。
- 単位円に基づく計算により，軽量かつ数学的に厳密な代替手段を提供することを目指す。
- ファゾルフローは，複素数を用いて単位円上で計算を行う新しいモデルを提案し，22種類のゲートライブラリを実装した。
- 変分ファゾル回路（VPC）を導入し，連続的な位相パラメータの最適化による古典機械学習への応用を可能にした。
- パラメータ不要なDFTベースのトークン混合層であるファゾルTransformerを提案し，計算コストの削減を実現した。
AIクエリ近似によるAI性能分析：コストと遅延を100分の1に削減 [cs.DB, cs.AI]目的：AIクエリ近似によるコストと遅延の削減効果の評価
- 構造化データと非構造化データの組み合わせに対するクエリの表現力を高めるAIクエリの重要性が増している。
- AIクエリは強力だが，大量に実行されるとコストが非常に高くなるという課題がある。
- 軽量なプロキシモデルを用いたAIクエリ近似により，コストと遅延を大幅に削減することを目指す。
- AIクエリ近似手法は，セマンティックフィルタ ($AI.IF$) 演算子に対して100倍以上のコストと遅延の削減を実現した。
- セマンティックランキング ($AI.RANK$) においても，顕著なコストと性能の向上が見られた。
- プロキシモデルは，高い精度を維持し，場合によってはベンチマークデータセット上で精度を向上させた。
解釈可能なコンテキスト手法：エージェント的アーキテクチャとしてのフォルダー構造 [cs.AI, cs.HC]目的：AIエージェントのコンテキスト構造化手法
- AIエージェントの活用は拡大の一途を辿っている。そのため，効率的なコンテキスト管理が重要である。
- 複雑なマルチエージェントフレームワークは，単純なワークフローには過剰な負担となる場合がある。
- ファイルシステム構造を利用し，軽量なコンテキスト管理を実現することで，上記問題を解決する。
- 本研究では，ファイルシステムのフォルダー構造を用いて，AIエージェントのコンテキストを管理するModel Workspace Protocol (MWP)を提案する。
- MWPは，各段階を番号付きフォルダーで表現し，プレーンテキストファイルにプロンプトとコンテキストを記述することで，マルチエージェントフレームワークの代替となる。
- Unixパイプラインやリテラートプログラミングの概念を取り入れ，AIエージェントのためのコンテキスト構造化を簡素化する。
大規模言語モデルにおけるリソース消費の脅威 [cs.CR, cs.AI, cs.CL]目的：大規模言語モデルのリソース消費に対する脅威の体系的レビュー
- 計算資源が限られているため，大規模言語モデルの効率性は重要である。
- 過剰な生成を誘発するリソース消費の脅威により，モデル効率が低下している。
- 脅威の誘発からメカニズムの理解，緩和までを包括的に分析し，問題の全体像を明確化する。
- 本調査は，大規模言語モデルにおけるリソース消費の脅威を体系的にレビューした。
- 脅威の範囲を明確化し，問題の全パイプラインを詳細に検討することで，理解を深めた。
- これにより，特性評価と緩和のためのより明確な基盤を提供することを目指している。
埋め込まれたリーマン多様体上のフォッカー・プランク方程式のためのニューラルプッシュフォワードサンプラー [math.NA, cs.LG, cs.NA]目的：埋め込まれたリーマン多様体上のフォッカー・プランク方程式の解法
- 複雑な幾何形状における確率過程のモデリングは，物理学，生物学，工学など幅広い分野で重要である。
- 従来の解法は，メッシュや座標系に依存し，高次元や複雑な形状での計算が困難である。
- 多様体上の確率分布を直接的に，かつ効率的に表現・計算する手法を開発すること。
- 本研究では，ニューラルプッシュフォワード法を拡張し，多様体上に確率分布を制約することで，メッシュフリーかつ座標系フリーなアルゴリズムを実現した。
- 2次元球面上の二重井戸問題を数値的に解き，曲面上での多峰性不変分布を捉える能力を示した。
- 定常状態と時間依存性の両方の定式化を開発し，多様体上のフォッカー・プランク方程式の解法に新たな道を開いた。
VisBrowse-Bench：マルチモーダルブラウジングエージェントのための視覚ネイティブ検索のベンチマーク [cs.CV, cs.AI]目的：視覚ネイティブ検索のためのベンチマーク
- マルチモーダルLLMの発展により，現実世界の情報を活用するブラウジングエージェントの重要性が増している。
- 既存のベンチマークは，視覚的推論能力の評価とWebページの視覚情報の活用が不十分である。
- 視覚的推論能力を評価し，Webページの視覚情報を活用するベンチマークを構築すること。
- VisBrowse-Benchは，169のVQAインスタンスを含む新しいベンチマークであり，テキスト-画像検索と共同推論を通じて検索プロセス中の視覚的推論能力を評価する。
- 実験結果から，最優秀モデルであるClaude-4.6-Opusの正答率は47.6％，o3-deep-researchは41.1％であることが示された。
- データとコードは公開されており，ブラウジングエージェントが視覚情報を収集・推論するためのワークフローも提案されている。
注意誘導による証拠グラウンディング：音声質問応答への応用 [cs.CL, cs.AI]目的：音声質問応答における証拠の特定と関連付け
- 音声質問応答は，音声とテキストの異なる様相を統合する重要な課題である。
- 従来のシステムは，音声認識の遅延や誤りに起因する精度低下が課題であった。
- 本研究は，音声LLMの注意機構を活用し，効率的かつ正確な証拠特定を目指す。
- 提案手法AEGは，音声LLMの内部注意機構を利用して，潜在空間における重要な証拠を明示的に特定し，関連付ける。
- LFEという新たな学習パラダイムにより，モデルの注意機構が質問に関連するセグメントと無関係な文脈を区別できるようになる。
- SQuAD，HotpotQA，MuSiQueの実験で，幻覚を軽減し，大規模なカスケードベースラインよりも高い効率を示すことが確認された。
EngGPT2：自律的，効率的，そしてオープンな知能 [cs.CL, cs.AI]目的：高性能かつ効率的な大規模言語モデルの開発
- AI技術の発展は，様々な分野における自動化や効率化を可能にするため，極めて重要である。
- 大規模言語モデルは計算資源を大量に必要とし，学習データも膨大であるという課題がある。
- 限られた計算資源でも高性能なモデルを実現し，ヨーロッパ・イタリア言語への対応を強化する。
- EngGPT2は，2.5兆トークンで学習され，8B-16Bモデルと同等の性能を示す。
- 推論に必要な計算量は，既存モデルの1/5から1/2に抑えられ，学習データ量も大幅に削減されている。
- イタリア語データ約25%を含むことで，ヨーロッパ・イタリア語の自然言語処理タスクにおいて高い能力を発揮する。
TRUST-SQL：未知のスキーマに対するテキストSQL変換のためのツール統合型多段階強化学習 [cs.AI]目的：未知のスキーマ環境下におけるテキストSQL変換タスクの性能向上
- データベース利用の効率化が求められる中で，自然言語によるSQL生成技術が重要である。
- 既存手法は完全なスキーマ情報が必要であり，現実の複雑なデータベース環境には不向きである。
- 必要なスキーマ情報を動的に特定し，検証することで，より実用的なSQL生成を目指す。
- TRUST-SQLは，検証されたメタデータに基づいて推論を行う4段階のプロトコルを導入することで，高い精度を実現した。
- Dual-Track GRPO戦略により，探索報酬と実行結果を分離し，報酬の帰属問題を解決することで性能を向上させた。
- 4Bおよび8Bのベンチマークにおいて，それぞれ平均で30.6%，16.6%の絶対的な性能改善を達成した。
強直ダイナミカルシステムの学習適合型低次モデル化のための軌道最適時間再パラメータ化 [cs.LG]目的：強直ダイナミカルシステムの学習適合型低次モデル化における時間再パラメータ化の最適化
- 機械学習と数値シミュレーションの融合が重要視され，計算コスト削減と高精度化が求められている。
- 強直なダイナミカルシステムでは，時間積分が不安定になりやすく，学習効率が低下する課題がある。
- 時間再パラメータ化を用いて，学習の安定性と効率性を向上させる手法を開発すること。
- 提案手法である軌道最適時間再パラメータ化（TOTR）は，既存手法と比較して滑らかな時間再パラメータ化を実現した。
- TOTRは，パラメータ化された強直線形システム，ファンデルポール発振器，HIRES化学反応モデルの3つの問題で検証され，物理時間予測の精度が向上した。
- 損失関数は既存アルゴリズムと比較して1～2桁減少し，時間写像の規則性と学習しやすさが重要であることが示された。
オープンクローエージェントが互いに学ぶとき：教育における人間とAIの連携に関する創発的AIエージェントコミュニティからの洞察 [cs.CY, cs.AI, cs.HC, cs.MA]目的：AIエージェントコミュニティにおける創発的な現象の特定と，教育における多エージェントシステムの設計への示唆
- AIは教育におけるツールからチームメイトへと進化すると期待されるが，その実現にはAIチームメイトの理解が不可欠である。
- 既存の研究は人間とAIの二者間相互作用に焦点を当てており，AIエージェント同士の自律的な学習コミュニティからの知見が不足している。
- AIエージェントコミュニティの観察を通して，教育用AIシステム設計の原則を導き出すことを目指す。
- 人間は，自身のAIエージェントの設定を通して，教えることによって学ぶ「双方向のスキャフォールディング」を経験する。
- 設計されたカリキュラムなしに，アイデアの伝播と質の階層化を伴うピア学習が自然に発生する。
- エージェントは，オープンラーナーモデルのデザインを反映した共有メモリアーキテクチャに収束する傾向が見られる。
DexGrasp-Zero：形態に沿ったポリシーによるゼロショットクロスエンボディメント手 dexterous grasping [cs.RO, cs.AI]目的：多様なロボットハンドへのゼロショットクロスエンボディメント dexterous grasping
- ロボットハンドの多様性が増す中で，再学習を必要としない汎用的な grasping 手法の開発が求められている。
- ロボットハンドの運動学的特性や物理的制約が異なるため，クロスエンボディメント alignment が困難である。
- 異なる形態のハンド間で構造的・意味的 alignment を実現し，汎化性能の高い grasping ポリシーを確立する。
- 提案手法 DexGrasp-Zero は，4種類のロボットハンドで学習し，未知のハンドで85%の成功率を達成した。
- 形態に沿ったグラフ表現と物理的制約の注入により，リンク長やアクチュエーション制限への適応的な補正が可能となった。
- 実機実験においても，3つのロボットプラットフォームで82%の平均成功率を示し，既存手法を大幅に上回った。
δ-マージン多数決の理論的基礎 [stat.AP, cs.AI, cs.GT, cs.HC]目的：δ-マージン多数決の理論的枠組みの確立
- 不正検知等の重要用途で，予測品質向上のため合意に基づく手法が不可欠である。
- δ-マージン多数決は広く利用されているが，理論的根拠が乏しく，経験則に頼る部分が多い。
- δ-マージン多数決の期待精度やコストに関する設計指針を理論的に確立することを目指す。
- 本研究は，δ-マージン多数決を吸収マルコフ連鎖として定式化し，Gambler's Ruin理論を用いることで，包括的な理論的枠組みを構築した。
- これにより，合意精度，投票期間，分散，停止時間PMFの閉形式表現が得られ，モデルベースの設計が可能となった。
- ベイズ拡張により，労働者の精度不確実性を考慮したリアルタイムな品質・コスト監視，およびコスト調整手法も提案した。
学習されたガジェットを用いた強化学習による実機における困難な量子問題への取り組み [quant-ph, cs.AI, cs.LG]目的：困難な量子問題に対する強化学習回路設計
- 量子計算は複雑な量子系のシミュレーションや大規模な組合せ最適化問題に有望だが，実用化にはハードウェアの制約が伴う。
- 既存の強化学習法は，ハードウェア固有のゲートやコンパイルに制限されると精度が低下する点が課題である。
- ハードウェア制約下で利用可能な複合ゲートを学習し，精度，互換性，スケーラビリティの向上を目指す。
- 本研究で提案するガジェット強化学習（GRL）は，横場イジングモデルと量子化学の問題で，最大10量子ビットのシステムに対して有効性を示した。
- GRLは，学習された再利用可能な回路構築ブロックを通じて，量子プロセッサのアルゴリズムとハードウェアの共同設計を促進する。
- 提案手法は，ハードウェア固有の制約下でも高い精度とスケーラビリティを両立し，実機での量子計算の可能性を広げる。
近似SRBBに基づくユニタリー合成のための新規単層量子ニューラルネットワーク [quant-ph, cs.ET, cs.LG]目的：近似的SRBBに基づくユニタリー合成手法の開発
- 量子計算の発展には，効率的な量子回路の設計が不可欠であり，ユニタリー変換の合成はその重要な課題の一つである。
- 従来のユニタリー合成手法は，必要な量子ゲート数が増加しやすく，大規模量子計算への適用が困難となる場合がある。
- 本研究では，CNOTゲート数を削減した単層量子ニューラルネットワークを用いることで，よりスケーラブルなユニタリー合成を目指す。
- 提案手法は，Standard Recursive Block Basis (SRBB) を用いてユニタリー変換を近似し，漸近的にCNOTゲート数を削減する。
- 実験的に，最大6量子ビットの疎行列および密行列に対して，PennyLaneライブラリを用いて提案手法の性能を評価した。
- 実機検証の結果，提案手法が既存手法と比較して良好な近似性能を示すことが確認された。
物理情報に基づく進化：シュレーディンガー方程式を含む量子制御問題に対する進化フレームワーク [quant-ph, cs.AI, cs.SY]目的：量子制御問題における最適な制御場探索
- 物理法則の理解は，複雑なシステムの制御や最適化において不可欠である。
- 従来の進化アルゴリズムは物理法則を考慮せず，効率性や物理的な整合性に課題がある。
- 物理情報を取り入れた進化フレームワークにより，効率的かつ高精度な量子制御を実現する。
- 物理情報に基づく進化(PIE)フレームワークを提案し，量子制御問題に適用した。
- PIEは，V型三準位系，超伝導量子回路，二原子キャビティQEDシステムにおけるベンチマークテストで高い性能を示した。
- 既存の進化アルゴリズムと比較して，PIEはより高い忠実度，低い状態偏差，および優れたロバスト性を示した。
PC法における誤りの起こり方：仮定違反と小標本誤差のより良い報告に向けて [quant-ph, cs.CC, stat.ML, cs.LG]目的：PC法に基づく因果探索方法における誤りの伝播とその検出
- 因果推論は，科学的発見や意思決定において不可欠な役割を果たす。
- PC法は仮定に依存するため，現実のデータでは誤りが生じやすい。
- 仮定違反や小標本誤差を検出し，誤りの伝播を抑制すること。
- PC法における局所的な誤りが，出力グラフ全体にどのように伝播するかを分析した。
- 真の因果構造が不明な場合でも，仮定違反や小標本誤差を検出するコヒーレンシー・スコアを提案した。
- 提案手法は，既存手法よりも広範囲な誤りを検出可能であり，計算コストも低い。
繰り込みに触発された有効場ニューラルネットワーク：多体システムのスケーラブルなモデル化に向けて [physics.comp-ph, cond-mat.str-el, cs.AI, quant-ph]目的：多体システムのモデリング手法
- 物理学における多体問題は，物質の性質を理解する上で不可欠であり，計算コストが課題となる。
- 従来のニューラルネットワークでは，多体相関を正確に捉えきれず，大規模システムへの一般化が難しい。
- 繰り込み群の手法に着想を得た新しいネットワーク構造により，大規模システムでの予測精度向上を目指す。
- 有効場ニューラルネットワーク（EFNN）は，標準的な深層学習ネットワークよりも高い性能を示すことが確認された。
- EFNNは，$10 \times 10$の格子で学習しただけで，$40 \times 40$の格子に対しても高い精度で予測できる。
- EFNNは，大規模システムにおける計算時間をEDと比較して $10^{3}$ 倍に短縮できる。
多変量回帰のための最小体積コンフォーマル集合 [stat.ML, cs.AI, cs.LG, stat.ME, stat.OT]目的：多変量回帰における最小体積の予測集合の構築
- 予測の信頼性を定量化する手法が求められており，特に不確実性の表現は重要である。
- 既存の多変量予測手法は，幾何学的制約が厳しかったり，計算コストが高かったりする問題がある。
- 予測集合の体積を最小化しつつ，適切な信頼性を保証する手法を開発することが目的である。
- 本研究では，予測集合の体積を直接最適化する新しい損失関数を提案し，有効な被覆を保証する。
- 提案手法は，任意のノルム球を用いた予測集合の最適化を可能にし，単一および複数ノルムの定式化に対応する。
- 予測モデルと予測不確実性を同時に最適化することで，タイトで情報量の多い計算効率の良い予測集合が得られる。
学習済み（および疎な）ニューラルネットワークの最適化：代理モデルの中の代理モデル [math.OC, cs.LG]目的：制約学習におけるニューラルネットワークの最適化手法
- 最適化モデルにおいて，複雑な制約や目的関数を扱う必要性が高まっている。
- ニューラルネットワークを代理モデルとして利用する場合，ネットワークの規模が最適化の困難さに影響する。
- 与えられた大規模ニューラルネットワークを，最適化しやすい疎なモデルに変換することを目指す。
- ニューラルネットワークをプルーニングすることで，最適化モデルの取り扱いやすさが向上する。
- 検証や関数最大化において，プルーニングによってより良い解が得られる場合がある。
- 特に，ファインチューニングを省略した場合でも，プルーニングが有効であることが示された。
オンラインアルゴリズムに対する統計的推論 [stat.ML, cs.LG, stat.CO, stat.ME]目的：オンラインアルゴリズムに対する信頼区間と仮説検定の構築
- 統計的推論は，データに基づく意思決定において不可欠であり，その精度と信頼性が重要である。
- オンラインアルゴリズムでは，データへの複数回のアクセスが困難なため，分散の推定が課題となる。
- 明示的な分散推定を回避しつつ，漸近的に有効な信頼領域を構築する方法を提供する。
- 提案手法HulCは，既存のオンラインアルゴリズムをラップすることで，分散推定なしに信頼区間を生成する。
- HulCは，漸近的に正規分布に従う推定値を持つ任意のオンラインアルゴリズムに対して，理論的に有効であることが証明されている。
- Stochastic Gradient Descent (SGD)やその他のオンラインアルゴリズムを用いた数値シミュレーションにより，実用的な性能が評価されている。
1988年以降の森林地上部炭素の10年単位の吸収源・放出源の変化 [physics.geo-ph, cs.LG]目的：森林地上部炭素の経時的な変動の解明
- 地球温暖化対策において，森林による炭素吸収量の把握は不可欠である。
- 長期間にわたる森林の炭素動態は，不確実性が高い。
- 主要バイオームにおける炭素ストックの脆弱性を明らかにすること。
- 1988年から2021年までの全球森林地上部炭素量は6.2 PgCの吸収を示したが，湿潤熱帯および亜寒帯の森林は2000年代初頭から炭素放出源へと移行している。
- 熱帯森林の地上部炭素量の変動と大気中のCO2増加率との間には負の相関が認められ（2011-2021年：r = -0.63），熱帯森林が地球炭素循環を調節する役割が増していることが示唆された。
- ブラジルアマゾンでは，健全な森林が地上部炭素量減少の年々変動に占める割合が，1990年代の33%から2010年代には76%へと増加し，森林破壊地域を上回った。
ヘブの法則に基づく物理ネットワーク：局所物理法則に基づく自己組織化計算アーキテクチャ [nlin.AO, cs.LG, stat.CO, stat.ME]目的：自己組織化計算アーキテクチャの開発
- 物理現象のシミュレーションは科学技術の発展に不可欠であり，その精度と効率が求められている。
- 従来の数値シミュレーションは固定された演算子に依存し，柔軟性や適応性に欠けるという課題がある。
- 局所的な物理法則に基づいて，演算子と状態が共同進化する新しい計算フレームワークを構築すること。
- ヘブの法則に基づく物理ネットワーク(HPN)は，残差駆動型の局所適応により，物理的に整合的な輸送構造と流れ構造を自動的に生成する。
- HPNは，エネルギー保存則などの物理法則を明示的に強制することなく，自然にオンサーガーの相反関係を再現する。
- このフレームワークは，計算を固定方程式の解としてではなく，構成的形状と物理状態が共同進化する熱力学的緩和過程として捉え直す。
ランダム化試験における外部データ活用による不均一な治療効果のロバストな推定 [stat.ML, cs.LG, stat.ME]目的：ランダム化試験と外部データを用いた，条件付き平均治療効果の推定
- 個別化医療の実現には，患者ごとの治療効果の推定が不可欠であり，その重要性は高い。
- ランダム化試験では，個々の患者における治療効果のばらつきを捉える統計的検出力が不足することが課題である。
- 本研究は，外部データを用いることで，治療効果のばらつきをより正確に推定し，個別化医療を支援することを目的とする。
- 提案手法QR-learnerは，外部データを利用することで，試験データのみの推定よりも平均二乗誤差を低減できる。
- QR-learnerは，外部データのずれがある場合でも，真の条件付き平均治療効果を回復できることが保証されている。
- QR-learnerと試験データのみの推定器を組み合わせることで，両方の推定器の性能を向上させることができる。
厳密な汎化誤差がベンチマークによる偏りを明らかにする：グラフニューラルネットワークの成功(または失敗)の理由 [stat.ML, cs.LG]目的：グラフニューラルネットワークの汎化誤差の厳密な導出と，ベンチマークデータセットの偏りの分析
- グラフニューラルネットワークは，生物学から社会システムまで幅広い分野で利用されており，その重要性は増している。
- 既存研究では，グラフニューラルネットワークの汎化性能を支配する要因が明確に解明されていない。
- 本研究は，グラフニューラルネットワークの汎化誤差を厳密に導出し，ベンチマークの偏りを明らかにすることで，性能を評価する。
- 厳密な汎化誤差の導出により，既存のベンチマークデータセットがノード特徴量とグラフ構造の整合性が高く，特定のアーキテクチャを優遇していることが判明した。
- 接続ノード間の類似性（ホモフィリー）が，どのアーキテクチャが特定のグラフに適しているかを決定づける要因であることが示された。
- これらの結果は，グラフニューラルネットワークが構造と特徴情報を効果的に活用できる条件を説明し，信頼性の高い応用を支援する。
複数環境下における因果グラフの識別可能性について [stat.ML, cs.LG]目的：因果グラフの識別可能性
- 因果推論は，科学的発見や政策決定において重要であり，データから因果関係を明らかにすることは不可欠である。
- 独立同一分布(i.i.d.)の観測データのみからは，因果グラフを一意に特定することが困難である。
- ノイズ統計が異なる複数の環境からのデータを用いて，因果グラフ全体を特定することを目指す。
- 構造因果モデルによって誘導される分布と，ノイズ統計が大きく異なる2つの環境からのデータがあれば，一意な因果グラフを識別できる。
- この結果は，定数個の環境と非線形メカニズムを用いて因果グラフ全体を復元することを保証する初の研究である。
- ノイズ項のガウス性が制約となるが，この要件を緩和する可能性も示唆されている。
不完全グラフ信号からの時間変化グラフの学習 [stat.ML, cs.LG]目的：時間変化するネットワークトポロジーと欠損データの補完の同時推論
- ネットワーク科学は，社会システムや生物学的システムなど，複雑な系の理解に不可欠である。
- 現実のネットワークデータは，観測が不完全であることが多く，信号の欠損が学習の妨げとなる。
- 欠損データに対しても頑健な，時間変化グラフの同時推定手法を開発すること。
- 提案手法は，グラフと信号の間の双方向の情報伝達を促進し，高い欠損データ率下で優れた性能を示す。
- 時間的な滑らかさを促す正則化項を導入することで，ノイズの影響を抑制し，現実的なネットワークの動的変化を捉える。
- 効率的なADMMアルゴリズムを開発し，大規模ネットワークおよび長期的な時間軸への適用を可能にした。
機械学習による縮約密度行列 [cond-mat.str-el, cs.AI]目的：強相関系の縮約密度行列の計算加速および予測
- 物相の理解に不可欠だが，計算コストが高いことが課題である。
- 大規模システムにおける強相関状態の縮約密度行列計算は困難である。
- 機械学習を用いて，縮約密度行列の予測精度向上を目指す。
- 訓練データが少ないシステムから，大規模システムの縮約密度行列を予測可能。
- SIRENモデルは，$6\times 6$のメッシュで学習することで，$18\times 18$のペア相関関数を94%以上の精度で予測。
- ニューラルネットワークは，反復回数を最大92%削減し，計算効率を向上。
量子状態生成のための敵対的生成ネットワーク [q-bio.PE, cs.SI, quant-ph, cs.LG]目的：量子資源状態生成の逆設計タスク
- 量子情報処理の発展には，高性能な量子資源の効率的な設計が不可欠である。
- 従来の設計手法では，多様な量子資源を効率的に探索することが困難である。
- 敵対的生成ネットワークを用いて，制約条件を満たす量子資源の自動設計を目指す。
- 本研究では，物理法則を組み込んだ敵対的生成ネットワークフレームワークを提案した。
- テレポーテーションやエンタングルメントブロードキャストに最適化された2量子ビット状態を高精度に生成できることを示した。
- 生成された状態は，理論的な資源境界を98%を超える忠実度で再現し，効率的な量子ネットワーク設計への応用が期待される。
フェルミ・パスタ・ウラム・ツィンゴ軌道の内在次元の学習：深層オートエンコーダモデルを用いた非線形アプローチ [cond-mat.stat-mech, cs.LG]目的：フェルミ・パスタ・ウラム・ツィンゴ（FPUT）βモデルの軌道の内在次元
- 複雑な非線形系の振る舞いを理解するためには，その系の内在次元を把握することが不可欠である。
- 高次元データの内在次元を正確に推定することは，線形手法では困難であることが知られている。
- 深層学習を用いた非線形アプローチにより，高次元データの内在次元を高精度に推定することを試みる。
- FPUT βモデルの軌道は，64次元の相空間に埋め込まれた2次元の非線形リーマン多様体上に存在することが示された。
- βの値が1.1になると，内在次元が3に増加し，これはβモデルの対称性の破れ現象と一致した。
- 線形手法である主成分分析（PCA）では検出できない対称性の破れ現象を，深層オートエンコーダ（DAE）が捉えることができた。
学習不可能な物質相 [cond-mat.dis-nn, cs.LG, quant-ph]目的：物質の非自明な混合状態相における機械学習の限界
- 物質相の理解は，物理学の根幹であり，新物質開発に不可欠である。
- 複雑な混合状態相の学習は，計算資源の制約から困難である。
- 機械学習が困難な混合状態相の存在を示すことで，学習限界の指標を提示する。
- 機械学習モデル（自己回帰型ニューラルネットワーク）が，局所的に識別不能な状態を持つ分布の全体的な特性を学習できないことを示した。
- 条件付き相互情報量（CMI）が，局所的に識別不能な状態の診断に有用であることを示した。長距離CMIは空間的に局所的に識別不能な状態の存在を示唆する。
- 統計的クエリモデルを用いて，長距離CMIを持つ相（強い自発的対称性の破れなど）の学習困難性を示した。トピックコードにおける実験的検証も行った。
認知負荷を考慮した自己教師あり深層生成モデルによる圧縮サンプリングMRI再構成 [eess.IV, cs.AI, cs.LG]目的：圧縮サンプリングMRI再構成における認知負荷を考慮した深層生成モデルの構築
- MRIは医学診断において不可欠だが，撮像時間短縮が課題である。
- 従来の自己教師あり深層生成モデルは，過学習や収束の遅延が問題となる。
- 認知負荷を考慮した学習戦略により，再構成の精度と収束性を向上させる。
- CogGenは，k空間データに難易度に基づいた重み付けを行うことで，低周波成分から高周波成分へと段階的に学習を進める。
- 自己ペースカリキュラム学習を用いることで，モデルの学習能力と教師モードの指針に基づいた重み付け/選択を可能にする。
- 実験結果から，CogGenは既存の自己教師ありモデルや教師ありパイプラインと比較して，再構成精度と収束性を改善することが示された。
過パラメータ化された条件下における勾配降下法の双対空間事前条件付け [quant-ph, cs.ET, stat.ML, cs.LG]目的：過パラメータ化された線形モデルの学習における勾配降下法の収束性
- 深層学習等の分野で，モデルのパラメータ数がデータ数より多い過パラメータ化が一般的になっている。
- 過パラメータ化されたモデルの学習では，勾配降下法の収束が遅延したり，局所最適解に陥ったりする可能性がある。
- 双対空間事前条件付けを用いた勾配降下法による，過パラメータ化された線形モデルの安定的な収束を保証すること。
- 双対空間事前条件付けされた勾配降下法は，常に${X}{W}_{\infty} = {Y}$を満たす点${W}_{\infty}$に収束する。
- 等方性事前条件付けの場合，収束点は初期値からのフロベニウスノルムが最小となる解と一致し，通常の勾配降下法と同じ解に収束する。
- 一般的な事前条件付けについても，収束点は通常の勾配降下法の解に比例関係があり，安定的な学習が可能となる。
制約条件付き物理モデルに基づく逆問題を条件付きフローマッチングで解決 [stat.ML, cs.LG]目的：物理モデル制約のあるベイズ逆問題の解法
- 科学技術の発展には，物理法則に基づいた高精度なモデルが不可欠である。
- 従来の逆問題解法は，事前分布や尤度関数の評価が困難な場合がある。
- 観測データから正確な事後分布を推定し，逆問題を効率的に解くことを目指す。
- 条件付きフローマッチングは，複雑な事後分布を高精度に捉えることが示された。
- 学習データの量が限られている場合，過学習による分布の偏りが確認された。
- テスト損失に基づいた早期停止が，過学習による問題を軽減する有効な手段である。
AR-Flow VAE：構造化自己回帰フロー事前分布変分オートエンコーダによる教師なし盲源分離 [stat.ML, cs.LG]目的：盲源分離のための新しい変分オートエンコーダに基づくフレームワーク
- 音響信号処理において，混合信号から個々の音源を分離する技術は重要である。
- 従来の盲源分離手法では，非ガウス性や時間的相関のモデル化が困難であった。
- 複雑な依存関係を捉え，より高精度な分離を実現するモデルを開発すること。
- 提案手法AR-Flow VAEは，パラメータ適応型自己回帰フロー事前分布を用いることで，柔軟な潜在空間モデリングを可能にする。
- 異なる潜在次元に異なる事前分布を割り当てることで，多様な音源特性を持つ信号の分離を促進する。
- 実験結果は，AR-Flow VAEが盲源分離において有効であることを示している。
監視切り替え制御のためのオンライン学習 [physics.soc-ph, cs.SI, math.GN, math.OC, cs.LG, cs.SY, eess.SY]目的：部分観測線形動的システムに対する最適なコントローラーの特定と展開
- 制御システムの性能向上は，現代社会の様々な分野において不可欠である。
- 不安定化する可能性のあるコントローラーをテストする際の安定性保証が課題。
- 不安定なコントローラーの検出と正確なシステム同定を両立させる。
- 提案手法は，多腕バンディットアルゴリズムを制御理論に適用した新規な非漸近解析に基づいている。
- 観測可能性を活用した評価基準により，状態履歴の影響を分離し，不安定化コントローラーの検出とシステム同定を可能にする。
- 本アルゴリズムは$\mathcal{O}(N \log N)$ステップで最適なコントローラーを特定し，有限$L_2$ゲインを達成する。
3Dへの途中：2.5Dモデルと3Dモデルのアンサンブルによる堅牢なCOVID-19 CT診断 [eess.IV, cs.CV, cs.LG]目的：COVID-19のCT画像からの検出と疾患分類
- 感染症診断において，CT画像は重要な役割を担う。迅速かつ正確な診断は，治療効果に大きく影響する。
- CT画像診断は，画像取得条件や患者の状態によって画質が変化しやすく，診断精度が左右される場合がある。
- 異なる特徴を持つ2.5Dと3Dモデルを組み合わせることで，より堅牢な診断モデルを構築し，診断精度を向上させる。
- 提案手法は，PHAROS-AIF-MIHベンチマークにおいて，二値分類で94.48%の精度と0.9426のMacro F1スコアを達成した。
- 多クラス疾患分類では，2.5D DINOv3モデルが最高の性能を示し，79.35%の精度と0.7497のMacro F1スコアを達成した。
- スライスベースの表現とボリュームモデリングの組み合わせが，多源医療画像解析において有効であることが示された。