arXiv雑要約
AI - 2026/03/19 公開
スマートコントラクトにおける脆弱性検出のための機械学習 (拡張版) [cs.CR, cs.ET, cs.LG, cs.SE]目的：イーサリアムのスマートコントラクト脆弱性検出
- ブロックチェーン技術の普及に伴い，スマートコントラクトのセキュリティ確保が重要になっている。
- 既存の脆弱性検出ツールは，速度や精度に課題があり，効率的な分析が困難である。
- 機械学習を用いて，高速かつ高精度な脆弱性検出を実現し，スマートコントラクトの安全性を向上させる。
- 提案手法DLVAは，ソースコードのラベル付けデータを用いて，バイトコードの脆弱性を判断する。
- DLVAは，従来のツールSlitherを上回り，より多くの脆弱性コントラクトを発見し，高精度な検出を実現した。
- DLVAは，29種類の脆弱性について0.2秒でチェック可能であり，既存手法と比較して10倍～1000倍の高速化を実現した。
コンピュータ断層撮影における逆問題に対する教師なし学習 [eess.SY, cs.RO, cs.SY, math.OC, physics.med-ph, cs.AI]目的：コンピュータ断層撮影画像再構成の教師なし深層学習手法
- 医療診断において不可欠なコンピュータ断層撮影の画質向上と効率化が求められている。
- 従来の再構成手法は計算コストが高く，またノイズに弱いという課題があった。
- 教師データを用いずに高品質な画像再構成を可能とする手法を開発し，実用化を目指す。
- 提案手法は，2次元2DeteCTデータセットにおいて，平均二乗誤差(MSE)と構造的類似性指標(SSIM)で従来のFBPやML法を上回った。
- また，再構成時間を大幅に短縮し，リアルタイムな医療画像処理への応用が期待される。
- 今後の課題として，3次元再構成への拡張と投影幾何学への適応性が挙げられる。
NeuroNarrator：スペクトロ空間的根拠と時間状態空間推論による臨床解釈のための汎用脳波-テキスト基盤モデル [quant-ph, cs.ET, eess.SP, cs.CL, cs.LG, q-bio.NC]目的：臨床解釈のための脳波からテキストへの変換
- 脳波は高時間分解能で神経活動を捉え，臨床神経科学研究に不可欠である。
- 既存の脳波解析は特定のタスクに限定され，臨床的に意味のある解釈を十分に支援できていない。
- 連続的な信号と離散的な臨床言語を結びつけ，解釈可能な臨床記録作成を可能にすること。
- NeuroNarratorは，16万件以上の脳波セグメントと臨床記述を組み合わせた大規模データセットNeuroCorpus-160Kを活用している。
- 時間的な脳波波形と空間的なトポグラフィマップを整合させ，スペクトロ空間的に根拠のある表現を確立する。
- 状態空間に触発されたLLMの調整により，時間的・スペクトル的文脈を統合し，一貫性のある臨床ナラティブを生成する。
DECODE：拡散モデルによる二重強化条件付き脳波予測 [eess.SP, cs.CL, cs.HC, cs.LG]目的：認知イベント時の脳波信号予測
- 脳科学やブレイン・コンピュータ・インターフェースにおいて，認知機能を理解・制御する上で重要である。
- 既存手法では，脳波の確率的性質と行動タスクの意味的文脈を同時に捉えることが困難である。
- 意味記述と過去の信号を統合し，イベント特異的な脳波応答を予測することで，この課題を解決する。
- DECODEは，自然言語による認知イベントの記述を拡散過程の条件付けに活用し，高精度な予測を実現した。
- 実際の運転タスクデータセットにおいて，75ステップ先の予測でサブマイクロボルトの予測精度（MAE=0.626μV）を達成した。
- 自然言語が，高次の認知記述と低次の神経活動を結びつける有効な手段となり，新たな応用可能性を示唆した。
多期間金融予測のための深層学習アーキテクチャの制御された比較：918実験からのエビデンス [q-fin.ST, cs.LG, q-fin.GN]目的：多期間金融予測における深層学習アーキテクチャの性能比較
- 金融市場において，ポートフォリオ配分，リスク管理，アルゴリズム取引は不可欠である。
- 深層学習アーキテクチャは多様化しているが，金融分野における厳密な評価が遅れている。
- 様々なアーキテクチャの性能を厳密に比較し，最適なモデルを特定すること。
- ModernTCNが平均順位1.333で最も優れており，PatchTSTが2.000で続いた。
- アーキテクチャが性能変動の大部分を説明し，シードのランダム性は無視できる程度であった。
- 予測期間が変わっても順位は安定しており，MSE最適化モデルは方向性予測に乏しいことが示された。
深層学習に基づく心電図解析を用いた新規エンドツーエンド型デジタルヘルスシステム [math.OC, cs.SY, eess.SY, eess.SP, cs.AI, cs.HC, cs.LG]目的：深層学習を用いた心電図解析によるデジタルヘルスシステムの開発
- 心血管疾患は世界的に主要な死亡原因であり，早期発見と適切な管理が重要である。
- 長期的な心電図モニタリングには，手動での解析が必要であり，時間と労力がかかる。
- AIを活用し，心電図解析の自動化と効率化を図り，臨床医の負担軽減を目指す。
- AI-HEARTは，多日間の心電図データを処理し，波形検出し，ノイズを検出し，不整脈を分類する。
- 評価の結果，波形検出の精度は自動的な間隔測定に十分であり，ノイズ検出は低品質セグメントを確実にフラグ付けする。
- 不整脈分類は，一般的なものから稀なものまで，高い特異度と臨床的に有用なマクロ平均パフォーマンスを達成する。
EEG-SeeGraph：認知症における機能的結合の混乱を解釈するための疎な説明的動的EEGグラフ学習 [eess.SP, cs.LG]目的：認知症の診断
- 高齢化社会において，認知症の早期診断と治療は喫緊の課題である。
- ノイズが多く非定常な脳波から，正確な認知症診断を行うことは難しい。
- 脳波の機能的結合を分析し，認知症診断の根拠となる重要な接続を特定する。
- 提案手法SeeGraphは，時間変化する脳波の機能的結合をモデル化し，ノイズに強く解釈可能な診断を実現した。
- ノードのガイダンスに基づいた疎なエッジマスクにより，診断判断に重要な接続を明示的に示した。
- 公開および社内脳波データセットを用いた検証により，確立された臨床知見と一致する結果が得られた。
脳波に基づく脳-LLMインターフェース：人間の嗜好に合致した生成 [eess.SP, cs.CL, cs.HC, cs.LG, q-bio.NC]目的：人間の嗜好に合致した生成を可能にする脳波ベースのLLMインターフェース
- LLMは人間とコンピュータの対話において重要であり，自然言語を通じて様々なエージェントを制御可能にする。
- 言語入力が困難な，運動障害や言語障害を持つ人々にとって，従来のインターフェース利用が課題となる。
- 脳波信号を用いてLLMを制御し，入力手段に制限のある人々の支援を目指す。
- 脳波信号からユーザーの満足度を推定する分類器を構築し，画像生成モデルの推論を制御することに成功した。
- 実験の結果，脳波信号がユーザーの嗜好を反映しており，リアルタイムな嗜好推論が可能であることが示唆された。
- 本研究は，LLM推論へのニューラルフィードバック統合の第一歩であり，適応型LLM対話研究への道を開く。
人工知能時代における社会物理学 [physics.soc-ph, cs.AI, cs.HC]目的：人間とAIが共進化する社会の集団力学的特性の解明
- 社会現象を定量的に理解し予測することは，社会の安定と発展に不可欠である。
- 既存の行動モデルでは，AIが社会に浸透する中で生じる人間とAIの相互作用を捉えきれない。
- AIと人間の共進化を考慮した新たな社会物理学の研究課題を提示し，AIが社会に与える影響を予測・制御すること。
- 本研究は，進化ゲーム理論，文化進化，大規模言語モデルを用いたシミュレーションを通じて，人間とAIの共進化を分析する。
- 協力，公平性，信頼といった社会行動の進化や，AIが文化特性を生成・選択する過程をモデル化する。
- AI開発と規制の共進化，及び人間とAIの責任・制御の交渉についても考察し，AIの社会への影響を予測する枠組みを提示する。
量子支援による最適リバランス：アルゴリズム取引のためのQAOAを用いたウォークフォワードQUBOスケジューリングと非相関資産選択 [q-fin.PM, cs.AI]目的：ポートフォリオの構築とリバランス
- 金融市場において，効率的なポートフォリオ管理は投資収益の最大化とリスクの最小化に不可欠である。
- 従来のポートフォリオ最適化手法は，計算コストが高く，大規模な資産群への適用が困難な場合がある。
- 量子計算を活用することで，複雑なポートフォリオ最適化問題を効率的に解決し，取引コストを削減することを目指す。
- 遺伝的アルゴリズムと量子近似最適化アルゴリズムを組み合わせた戦略は，シャープレシオ0.588，総リターン10.1%を達成した。
- 古典的なベースラインと比較して，わずかながらもパフォーマンスが向上し，リバランス回数を大幅に削減し，取引コストを44.5%削減した。
- 多重再起動QAOAは，高品質なスケジュールに確率質量が集中し，変分手続きの安定した収束を示唆している。
分類タスクのためのカオス振動器ネットワーク [nlin.CD, cs.NE, physics.comp-ph]目的：分類タスクにおけるカオス振動器ネットワークの活用
- 現実世界の複雑な現象の再現・解析に有用であり，その応用範囲は広い。
- システム規模の拡大に伴い，計算資源の増加や学習の収束問題が生じやすい。
- 非線形振動器群を用いたデータ処理のスケーラビリティ向上を目指す。
- 提案手法は，外部入力によって駆動されるカオス振動器群における局所共鳴を利用する。
- 振動器間の結合項をニューラルネットワークで近似し，入力特徴分布に適合させることで局所共鳴を実現する。
- 合成データを用いた評価で，機械学習の分類タスクにおいて高い精度を示した。
SimulU：長文同時音声翻訳のためのトレーニング不要型ポリシー [eess.AS, cs.AI, cs.CL]目的：長文同時音声翻訳のためのトレーニング不要型ポリシー
- リアルタイム多言語コミュニケーションの需要が高まり，会議やストリーミングプラットフォームへの統合が進んでいる。
- 既存の同時音声翻訳技術は，学習に膨大なリソースを要し，短い音声片段にしか対応できない場合が多い。
- 本研究は，継続的な音声に対応可能な，トレーニング不要な同時音声翻訳手法を開発することを目的とする。
- SimulUは，事前学習済みのエンドツーエンドモデルのクロスアテンションを活用し，入力履歴と出力生成を制御する。
- MuST-Cデータセットを用いた8言語の評価で，SimulUは高品質と低遅延性のトレードオフにおいて，既存のカスケーデッドモデルと同等またはそれ以上の性能を示した。
- SimulUは，追加のトレーニングを必要とせず，現実的な長文シナリオにおけるエンドツーエンドの同時音声翻訳の実現に貢献する。
エポキシポリマーの物理・機械的特性の同時予測のためのガウス過程回帰に基づく知識蒸留フレームワーク [cond-mat.soft, cond-mat.mtrl-sci, cs.LG]目的：エポキシポリマーの物理的特性（ガラス転移温度，密度）と機械的特性（弾性率，引張強度，圧縮強度，曲げ強度，破壊エネルギー，接着強度）の同時予測
- エポキシポリマーは多機能性により広く利用されるが，複雑な分子構造から機械学習の応用は限定的である。
- 既存の機械学習研究は，シミュレーションデータや特定の特性，狭い構成範囲に制限されることが多い。
- 実験データに基づき，複数の特性間の相関性を活用することで，より高精度な予測を実現する。
- 提案フレームワークは，ガウス過程回帰の解釈性とロバスト性を，深層学習のスケーラビリティと汎化能力と組み合わせている。
- 従来の機械学習モデルと比較して，優れた予測精度が確認された。
- 相関のある特性間で情報を共有することで，同時マルチプロパティ予測の精度が向上した。
学習に基づく医用画像登録におけるグリッド制御点数の自由度について [eess.IV, cs.AI, cs.CV]目的：学習に基づく医用画像登録ネットワーク開発における必要な制御点数の検討
- 医用画像登録は，診断・治療において不可欠であり，正確な解析を可能にする重要な技術である。
- 同質またはノイズの多い領域では，登録問題が不適切に定義されやすく，高次元のボクセル単位のデコーダは不要に複雑になる。
- 本研究は，疎な制御点パラメータ化によるコンパクトで滑らかな変形表現を用いて，この問題を解決することを目指す。
- 提案手法GridRegは，ボクセル単位のデコーディングを疎なグリッド上の制御点での変位予測に置き換えることで，パラメータ数とメモリ消費量を大幅に削減し，登録精度を維持する。
- マルチスケール3Dエンコーダ特徴マップを1Dトークンシーケンスに変換し，位置エンコーディングにより空間的コンテキストを保持する。
- 前立腺，骨盤器官，神経構造の3つのデータセットを用いた定量的な評価により，グリッド制御変位場の使用による有意な改善が示された。
超音波ナカガミイメージングによる脂肪肝評価：スコアマッチングと適応を用いた手法 [eess.IV, cs.AI, cs.CV, q-bio.QM]目的：脂肪肝の評価のための超音波ナカガミイメージング手法
- 脂肪肝は肝臓の健康に深刻な影響を及ぼす疾患であり，早期発見と正確な評価が重要である。
- 従来の超音波イメージングでは，組織の特性を詳細に評価することが難しく，定量的な脂肪含有量測定が課題である。
- 本研究は，超音波ナカガミイメージングの精度と安定性を向上させ，脂肪肝のより正確な評価を可能にすることを目的とする。
- 提案手法UNICORNは，スコアマッチングと適応により，高精度なナカガミパラメータ推定を実現し，従来の課題を克服した。
- 実験の結果，UNICORNは脂肪肝の評価において優れた性能を示し，バックscattered統計の視覚的な識別を可能にした。
- 患者データを用いた検証により，UNICORNが臨床的に脂肪肝を検出し，高いロバスト性と汎用性を持つことが確認された。
ベイズ最適化を用いた非弾性中性子散乱測定の自動終了戦略：ビンの幅の選択 [physics.data-an, cs.AI]目的：非弾性中性子散乱測定における自動終了戦略の確立
- 中性子散乱実験は，物質のダイナミクスや磁気構造の研究に不可欠である。
- 実験時間の浪費を防ぐため，効率的な測定戦略が求められている。
- ベイズ最適化により，実験の早期終了と効率化を目指す。
- ベイズ最適化によるビンの幅の最適化により，実験をリアルタイムで終了させる戦略を提案した。
- 最適化されたビンの幅が目標分解能を下回った時点で，測定を終了することが有効であることが示された。
- 数値実験の結果，ベイズ最適化は網羅的探索に比べて探索コストを約10%に削減できることが確認された。
地震による液状化誘発道路寸断モデルフレームワーク：北米カスケード地域における緊急対応とアクセスへの示唆 [physics.geo-ph, cs.LG]目的：地震誘発液状化による道路寸断とサービス低下の推定
- 巨大地震の被害軽減のため，インフラへの影響評価が不可欠である。
- 従来の評価は簡略的な手法に頼り，液状化メカニズムの知見が十分反映されていない。
- 液状化リスクを考慮した道路寸断予測を行い，緊急対応計画に資する。
- カスケード地域M9地震において，沿岸部，河谷，都市部の水辺地域に道路寸断の集中が予測された。
- 特に，U.S. Route 101などの主要ルートで大きな寸断が予想される。
- 道路寸断の影響は社会経済的指標と関連があり，既存の社会的不利性を増幅する可能性がある。
変数スケールカーネルを用いたクリギング [stat.ML, cs.LG, stat.ME]目的：異方性相関構造のモデリング
- 空間統計学は，地理情報や環境データの解析に不可欠である。
- 従来のクリギングは定常性カーネルに依存し，複雑な相関構造の表現が困難である。
- 変数スケールカーネルにより，非定常な相関構造を明示的にモデル化し，予測精度向上を目指す。
- 変数スケールカーネルは，データ間の相関構造を変化させ，急激な変化や不連続性を持つ対象のモデリングを可能にする。
- 変数スケールカーネルに基づくガウス過程は，従来の非定常カーネルとの関係が明確にされた。
- 数値実験により，変数スケールカーネルを用いたクリギングが再構成精度を向上させ，データ構造を反映した不確実性推定が可能となることが示された。
機械知能による二次元デンドライト合成の全工程支援 [cond-mat.mtrl-sci, cs.AI]目的：二次元デンドライト合成における迅速なプロセス最適化，正確なカスタマイズ合成，および包括的なメカニズム解明
- 触媒などへの応用が期待されるデンドライト合成は，パラメータが多く，データが少なく，反応が複雑な問題である。
- 実験条件の組み合わせが膨大であり，効率的な最適化が困難である。
- 機械学習を活用し，少ない実験回数で効率的な合成条件の探索とメカニズム解明を目指す。
- 活性学習により，わずか60回の実験で高性能なReSe2デンドライトの最適な合成条件を特定した。
- データ拡張戦略と機械学習アルゴリズムを組み合わせることで，プロセス変数とフラクタル次元の間の非線形相関を明らかにした。
- マルチスケール解析，解釈可能な機械学習モデル，および熱力学・反応速度論的知識を統合し，製品形態への複数パラメータの相乗効果を解明した。
Wav2Vec音声認識ニューラルネットワークに対する無線環境でのホワイトボックス攻撃 [eess.AS, cs.LG, cs.SD]目的：ニューラルネットワークに基づく音声認識システムへの敵対的攻撃の検討
- 音声認識技術は，人間と機械の円滑なコミュニケーションを可能にする重要な技術である。
- 敵対的攻撃によって音声認識の精度が低下し，誤認識による問題が発生する可能性がある。
- 無線環境下での攻撃の検知困難性と攻撃効果のバランス改善を目指す。
- 本研究では，無線環境下での攻撃を人間が聞き取れないようにするための手法を検討した。
- 検討した手法は，攻撃の検知可能性を低減しつつ，攻撃効果を維持することを可能にした。
- これにより，より現実的な敵対的攻撃シナリオの実現に貢献する。
ノイズ量子回路を用いたハイブリッド古典-量子転移学習 [quant-ph, cs.LG]目的：画像分類のための古典的畳み込みバックボーンにバリアショナル量子分類器を接続した，コンパクトな量子転移学習アーキテクチャの提案
- 機械学習の分野では，限られたデータでの学習効率向上を目指し，事前学習モデルの知識転移が重要視されている。
- 量子転移学習は可能性を秘めるが，ノイズ環境下での性能評価や実機への実装が課題となっている。
- 実環境でのノイズを考慮し，古典-量子ハイブリッドモデルの性能と効率を検証すること。
- 提案された量子転移学習アーキテクチャは，古典的ベースラインと同等またはそれ以上の精度を達成した。
- 学習時間とエネルギー消費量が古典的ベースラインと比較して一貫して削減された。
- PennyLaneベースの実装が，精度と計算効率の最適なトレードオフを提供することが示された。
参照音ガイド型標的音検出のための共有表現学習 [eess.AS, cs.AI]目的：参照音に基づいて，混合音中の標的音の検出と定位
- 複雑な音響環境下で人間が特定の音に注意を集中できる能力に着目し，実用的な音響認識技術への応用が期待される。
- 既存手法は，参照音と混合音を別々に処理するため，表現の整合性が弱く，未知の音への汎化性能が課題である。
- 参照音と混合音を共通の表現空間で処理することで，表現の整合性を高め，汎化性能を向上させることを目指す。
- 提案手法は，参照音と混合音を共有のエンコーダで処理する統一的なアーキテクチャを採用し，アーキテクチャの複雑さを軽減した。
- マルチタスク学習により，既存手法を大幅に上回り，URBAN-SEDデータセット上でセグメントレベルF1スコア83.15%，全体精度95.17%を達成した。
- これにより，標的音検出の新たな最先端ベンチマークを確立した。
生成モデルにおける依存性の忠実性と下流推論の安定性 [stat.ML, cs.AI, cs.LG, stat.ME]目的：生成モデルにおける多変量依存構造の保存
- 生成AIの発展は現実的な合成データをもたらすが，評価基準は周辺分布の一致に偏っている。
- 周辺分布の一致だけでは，下流推論を支配する多変量依存構造が保存されているか判断できない。
- 共分散レベルでの依存性忠実性に着目し，下流推論の安定性を確保すること。
- 周辺分布が完全に一致しても，依存構造が大きく異なる分布が存在することが示された。
- 依存性の違いが下流推論の不安定性を招き，回帰係数の符号反転を引き起こすことが確認された。
- 共分散レベルでの依存性の制御により，主成分分析などの依存性に敏感なタスクにおいて安定した振る舞いが保証された。
アトラクタ鍵付きメモリ [physics.optics, cond-mat.dis-nn, cs.ET, cs.IT, cs.NE, math.IT]目的：物理選択器の特性を利用した，選択とメモリアクセスを統合する新しいアーキテクチャ
- 計算効率と省エネルギー化が重要視される中で，選択とメモリアクセスの高速化は不可欠である。
- 従来の疎性ルーティングアーキテクチャでは，選択とメモリアクセスが分離されており，遅延とエネルギー消費が大きい。
- 物理選択器の署名を活用し，選択とメモリアクセスを統合することで，遅延とエネルギー消費を削減することを目指す。
- 物理選択器の署名が再現性があり，線形独立性を持つ場合，単一の線形デコーダで任意のペイロードにマッピング可能となる。
- この構成には，測定されたデバイス応答のSVDが一つ必要であり，能力を検証し，タスク選択前に最悪の場合のエラーを限定する。
- ランタイムエラーは，デコード忠実度とルーティング信頼性の2つの独立したチャネルに分解され，それぞれに対応した物理的起源と対策が存在する。
多条件翼型形状最適化のための最適化組み込み型アクティブ多忠実度サロゲート学習 [physics.flu-dyn, cs.LG, cs.NE, math.OC]目的：多条件翼型形状最適化における高精度CFDコスト削減とRANSレベルの精度維持
- 航空機の設計において，揚力と抗力のバランスを最適化する翼型形状は重要である。
- 高精度なCFD計算は計算コストが高く，効率的な最適化を阻害する要因となる。
- 低忠実度モデルと高忠実度モデルを組み合わせ，計算コストを抑えつつ高精度な最適化を実現する。
- 提案手法は，巡航条件での効率を41.05%，離陸条件での揚力を20.75%向上させた。
- 全計算において，巡航条件では14.78%，離陸条件では9.5%の個体のみが高精度CFD計算を必要とした。
- これにより，高精度計算の使用量を大幅に削減しつつ，多条件性能を維持することが示された。
自己正則化学習法 [stat.ML, cs.LG, math.ST, stat.TH]目的：学習アルゴリズムの自己正則化に基づく分析
- 機械学習の汎化性能向上には，複雑さの制御が不可欠である。
- 明示的な正則化項を用いないアルゴリズムの理論的理解が課題であった。
- 自己正則化の枠組みを用いて，最適な学習率を導出すること。
- 自己正則化の概念により，暗黙的な複雑さ制御を形式的に捉えることが可能となった。
- 古典的な正則化法と勾配降下法を含む幅広いアルゴリズムを統一的に分析できることが示された。
- データ依存的なハイパーパラメータ選択問題に対しても，最適な学習率を理論的に保証する結果が得られた。
入力測定不確実性に対するWasserstein型ガウス過程回帰 [math.DS, cs.FL, math.OC, cs.SY, eess.SY, stat.ME, cs.LG]目的：入力測定不確実性下のガウス過程回帰
- 不確実性の定量化は重要であり，様々な分野で意思決定を支援する。
- 入力に誤差がある場合，従来のガウス過程回帰は不確実性を過小評価する可能性がある。
- 入力誤差を考慮した，より堅牢な不確実性定量化手法を開発すること。
- 提案手法は，入力ノイズをWasserstein距離を通じて確率測度として表現することで，入力誤差を考慮する。
- 決定論的なPWAカーネルは，閉形式の表現を持ち，スケーラブルな正定値カーネルを提供する。
- PWAに基づくガウス過程回帰は，潜在変数モデルを必要とせず，不確実性の定量化を透明化する。
線形ブロック共重合体の自由エネルギーの高速ニューラルネットワーク予測 [math.AG, cs.SC, math.OC, cs.SY, eess.SY, cond-mat.soft, cs.LG]目的：線形ブロック共重合体の過剰自由エネルギー予測モデル
- 高分子システムの相分離や熱力学的安定性を理解する上で，自由エネルギーは基盤となる重要な物理量である。
- 自由エネルギーの正確な計算には膨大なシミュレーションと後処理が必要であり，計算コストが課題となっている。
- シミュレーションデータから自由エネルギーを迅速に予測することで，計算コストを削減し，熱力学解析を加速することを目指す。
- 本研究では，線形ジブロック共重合体の自由エネルギーを，分子動力学シミュレーションから得られたエネルギー記述子を用いて，ニューラルネットワークで予測する手法を開発した。
- 構築したニューラルネットワークモデルは，鎖長，組成，密度など，様々な条件下で，参照となる自由エネルギー値を高い精度で再現した。
- 相空間の重複が不十分となり，直接的な自由エネルギー計算が困難な領域でも，ニューラルネットワーク予測は一貫性のある結果を示した。
構造化SIR：高次元画像レジストレーションのための効率的かつ表現力豊かな重要度重み付き推論 [eess.IV, cs.CV, cs.LG]目的：高次元画像レジストレーションにおける不確実性の表現力豊かな定量化
- 画像レジストレーションは，医療画像解析など多くの分野で必須技術であり，精度向上が求められている。
- 従来の推論手法では，高次元データの複雑な共分散行列の扱いに課題があり，不確実性の正確な評価が困難であった。
- 提案手法は，メモリ効率の良い共分散パラメータ化により，高次元空間における不確実性を効率的に捉えることを目指す。
- 提案手法Structured SIRは，脳MRIデータの3D画像レジストレーションにおいて，従来の変分推論法よりもキャリブレーションされた不確実性推定を達成した。
- 高次元共分散行列を低ランク行列と疎な空間構造化されたCholesky精度因子和で表現することで，計算コストを抑えつつ複雑な空間相関を捉えることに成功した。
- その結果，効果的かつ効率的な不確実性定量化が可能となり，高精度な画像レジストレーションを実現した。
動的モード分解を用いた区分線形非線形構造のデータ駆動型モデル次数の削減 [math.DS, cs.LG, nlin.CD]目的：区分線形非線形構造のデータ駆動型モデル次数削減手法
- 工学分野において，非線形システムの動的挙動予測は，実用上・理論上重要である。
- 区分線形非線形システムの解析は，計算コストが高く，高次元化しやすいという課題がある。
- 動的モード分解を利用し，効率的にシステムの次数を削減し，高精度な挙動予測を可能にすること。
- 提案手法では，動的モード分解を用いて，システムのインパルス応答から状態変数のスナップショットを抽出する。
- 抽出された動的モードを基底ベクトルとしてガレルキン投影を行い，少ない自由度でシステムを記述する簡約化モデルを構築する。
- 簡約化モデルによる非線形強制応答解析の結果は，原系の高精度な結果と一致することを示した。
リーマン多様体上のミラー降下法 [stat.ML, cs.LG, math.OC]目的：リーマン多様体上の最適化
- 機械学習や画像処理など，多様な分野で大規模最適化が重要視されている。
- 従来の最適化手法では，リーマン多様体上の効率的な最適化が困難であった。
- リーマン多様体上でのミラー降下法の理論的保証と，その実用的な応用を目指す。
- 本研究では，リーマン多様体上のミラー降下法（RMD）のフレームワークを提案した。
- RMDの確率的変種を開発し，その非漸近的収束性を数学的に証明した。
- Stiefel多様体への適用により，既存手法Curvilinear Gradient Descent (CGD)を包含し，大規模最適化問題への拡張も可能にした。
複雑な調査設計下におけるk近傍回帰の整合性 [stat.ML, cs.LG]目的：複雑な調査設計下におけるk近傍回帰の整合性
- 社会調査は政策決定に不可欠であり，信頼性のある統計的推論が求められる。
- 従来のk近傍回帰の整合性証明は，独立同一分布を仮定しており，複雑な調査データには適用できない。
- 複雑な調査データにおけるk近傍回帰の整合性を理論的に証明し，収束率を評価すること。
- 複雑な調査設計下においても，一定の条件下でk近傍回帰が整合性を持つことが示された。
- 収束率は次元の呪いを反映し，独立同一分布の場合と同様の性質を示すことがわかった。
- シミュレーションと実データ分析によって，理論的結果の妥当性が確認された。
ガウス過程極限から明らかになるグラフTransformerの構造的利点 [stat.ML, cs.LG]目的：グラフTransformerの構造的利点の解明
- グラフ構造データ学習において，グラフTransformerが最先端の手法として注目されている。
- 既存のグラフニューラルネットワークが抱える問題点を回避するものの，その性能向上理由は理論的に不明である。
- グラフTransformerが優れた性能を発揮する理由を，ガウス過程極限という理論的枠組みを用いて明らかにする。
- グラフTransformerは，ノードレベルの予測タスクにおいて，グラフ畳み込みネットワークよりも構造的に優れていることが証明された。
- グラフTransformerは，コミュニティ情報を維持し，深層においても識別可能なノード表現を保つことで，オーバー スムージングを防止することが示された。
- 有益な事前知識や位置エンコーディングの統合が，深層グラフTransformerの性能向上に寄与することが実験的に確認された。
rSDNet：ラベルノイズと敵対的攻撃に対する統一的なロバストニューラル学習 [physics.soc-ph, cs.CL, stat.ML, cs.AI, cs.LG, stat.ME]目的：ラベルノイズと敵対的攻撃に対するロバストなニューラル分類
- 現代AIにおいてニューラルネットワークは不可欠であり，その信頼性向上が重要である。
- 従来のニューラルネットワークは，ラベルノイズや敵対的摂動に脆弱であるという課題がある。
- データ汚染の両形態に対応する，統計的に確かなロバスト学習フレームワークを確立する。
- rSDNetは，最小ダイバージェンス推定に基づくロバスト学習アルゴリズムであり，異常な観測データを自動的に抑制する。
- 理論的な解析により，rSDNetのFisher一貫性，分類キャリブレーション，ロバスト性保証が確認された。
- 3つのベンチマークデータセットでの実験により，rSDNetがラベル汚染と敵対的攻撃に対するロバスト性を向上させることが示された。
生体分子動力学のための状態空間モデルによる原子軌道モデリング [q-bio.BM, cs.LG]目的：生体分子動力学の原子レベル軌道生成
- 生物学的機能解明や創薬において，生体分子の動的挙動の理解は不可欠である。
- 分子動力学計算は高コストであり，長時間のシミュレーションが困難である。
- 長時間の原子軌道を効率的に生成し，生体分子動力学のモデリングを可能にすること。
- ATMOSは，状態空間モデルに基づき，原子レベルの分子動力学軌道を生成する新しいフレームワークである。
- Pairformerを用いて長距離の時間的依存性を捉え，拡散モジュールで軌道フレームを自己回帰的に復号する。
- タンパク質単量体と複合体（タンパク質-リガンド）の両方において，最先端の性能を達成した。
誤差信号の抑制性正規化がニューラル回路における学習を改善する [q-bio.NC, cs.AI, cs.LG]目的：ニューラル回路における学習改善
- 脳の情報処理の基盤であり，効率的な学習には不可欠である。
- 生物学的ニューラル回路における抑制性正規化の学習効果は不明であった。
- 誤差信号の正規化を含む抑制性正規化の学習効果を解明する。
- 画像認識タスクにおいて，推論時のみの抑制性正規化は学習改善に繋がらなかった。
- 誤差逆伝播時の正規化を組み合わせることで，学習性能が有意に向上した。
- 脳内学習における抑制性正規化は，学習信号の正規化を伴う場合に有効である可能性が示唆された。
確率的集合値最適化とそのロバスト学習への応用 [math.OC, cs.LG]目的：ロバスト機械学習のための確率的集合値最適化フレームワーク
- 機械学習の信頼性向上は重要であり，特に分布の変化への対応が求められている。
- 従来の機械学習は分布変化に弱く，ロバスト性が課題となっている。
- 損失分布の両端の振る舞いを捉え，分布変化に対するロバスト性を高める。
- 確率的集合値最適化により，損失分布の下側と上側の両方のテールを考慮した解を求めることが可能になった。
- 提案手法は，分布シフト下で，経験的リスク最小化よりもロバスト性と再現性が向上した。
- パレート膝の解を選択するストカスティック多勾配アルゴリズムが有効であることが示された。
無限幅浅いニューラルネットワークにおけるスパース性のための二重証明アプローチ [math.OC, cs.AI]目的：無限幅浅いReLUニューラルネットワークのTV正則化訓練における解のスパース性に関する厳密な保証
- ニューラルネットワークのスパース性は，モデルの複雑さを軽減し，過学習を防ぐ上で重要である。
- 無限幅ニューラルネットワークの理論的解析は難しく，スパース性の保証は十分ではない。
- ReLU活性化関数を用いた場合の二重証明の構造を利用し，解のスパース性を数学的に示す。
- ReLU活性化関数の二重証明が重み空間において区分線形であることが示された。
- 区分線形領域（二重領域）は，データによって誘導される超平面配置によって決定される。
- 各二重領域において，二重証明は高々一つの極値を持つことが証明され，最適解のサポートの有限性が保証された。
収束の最前線：次世代創薬のための機械学習と高性能量子コンピューティングの統合 [quant-ph, cs.LG, physics.chem-ph]目的：次世代創薬のための機械学習と高性能量子コンピューティングの統合
- 創薬は人々の健康に直結する重要な分野であり，より効率的な手法が求められている。
- 従来の創薬は試行錯誤に頼る部分が多く，計算コストが高く，時間もかかるという課題があった。
- 高性能量子コンピューティングを活用し，創薬パイプラインの最適化を目指す。
- 機械学習の基盤モデルと高性能量子コンピューティングの組み合わせが，量子レベルでの高精度シミュレーションを可能にする。
- ハイブリッドQPU-GPUアーキテクチャを利用することで，古典近似のヒューリスティクスを回避し，真の化学的精度を達成できる。
- 量子コンピューティングによるサンプリングは，GPUの限界を超える可能性を秘めており，反応性細胞系のモデル化や次世代材料の創製に貢献する。
ノイズ感度指数が，単一および多重インデックスモデルにおける統計的・計算的ギャップを制御する [math.NT, cs.DM, math.CO, eess.AS, cs.CL, eess.AS, cs.CL, math.OC, cs.SY, eess.SY, stat.ML, cs.LG]目的：高次元統計における統計的可能性と計算困難性の関係性の解明
- 機械学習の性能評価には，高次元データにおける特徴抽出能力が重要である。
- 高次元データでは，統計的には学習可能でも計算上は困難なケースが存在する。
- ノイズ感度指数に着目し，統計的・計算的ギャップを定量的に評価する。
- 活性化関数によって決まるノイズ感度指数が，計算上のボトルネックの発生を特徴づける。
- 多重インデックスモデルの専門化移行において，ノイズ感度指数が統計的・計算的ギャップを制御する。
- 階層型多重インデックスモデルでは，ノイズ感度指数が最適な計算速度を決定する。
ベッティングによる多腕逐次仮説検定 [stat.ME, cs.LG, math.ST, stat.TH]目的：多腕逐次仮説検定における最適性
- 臨床試験等において，複数の選択肢の中から最適なものを効率的に見つけることは重要である。
- 複数の選択肢を同時に評価する場合，どの選択肢が最も有効か事前に不明な場合がある。
- 最適な選択肢を効率的に特定し，仮説を棄却する逐次検定手法を開発すること。
- 複数の腕が存在する場合でも，最適な腕を知っている場合と同等の性能を持つ逐次検定法が存在する。
- 対数最適性や期待拒否時間最適性の概念を多腕の場合に一般化し，一致する上下限を得た。
- 観測できない報酬に関する集中不等式を導出し，ケリーの富成長率における最適性を解析した。
HighAir：階層型グラフニューラルネットワークに基づく大気質予測手法 [cs.LG]目的：大気質予測の精度向上
- 人々の健康維持のため，大気汚染の予測は極めて重要である。
- 既存手法では，都市間や観測地点間の汚染物質の拡散過程を十分にモデル化できていない。
- 地域の大気質を急激に悪化させる要因を考慮した予測を目指す。
- 提案手法HighAirは，既存の大気質予測手法と比較して，大幅に高い予測精度を達成した。
- 都市レベルと観測地点レベルのグラフ構造により，空間的なパターンを効果的に捉えている。
- 風向きに基づいたエッジ重みの動的な調整により，大気質と動的要因の相関をモデル化している。
道徳的基盤Redditコーパス [cs.SC, math.FA, cs.CL, cs.CY, cs.LG]目的：道徳的フレーミングと感情の分析を通じたオンライン・オフライン行動への影響理解
- 道徳的価値観は社会行動の根幹をなすため，その理解は学術的・社会的に重要である。
- 道徳的感情の分析は主観的難易度が高く，大規模なアノテーション付きデータセットが不足していた。
- Redditのコメントデータを用いて，道徳的感情分析の精度向上に貢献するデータセットを構築すること。
- Redditの16,123件のコメントに対し，8つの道徳的感情カテゴリーについて3人以上の専門家によるアノテーションを実施した。
- 大規模言語モデル（LLM）とファインチューニングされたエンコーダーモデルの性能を比較した結果，LLMはエンコーダーモデルに劣る傾向が確認された。
- AIの価値観整合性評価のため，人間アノテーションによる道徳的コーパスの必要性が示唆された。
連合学習システムにおける異質性の活用：Aergia [cs.LG, cs.DC]目的：連合学習における異質環境下での学習時間短縮
- プライバシー保護と分散学習の需要が高まり，連合学習が注目されている。
- クライアントの計算能力やネットワーク環境の差が，学習のボトルネックとなる。
- 計算資源の異なるクライアント間で学習負荷を分散し，学習効率を向上させる。
- Aergiaは，計算負荷の高いモデルの一部を凍結し，高速なクライアントにオフロードする。
- 実験により，AergiaはFedAvgやTiFLと比較して，最大で学習時間を27%～53%短縮できることが示された。
- 高い精度を維持しつつ，異質環境下での学習性能を大幅に向上させる。
ブリッジ拡散モデル：英語コミュニティとの連携による中国語テキスト-画像拡散モデル [cs.CL, cs.AI]目的：中国語のテキストから画像を生成する拡散モデルの開発
- テキスト-画像生成技術は急速に進歩しており，特に英語圏で活発に研究されている。
- 英語中心の学習データに起因する偏りが存在し，他の言語に対応したモデル開発の課題となっている。
- 英語コミュニティとの互換性を維持しつつ，中国語固有の表現に対応したモデルを開発すること。
- 提案手法であるブリッジ拡散モデル(BDM)は，中国語のセマンティクスを学習しつつ，英語の拡散モデルの潜在空間との互換性を維持する。
- BDMは，中国語のセマンティクスを正確に表現できるだけでなく，様々な英語のプラグイン(LoRA, ControlNet等)との互換性も備えている。
- BDMは，中国語と英語のセマンティクスを組み合わせた画像を生成でき，文化交流を促進する可能性がある。
QFT：LLMの全パラメータチューニングを低コストで実現する量子化手法 [eess.SY, cs.SY, cs.CL, cs.LG]目的：LLMの全パラメータチューニングにおけるメモリ使用量削減
- LLMは自然言語処理において重要な成果を上げているため，その性能向上が求められている。
- 全パラメータチューニングは計算コストが高く，高性能GPUが不可欠であるという課題がある。
- 既存のGPUで全パラメータチューニングを可能にし，コストを削減することを目指している。
- QFTは，重み，勾配，オプティマイザの状態をINT8形式で量子化・保存することで，モデルの状態メモリ使用量を大幅に削減した。
- 特にLionオプティマイザは，量子化に対してロバストであることが理論的に証明された。
- ハイブリッド特徴量子化器を用いることで，重要な疎な特徴を保護しつつ，正確な重み更新を保証した。
半教師あり学習のための特徴空間の正規化 [cs.LG]目的：半教師あり学習における特徴表現の学習改善
- ラベル付きデータ不足の課題解決に，ラベルなしデータ活用が重要である。
- 既存手法はラベル空間の一貫性に依存し，特徴空間の潜在能力を十分に活用できていない。
- 特徴空間に着目し，より識別的な特徴表現を獲得することで性能向上を目指す。
- 提案手法であるFSRモジュールは，既存の半教師あり学習フレームワークに容易に組み込むことができる。
- 実験結果から，FSRモジュールがCRMatchやFreeMatchといったベースライン手法の性能を向上させることが示された。
- 計算時間やGPUメモリのオーバーヘッドは発生しない。
ソフトダイス確信度：セマンティックセグメンテーションにおける選択的予測のためのほぼ最適な確信度推定器 [cs.LG, cs.CV]目的：セマンティックセグメンテーションにおける選択的予測のための確信度推定
- セマンティックセグメンテーションは医療画像解析等の高度な応用において重要である。
- 高精度が求められる場面で，既存モデルの性能が十分でないという課題がある。
- 確信度が低い場合に予測を控える選択的予測による性能向上を目指す。
- 提案手法Soft Dice Confidence (SDC)は，ダイス係数を評価指標とするセマンティックセグメンテーションにおいて，最適な確信度推定器に近似できる。
- 周辺事後確率が不明な場合でも，SDCのプラグインバージョンが既存手法を上回る性能を示す。
- 合成データおよび6つの医療画像タスクにおける実験により，SDCの信頼性と効率性が確認された。
Hi-GMAE：階層型グラフマスクオートエンコーダ [cs.LG]目的：グラフ構造データの包括的な情報把握
- グラフ構造データは現実世界の複雑な関係性を表現可能であり，様々な分野で活用が期待される。
- 従来のGMAEモデルは単一スケールに焦点を当てており，グラフの持つ階層構造を十分に捉えられていない。
- Hi-GMAEは，グラフの階層構造を考慮することで，より高精度なグラフ情報把握を目指す。
- Hi-GMAEは，グラフプーリングを用いて多スケールなグラフ階層を構築し，異なる粒度レベルでの構造探索を可能にする。
- 粗いスケールから細かいスケールへとマスクを投影する戦略と，段階的な復元戦略を組み合わせることで，学習の困難さを軽減する。
- 17のグラフデータセットにおける実験により，Hi-GMAEが29の最先端の自己教師あり学習モデルを凌駕することが示された。
Transformerを用いた因果探索の曖昧性解消 [cs.LG, stat.ML]目的：観測データからの因果探索におけるTransformerの性能向上
- 因果推論は，データから原因と結果の関係を明らかにする上で重要であり，科学的発見や意思決定に不可欠である。
- 従来の因果探索手法は，同定可能性のための厳密な仮定を必要とし，現実の問題への適用が難しい場合がある。
- Transformerを用いた因果探索の一般化性能を向上させ，より広範な因果構造に対応することを目指す。
- CSIvAは，Transformerアーキテクチャを用いて因果探索を効率化するが，その性能はテストデータの事前分布に大きく依存する。
- CSIvAは，学習時に見慣れない因果モデルに対しては，一般化性能が低いという課題がある。
- 複数の識別可能な因果モデルで学習することで，CSIvAのテスト時の一般化性能を改善できる場合があることが示された。