arXiv雑要約
AI - 2026/03/24 公開
パラメータ化された量子ビット状態における古典的バンディットアルゴリズムを用いたバッチエンタングルメント検出 [quant-ph, cs.AI, cs.LG]目的：量子ビット状態のバッチエンタングルメント検出手法
- 量子エンタングルメントは量子計算の重要な資源であり，その検出は基礎的かつ実用的な課題である。
- 従来のエンタングルメント検出は全状態トモグラフィに依存し，効率的な方法が求められていた。
- 古典的バンディットアルゴリズムを用いて，効率的なバッチエンタングルメント検出を実現する。
- 提案手法は，特定の二量子ビット状態クラスに対し，確実にバッチエンタングルメント検出を可能にする。
- バッチエンタングルメント検出と古典的マルチアームドバンディット問題の間の関係性を明らかにした。
- 提案手法の測定/サンプル複雑度に関する理論的保証を導出した。
連合Expectation-Maximizationアルゴリズムの高速収束 [stat.ML, cs.LG]目的：連合学習におけるExpectation-Maximizationアルゴリズムの収束速度
- 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，分散環境での学習手法のニーズが高い。
- 連合学習では，クライアント間のデータ異質性が収束速度のボトルネックとなることが課題である。
- データ異質性が収束に与える影響を明らかにし，理論的な収束条件を導出することを目的とする。
- クライアント数とデータ数に関わらず，EMアルゴリズムの収束速度を完全に特徴付けた。
- 信号対雑音比が$\sqrt{K}$以上であれば，初期化されたEMアルゴリズムは真値に収束する。
- シミュレーションにより，データ異質性が反して，反復型連合アルゴリズムの収束を加速させることが示された。
普遍的な非理想計測CTの強化のためのイメージング基盤モデル [eess.IV, cs.AI, cs.CV]目的：非理想計測CTの画質向上
- CT検査は医療診断に不可欠だが，被ばく線量を低減する試みで画質が低下することがある。
- 非理想計測CTでは，画質と臨床的有用性のバランスを取ることが課題となっている。
- 本研究は，多様な条件下で汎用的に機能する画質向上モデルを開発し，非理想計測CTの実用化を促進する。
- TAMPは，1080万件の物理駆動型シミュレーション画像で事前学習されており，様々な非理想計測CT環境下で優れた汎化性能を示す。
- パラメータ効率の良いファインチューニング戦略により，TAMPは少数のスライスを用いて特定の臨床シナリオに適応できる。
- 放射線科医による評価および実臨床検証の結果，TAMPは画質と臨床的受容性を一貫して向上させることが示された。
事前・実験データに基づく分散削減 [stat.ME, cs.LG, econ.EM, stat.AP]目的：オンライン実験における平均処置効果推定量の分散削減
- データ駆動型意思決定において，A/Bテストは不可欠であり，その感度向上が重要である。
- 既存の分散削減手法は，事前データの予測性能に依存し，十分な効果が得られない場合がある。
- 事前データと実験データを組み合わせることで，よりロバストで効果的な分散削減を目指す。
- 提案手法は，事前データと実験データを組み合わせることで，分散を大幅に削減できることが示された。
- Etsyで行われたオンライン実験の結果，既存の手法よりも追加の分散削減効果が確認された。
- 本手法は，解釈可能性が高く，計算効率も良いため，実用的な展開が可能である。
線形モデルにおけるモデル選択と予測のためのブロックg事前分布のディリクレ過程混合 [stat.ME, cs.LG]目的：線形モデルにおけるモデル選択と予測のための手法
- 統計モデリングにおいて，適切なモデル選択は予測精度向上に不可欠である。
- 既存手法では，パラメータの相関構造を考慮しつつ，変数選択と縮小を同時に行うことが難しい。
- 変数選択と縮小を統合し，相関構造を考慮した新しい事前分布を提案することで，モデル選択の精度向上を目指す。
- 提案手法は，様々な条件下で一貫性を示すことが確認された。
- 特に，Somらの指摘した条件付きリンドレーのパラドックスを回避できることが示された。
- 大規模な効果を持つ変数が少ない場合，提案手法は有意な小さな効果を持つ変数をより正確に検出できることが実証された。
LLMテキストの帰属特定のためのトレーニング不要手法 [stat.ML, cs.AI, cs.CL, cs.IT, cs.LG, math.IT]目的：LLMによるテキスト生成の起源特定
- テキストの真正性確認は，教育機関やプラットフォーム運営において重要である。
- LLM生成テキストと人間生成テキストの区別が困難になっている。
- 特定のLLMによるテキスト生成を，誤検出率を抑制しつつ特定すること。
- 提案手法は，LLMテキストを過去に依存する確率過程としてモデル化する。
- 既知のLLM群間，または既知LLMと未知モデル間を識別する統計的検定を設計した。
- テキスト長が増加すると，タイプI/IIエラーが指数関数的に減少することが証明された。
再保険最適化のためのハイブリッドフレームワーク：生成モデルと強化学習の統合 [econ.EM, cs.AI, cs.LG, stat.ML]目的：再保険最適化のためのフレームワーク
- 健全性や資本管理において，再保険は重要な役割を担う分野である。
- 従来の再保険最適化手法は，分布の仮定やプログラム設計に制約がある。
- 動的な条項パラメータ調整による，より強固な再保険設計を目指す。
- 提案手法は，従来の再保険手法と比較して，より高い剰余金と低いテールリスクを実現する。
- 生成モデルは，複数ライン間の依存関係を捉える上で有効であることが示された。
- 強化学習を用いた動的な条項設計が，実用的な再保険設定において実現可能であることが示唆される。
平均測度量子化による確率測度からのスケーラブルな学習 [stat.ML, cs.LG]目的：確率測度からの学習における効率的な手法
- データ分析において，確率測度を扱うことは重要であり，様々な応用が期待される。
- 確率測度の比較や操作にはオプティマルトランスポートが用いられるが，大規模データでは計算コストが課題となる。
- 確率測度を離散化することで計算コストを削減し，スケーラブルな学習を実現することを目的とする。
- 提案手法では，入力測度を共通のサポートを持つK点離散測度で近似することで，計算量の削減を図った。
- 近似された測度の理論的な整合性が示され，オプティマルトランスポートを用いた下流タスクにおける収束性が保証された。
- 合成データと実データを用いた実験により，提案手法が個別の量子化と同等の性能を，大幅な実行時間短縮とともに達成できることが示された。
信頼区間予測による最適性ギャップの逼迫化 [stat.ML, cs.LG]目的：最適性ギャップの狭小化
- 複雑なシステムの計画・運用において，最適解の評価は意思決定の重要な要素である。
- 最適化ソルバーが提供する双対境界は保証付きだが，実用上情報量が不足している場合が多い。
- 双対境界のゆるさを改善し，より信頼性の高い最適性評価を実現すること。
- 提案手法は，選択的推論を通じて双対境界に見られる不均一分散に対処する。
- 既存手法と同等の網羅率をより効率的に達成できることが大規模な産業問題での実験で示された。
- 最適解の検証における信頼性の向上に貢献する。
医療画像における疾患分類の改善に向けた解釈可能な深層学習フレームワーク [eess.IV, cs.AI, cs.CV, cs.LG]目的：医療画像における疾患分類のための解釈可能性，信頼性向上のための深層学習フレームワーク
- 医療画像解析において深層学習の利用が進む中で，その高い性能は臨床現場での応用を促進する。
- 深層学習モデルは過信度の高い予測を行いやすく，臨床的正確性や信頼性を損なう可能性がある。
- 高性能と不確実性の認識のギャップを埋め，より信頼性の高い医療画像診断を実現すること。
- 提案フレームワークは，COVID-19でAUC99.75%，結核で100%，肺炎で99.3%，網膜OCTで98.69%という高い分類性能を達成した。
- 双方向クロスアテンションと不確実性定量化により，医療画像分類の性能と透明性が向上することが示された。
- 不確実性を考慮した推論により，解釈可能な例と共に，キャリブレーションされた予測セットが得られた。
スパースシンプレックス制約を持つ傾斜多様体上の最適化：乗算更新によるアプローチ [math.OC, cs.LG]目的：スパースシンプレックス制約を持つ低ランク最適化問題
- 機械学習，信号処理など多様な分野で低ランク最適化問題が重要視されている。
- 非負性，スパース性，和が1という制約が複雑に絡み合い，最適化が困難である。
- 傾斜多様体の幾何学を利用し，シンプレックス制約を厳密に維持する最適化手法を開発する。
- 本研究では，傾斜多様体を利用した新しい最適化アプローチを提案し，効率的な最適化を可能にした。
- 提案手法は，シンセティックデータおよび実データにおいて，従来のユークリッドおよびリーマン手法と比較して有効性が示された。
- これにより，より広範な応用への道が開かれると考えられる。
人間からのフィードバックに基づく近接点ナッシュ学習 [math.OC, cs.SY, eess.SY, stat.ML, cs.LG]目的：人間からのフィードバックを用いたナッシュ均衡の探索
- 強化学習は，人間とのインタラクションを通じて学習する能力が求められる重要な分野である。
- 従来の強化学習は，人間の選好を正確に捉えきれない場合がある。
- 人間の選好に基づいたナッシュ均衡を安定的に学習することを目指す。
- 近接点法を組み込むことで，自己対戦更新の安定性を高めたアルゴリズムを提案した。
- 提案手法は，高確率で最終反復収束が保証されることが証明された。
- 大規模言語モデルのポストトレーニングに応用し，実証的な性能を検証した。
深層学習による多段階種豊富度の推定 [q-bio.PE, cs.LG]目的：種豊富度の推定
- 生物多様性評価において，空間スケールは重要な要素である。
- 既存の調査範囲が，生態学的プロセスが作用するスケールより狭いことが課題。
- 既存の調査データから任意の空間スケールで種豊富度を推定すること。
- 本研究で開発したMuScaRiは，既存の推定手法と比較して，種豊富度の推定誤差を61%削減した。
- MuScaRiは，偏りの少ない予測が可能であり，多段階の種豊富度マップを生成する。
- MuScaRiは，生物多様性保全のための重要な指標である種蓄積率の空間的分布も推定する。
SpectraLLM：マルチスペクトルからの分子構造解析におけるLLMの能力の解明 [quant-ph, cs.NI, q-bio.QM, cs.CE, cs.LG]目的：分子構造の自動解析
- 創薬や材料開発において，分子構造を迅速かつ正確に特定することは不可欠である。
- 既存手法はデータベースに依存したり，単一の分光法に限定されていたりする点が課題である。
- 複数のスペクトル情報を統合的に解析し，分子構造の解析精度向上を目指す。
- SpectraLLMは，複数のスペクトル情報を共通の言語空間で表現することで，分光データ間の補完的な情報を捉える。
- ベンチマークデータセットにおいて，SpectraLLMは最先端の性能を達成し，単一スペクトルのみを用いる手法を大きく上回る。
- 単一のスペクトル情報でも高い堅牢性を示し，多様なスペクトルを組み合わせることで予測精度がさらに向上する。
疫学研究において，合成データは現実世界の知見を再現できるか？敵対的ランダムフォレストを用いた複製研究 [q-bio.QM, cs.AI, cs.LG, stat.AP, stat.ML]目的：疫学研究における知見の再現可能性の検証
- データアクセス制限やプライバシー保護の観点から，合成データの利用は重要性を増している。
- 既存の合成データ生成手法は，品質，計算コスト，専門知識の必要性において課題がある。
- 合成データが，プライバシーを保護しつつ，疫学研究の主要な知見を信頼性高く再現できるか検証する。
- 敵対的ランダムフォレスト（ARF）を用いて生成された合成データは，6つの疫学研究において，元の知見と一貫した結果を示した。
- サンプルサイズと次元数の比率が低い場合でも，記述統計および推測統計の分析において，再現性は高かった。
- ARFは，他の合成手法と比較して，有用性，プライバシー保護，汎化性能，計算効率において優れた性能を示した。
コンパクトな状態空間におけるニューラル確率微分方程式：理論，手法，および自殺リスクモデリングへの応用 [stat.ML, cs.LG]目的：自殺念慮・行動に関する生態学的瞬間評価データのモデリング
- 自殺リスクの早期発見と介入は，公衆衛生における重要な課題である。
- 従来のモデルでは，状態空間の制約や数値的安定性の問題が存在する。
- 状態空間を保証し，数値的安定性を高めた確率微分方程式を構築すること。
- 提案手法は，理論的にも実験的にも，従来の確率微分方程式の構築方法の問題点を克服した。
- 実データを用いた評価により，提案手法が既存手法よりも高い予測性能を示すことが確認された。
- 本研究は，自殺リスクのモデリングや状態制約のある時系列データ解析への応用を可能にする。
量子光ニューロンのモデル化とベンチマーク：効率的なニューラル計算のために [physics.optics, cs.LG]目的：量子光ニューロンのモデル化と性能評価
- 近年，エネルギー効率の高い次世代計算手法への期待が高まっており，光を利用したニューラルネットワークの研究が進められている。
- 従来のニューラルネットワークは，計算資源の消費が大きいという課題があり，特に複雑なタスクでは問題となる。
- 量子光ニューロンは，光干渉を利用することで，エネルギー効率の良いニューラル計算を実現できる可能性があり，その性能評価が求められている。
- HOMおよびMZ干渉計に基づく量子光ニューロンアーキテクチャを提案し，それぞれ異なる光変調戦略（位相，振幅，強度）を組み込んだ。
- MNISTおよびFashionMNISTデータセットを用いた画像分類タスクにおいて，MZベースのニューロンは安定した性能を示し，HOM振幅変調も深層アーキテクチャで良好な結果を得た。
- HOM位相および強度変調は，安定性が低く，摂動に対する感受性が高いことが示された。これにより，量子光ニューロンの将来的な応用可能性が示唆された。
大規模材料データベースからの磁気秩序分類の学習 [cond-mat.mtrl-sci, cs.LG]目的：磁気秩序分類の精度向上
- 材料探索において，磁気特性は重要な物性であり，新材料設計に不可欠である。
- 第一原理計算では強磁性体解に収束しやすく，正確な磁気状態の特定が困難である。
- 実験データに基づいた機械学習モデルで，データベースのバイアスを補正し，磁気状態の予測精度を高める。
- 実験データMAGNDATAを用いて訓練した機械学習分類器は，92%以上の精度で磁気伝播ベクトルを識別できた。
- Materials Projectデータベースには，7,843材料以上に強磁性体への系統的なバイアスが存在することが明らかになった。
- MAGNDATAで訓練された分類器と組み合わせることで，大規模スクリーニングの精度向上が期待できる。
遺伝子擾乱実験のための生物学的知識に基づくベイジアン最適化 [stat.ML, cs.LG, q-bio.QM]目的：遺伝子擾乱実験の効率的な設計
- 創薬や治療標的の同定を加速する上で，遺伝子擾乱実験の効率化が重要である。
- 遺伝子相互作用の膨大な探索空間と実験制約により，網羅的な遺伝子擾乱は現実的ではない。
- 生物学的知識を組み込み，より有望な遺伝子を効率的に探索することを目的とする。
- BioBOは，既存のベイジアン最適化と比較して，25-40%ラベル効率の向上を達成した。
- BioBOは，より効果的に優れた擾乱を特定し，従来のBOを安定して上回った。
- BioBOは，経路レベルでの説明を提供し，設計と生物学的に整合性のある調節回路との関連性を示唆した。
密度汎関数理論の転移可能な加速手法に向けて [physics.chem-ph, cs.AI, cs.LG]目的：密度汎関数理論計算の収束を加速するための転移可能な手法の開発
- 密度汎関数理論は物質科学における基礎的な計算手法であり，幅広い分野で利用されている。
- 従来の初期推測手法は，計算コストが高く，大規模系への適用が困難であるという課題があった。
- 本研究は，大規模系に対しても有効な，より効率的な初期推測手法を確立することを目的とする。
- 電子密度をコンパクトな補助基底表現で予測するE(3)-不変なニューラルネットワークを提案した。
- 20原子までの小分子で学習したモデルが，3倍の大きさ（60原子まで）の分子に対して平均33.3%のSCF反復回数の削減を実現した。
- 900原子までの大規模系（ポリマーやポリペプチド）に対しても，再学習なしに加速効果が確認された。
機械学習による kSZ マップの解析と CMB 光学深度τの予測 [math.OC, cs.SY, econ.GN, eess.SY, q-fin.EC, astro-ph.CO, cs.LG]目的：CMB 光学深度τの予測
- 宇宙再電離時代の研究は，宇宙初期の構造形成を理解する上で不可欠である。
- kSZ 信号は微弱であり，宇宙背景放射観測において天体物理的前景からの汚染が課題である。
- 機械学習を用いて kSZ マップからτを正確に抽出し，不確実性を評価することを目指す。
- 機械学習モデル（swin transformer等）を kSZ 信号のシミュレーションデータで学習させた。
- Laplace Approximation (LA) を用いて，τ予測の不確実性を定量的に評価する手法を開発した。
- LAを適用するタイミングの異なる2つのモードを比較し，τとその不確実性を高精度に制約するフレームワークを構築した。
合金ナノ粒子における化学的秩序付けのための強化学習 [math.AT, cs.CG, math.CT, cond-mat.mtrl-sci, cs.LG, physics.comp-ph]目的：合金ナノ粒子における最適な元素秩序付けの探索
- ナノ材料の特性は組成や秩序に強く依存するため，その最適化は重要である。
- ナノ粒子の組成空間は膨大であり，従来の探索方法では効率的な最適化が困難である。
- 強化学習を用いて，効率的かつ汎用的なナノ粒子の秩序最適化手法を開発する。
- 強化学習エージェントは，ランダムな組成と秩序付けで学習後，既知の基底状態構造を発見した。
- 最適化は初期状態の秩序付けにロバストであり，未学習サイズのナノ粒子にも適用可能であることが示された。
- しかし，複数の合金元素が存在する場合，その有効性は制限される。
大規模な確率的ダイナミクスのスケーラブルな学習 [physics.comp-ph, cs.LG]目的：複雑な物理システムの巨視的ダイナミクス記述
- 物質の挙動を理解・制御するには，巨視的記述が不可欠である。
- 大規模システム全体のシミュレーションには，膨大な計算資源が必要となる。
- 小規模シミュレーションから巨視的ダイナミクスを効率的に学習することを目指す。
- 提案手法は，小規模シミュレーションのみを用いて，大規模確率的システムの巨視的ダイナミクスを学習する。
- 局所的な発展スキームと階層的アップサンプリングにより，効率的な学習を実現した。
- 確率偏微分方程式，格子スピン系，NbMoTa合金系など，様々なシステムで有効性を実証した。
階層型ガウス過程代理モデルのためのベイジアン情報理論的サンプリング [stat.ML, cs.LG]目的：ガウス過程に基づく代理モデルの情報理論的実験計画法の枠組み
- 複雑な物理システムのモデリングにおいて，計算コストが課題となるため，効率的な代理モデル構築が重要である。
- 既存手法では，ハイパーパラメータを固定または点推定値で扱うため，モデルの不確実性が十分に考慮されない。
- ハイパーパラメータの不確実性を考慮し，情報獲得量の最大化を目指すことで，より効率的なサンプリングを実現する。
- 提案手法BITS for GAPSは，ハイパーパラメータの不確実性をベイズ階層モデルを通して伝播させることで，データ不足とモデル不確実性の両方を考慮したサンプリングを可能にする。
- 蒸気・液体平衡のケーススタディにおいて，BITS for GAPSは，従来のWilson活性モデルよりも期待情報ゲインと予測精度を向上させることが示された。
- 本手法は，物理知識を階層型ガウス過程代理モデルに組み込み，複雑な物理システムにおける適応的データ取得のための汎用的な枠組みを提供する。
形状適応型ゲートエキスパートによる適応ヒストパソロジー画像セグメンテーション [eess.IV, cs.AI, cs.CV]目的：ヒストパソロジー画像セグメンテーションにおける，形状と大きさが多様な細胞への対応
- 癌検出支援において，ギガピクセル全スライド画像（WSI）の解析が重要であり，細胞の不均一性が課題である。
- 既存のCNN-Transformerハイブリッドは固定されたルーティングを用いるため，変化する入力への適応が困難である。
- 入力に応じて動的に専門家をルーティングするフレームワークを構築し，柔軟な画像解析を実現する。
- SAGEは，畳み込みとTransformerモジュールを統合し，階層的ゲート機構と形状適応ハブ（SA-Hub）によって特徴表現を調和させる。
- EBHIデータセットでDice係数95.23％，GlaS Test A/Test Bでそれぞれ92.78％/91.42％，DigestPathでWSIレベルで91.26％のDSCを達成した。
- 分布シフトに対してもロバストな汎化性能を示し，局所的な精密化とグローバルなコンテキストのバランスを適応的に調整する。
細胞間コミュニケーションの推論と解析：生物学的メカニズム，計算手法，そして将来の展望 [q-bio.QM, cs.AI, q-bio.CB]目的：細胞間コミュニケーションの推論と解析
- 多細胞生物において，発生，組織恒常性，疾患進行において不可欠な細胞間コミュニケーションの理解は重要である。
- シングルセルおよび空間オミクス技術から細胞間コミュニケーションを推論する計算手法は多様だが，比較や選択が困難である。
- シングルセルおよび空間トランスクリプトームデータからの細胞間コミュニケーション推論のための既存手法の整理と，今後の課題の明確化。
- シングルセルおよび空間オミクス技術の進歩により，細胞間コミュニケーションの系統的な推論と解析が可能になった。
- 140を超える計算手法が存在し，手法の枠組みや生物学的疑問の多様性が示された。
- 効率的な手法比較と選択を支援するためのオンラインリソース(https://cellchat.whu.edu.cn)が提供されている。
フォノンボルツマン輸送方程式のための物理情報に基づいた深層サロゲート [physics.comp-ph, cs.LG]目的：ナノスケールにおける熱流制御材料の設計
- マイクロエレクトロニクス，熱電材料，エネルギー変換技術の進歩に不可欠な研究分野である。
- 従来のボルツマン輸送方程式の求解は計算コストが高く，逆設計ループでの反復計算が困難である。
- 高精度かつデータ効率の良いサロゲートモデルを開発し，弾道性と拡散の両方の領域で信頼性を確保すること。
- 提案手法PEDSは，微分可能なフーリエソルバーとニューラルネットワークを組み合わせることで，訓練データ量を最大70%削減できる。
- わずか300回の高精度なBTEシミュレーションで，約5%の誤差率を達成し，12-85 W m$^{-1}$ K$^{-1}$の多孔質構造の効率的な設計を可能にする。
- 学習された混合パラメータは，弾道性から拡散性への遷移を捉え，分布外のロバスト性を向上させる。
LLMによる共謀的価格設定 [econ.TH, cs.AI, cs.CE, cs.CL, cs.GT]目的：LLMへの価格設定委任が，両売り手が同一の事前学習済みモデルに依存する二重寡占において，いかに共謀を促進するか
- 市場の公正な競争を維持するため，価格設定における不正行為のメカニズム理解が不可欠である。
- AIが価格設定に利用される際，意図せぬ共謀的行動を引き起こす可能性が懸念される。
- LLMの特性と再学習プロセスが，価格設定における共謀的行動に及ぼす影響を明らかにすること。
- LLMの出力忠実度がある閾値を超えると，競争的価格設定と共謀的価格設定が両方とも安定する二重安定性が生じる。
- 出力忠実度が低い場合は競争的価格設定が唯一の安定状態となるが，高い場合は初期状態によって実現される結果が決定される。
- 訓練バッチサイズが大きいほど，共謀状態から競争状態への移行が抑制され，共謀の確率が高まる。
量子ドットハミルトニアンのAIによる調整：マヨラナモードに向けて [cond-mat.mes-hall, cond-mat.dis-nn, cs.AI]目的：量子ドットにおけるマヨラナモード実現のためのハミルトニアンパラメータの自動調整
- 量子技術は，その安全性と計算能力から次世代技術として期待されている。
- マヨラナモードの制御は困難であり，実現可能なパラメータ探索が課題である。
- AIを用いて効率的にパラメータを調整し，マヨラナモードの実現可能性を高める。
- ニューラルネットワークモデルが，量子ドットシミュレータの動作領域を学習し，輸送測定に基づいてデバイスを自動調整することが示された。
- 深層ビジョントランスフォーマーネットワークが，ハミルトニアンパラメータと伝導度マップの関係を効率的に記憶し，トポロジカル相への移行を促すパラメータ更新を提案できることが確認された。
- 単一の更新ステップで非自明なゼロモードを生成でき，反復チューニングにより，より広範なパラメータ空間に対応可能であることが示された。
複雑多様体上の確率的化学動力学の高精度モデリング：湾曲摂動ギンツブルク-ランダウ方程式のためのマルチスケールSIREN-PINNフレームワーク [nlin.CD, cs.AI]目的：反応拡散系の時空間的カオスの正確な特定と制御
- 化学工学において，反応器の効率向上や制御には，複雑な現象を理解する必要がある。
- 触媒表面の複雑な形状が反応拡散系のダイナミクスに影響を与え，予測困難なカオスを引き起こす。
- 表面形状と反応拡散系の関係を明らかにし，カオス制御のための新たな設計指針を確立する。
- 提案手法は，従来のPINNと比較して，状態予測誤差を大幅に低減し，位相不変量を保存する。
- 部分的な波動ダイナミクスの観測から，隠れたガウス曲率場を高精度に再構成することが可能である。
- 物理法則と幾何学的制約の協調的な最小化により，最適な解に収束するスペクトル相転移が観測された。
フォトニック結晶におけるアクティブラーニング [physics.optics, cond-mat.mtrl-sci, cs.LG, physics.app-ph]目的：フォトニックバンドギャップ予測の高速化
- フォトニック結晶は光機能デバイスに応用され，高性能化が求められている。
- バンド構造計算は計算コストが高く，効率的な設計手法が課題である。
- 少ない計算量で高精度な予測モデルを構築し，設計を効率化する。
- 解析的近似ベイズ最終層ニューラルネットワークと不確実性に基づいたサンプリングを統合することで，必要な学習データ量を最大2.6倍削減した。
- 計算資源を不確実性の高い設計領域に集中することで効率的な学習を実現した。
- 本手法は，フォトニック結晶のトポロジカル最適化や逆設計を加速する可能性を示す。
機械学習を用いたCYGNO実験におけるトリガー最適化と事象分類 [physics.ins-det, cs.LG, physics.data-an]目的：暗黒物質探索のためのトリガー最適化と事象分類
- 暗黒物質は宇宙の質量の大部分を占めると考えられているが，未だ直接検出されていない。
- CYGNO実験では，豊富なトポロジー情報が得られるものの，リアルタイムトリガーや背景識別が課題である。
- 機械学習を用いて，データ削減と核反跳事象の識別を効率化し，暗黒物質探索の精度向上を目指す。
- 再構成に基づく異常検知を用いた高速かつ教師なし学習によるオンラインデータ削減戦略を確立した。
- 光電増幅器を無効にしたペデスタル画像のみで学習し，粒子誘起構造を特定し，ROIを抽出することに成功した。
- ラベルなし分類（CWoLa）フレームワークを適用し，核反跳様トポロジーの識別性能を向上させ，高スコアな事象群を分離した。
BayesFlow 2：Pythonにおける多重バックエンドによる変分ベイズ推論 [stat.CO, cs.LG, stat.ML]目的：変分ベイズ推論のためのPythonライブラリ
- ベイズ推論は確率モデルの推定と検証に不可欠であり，データ分析の基盤技術である。
- 複雑なモデルへの適用や大規模データセットにおける計算速度が課題となっていた。
- 変分ベイズ推論の効率化と汎用性を高め，より広範な利用を促進すること。
- BayesFlow 2.0は，多様な深層学習バックエンドに対応し，高速な推論を実現する。
- 生成ネットワークやハイパーパラメータ最適化機能が充実し，カスタマイズ性も高い。
- 動的システムパラメータ推定の事例研究で，その有効性と利便性が示された。
群同変性と群イドの Mayer-Vietoris 順列 [math.AT, cs.LG, math.OA, stat.ML]目的：群イドの同調論
- 位相空間や多様体の構造を理解する上で，群イドは重要な道具となる。
- 群イドの同調論の計算は一般に困難であり，有効な手法が不足している。
- 本研究は，群イドの同調論を計算するための新しい手法を確立する。
- 普遍係数定理を用いて，群イドの同調群と係数群の関係を明確化した。
- コンパクト開集合による支持を持つ関数の空間を利用し，群イドの同調論を定義した。
- 局所コンパクトな空間に対して，写像の像が有限である条件と，写像の連続性を結びつけた。
Power-SMC：事前学習済みLLMの推論のための低遅延シーケンスレベル電力サンプリング [stat.ML, cs.LG]目的：LLMの推論における性能向上策の提案
- 大規模言語モデル(LLM)は推論能力の向上により，様々な分野での応用が期待されている。
- 既存のシーケンスレベル電力サンプリングは高い推論性能を示す一方で，大幅な遅延が生じるという課題がある。
- 本研究は，低遅延かつ高い推論性能を両立する電力サンプリング手法を開発し，LLMの応用範囲を拡大することを目指す。
- Power-SMCは，既存のMetropolis-Hastings法と同等以上の推論性能を達成しつつ，遅延を大幅に削減することを示した。
- 提案手法は，GPUフレンドリーなバッチ処理によって，効率的な並列処理を実現している。
- 温度パラメータや指数ブリッジングスケジュールに関する理論的解析を行い，手法の安定性と性能向上に貢献した。
非ユークリッド空間における浅いニューラルネットワークと深いニューラルネットワークの普遍性 [math.GN, cs.LG, cs.NE, math.FA]目的：一般的な位相空間上の入力を持つ浅いニューラルネットワークと深いニューラルネットワークの近似性
- 機械学習は，画像認識や自然言語処理など，多様な分野で重要な役割を果たしている。
- 従来のニューラルネットワークの理論は，主にユークリッド空間を前提としている。非ユークリッド空間への拡張は未解決課題である。
- 任意の位相空間におけるニューラルネットワークの近似性を確立し，理論的基盤を整備すること。
- 浅いニューラルネットワークおよび深いニューラルネットワークが，連続ベクトル値関数空間において稠密であるという普遍近似性を示す条件を確立した。
- 任意の幅の場合の普遍性結果は，古典的な近似定理を非ユークリッド空間に拡張する。
- 幅が制限された深いニューラルネットワークが普遍近似性を維持するための条件を明らかにした。コンパクト距離空間の積に対する具体的な結果を得た。
経済学における強化学習の現状 [econ.GN, cs.LG, q-fin.EC]目的：経済学への強化学習手法の導入
- 経済モデルの複雑化に伴い，厳密解法では現実的な規模の問題に対応できない場合が増加している。
- 従来の次元削減アプローチでは，より複雑な経済モデルへの適用が困難になっている。
- 高次元な状態空間や連続的な行動，戦略的相互作用を持つ問題への適用可能性を探求する。
- 強化学習は，動的計画法の自然な拡張として，高次元の問題への適用を可能にする。
- 価格設定，在庫管理，戦略的ゲーム，選好抽出といったシミュレーションを通じて，そのメカニズムが示された。
- ただし，強化学習は脆弱性，サンプル効率の低さ，ハイパーパラメータへの依存性といった制約が存在する。
量子主成分分析におけるフィルタリングスペクトル射影 [stat.ML, cond-mat.mtrl-sci, cs.LG]目的：量子主成分分析における主要なスペクトル部分空間へのデータ射影
- 量子計算の発展に伴い，古典計算の課題を解決する新たな手法が求められている。
- 既存の量子主成分分析は，固有値・固有ベクトルの計算に依存し，計算コストが高い場合がある。
- 固有値計算を回避し，効率的に主要なスペクトル部分空間への射影を行うこと。
- 提案手法FSPAは，固有値の明示的な推定を回避しつつ，主要なスペクトル構造を維持した射影を実現する。
- FSPAは，初期値の重複を増幅し，小さなギャップやほぼ縮退した状態においてもロバスト性を維持する。
- 実データを用いた実験により，射影品質が維持される限り，ダウンストリーム性能が安定していることが示された。
因果仲介分析のための逐次輸送 [stat.ME, cs.LG]目的：因果仲介分析のための分布的枠組み
- 因果推論は，政策決定や介入の効果評価において重要な役割を果たす。
- 従来の仲介分析は，強い仮定に依存しており，複雑な状況下での適用が困難である。
- DAG構造に基づき，最小限の輸送による仲介因子の反実仮想値を構築し，問題を解決する。
- 本研究では，最適輸送とDAGを組み合わせた逐次輸送（ST）という新しい枠組みを提案する。
- STは，標準的な条件の下で，輸送写像と，直接および間接効果への分解の一貫性を保証する。
- COMPASデータセットへの適用により，決定論的かつDAGに整合した反実仮想仲介因子と，粒度の細かい仲介レベルでの不均衡の帰属が示された。
線形混合因果表現のための多ドメイン経験ベイズ法 [math.OC, cs.SY, eess.SY, math.OC, cs.SY, eess.SY, stat.ML, cs.LG, stat.ME]目的：線形混合因果表現の推定
- 因果推論は，データから因果関係を明らかにし，意思決定や予測の精度向上に不可欠である。
- 因果表現学習における推定手法は，識別可能性の研究に比べて発展が遅れている。
- 複数のドメインからのデータを活用し，経験ベイズ法を用いて因果表現の推定精度を向上させる。
- 提案手法は，共有された潜在的因果モデルにおけるドメイン間の差異を介入としてモデル化することで，多ドメイン因果表現学習の同時推論問題を解決する。
- 経験ベイズf-モデリングアルゴリズムは，ドメイン内およびドメイン間の不変構造を活用し，学習された因果変数の質を向上させる。
- 合成データを用いた実験により，提案手法は他の因果表現学習法よりも正確な推定結果が得られることが示された。
選択的推論によるクラスタリングパイプラインの統計的検定フレームワーク [stat.ML, cs.LG]目的：クラスタリングパイプラインにおけるクラスタリング結果の有意性評価
- データ分析は，複雑なデータから洞察を得る上で不可欠であり，その信頼性確保が重要である。
- データ分析パイプライン内の複数の手順が結果に影響を与え，標準的な統計的検定では信頼性評価が困難である。
- データ依存的な手順を含むパイプラインにおける統計的検定の妥当性を確立し，信頼性の高い結果を得ることを目指す。
- 選択的推論に基づく新しい統計的検定フレームワークを提案し，事前に定義されたコンポーネントから構成されるクラスタリングパイプラインに対して有効な検定を可能にした。
- 提案手法は，任意の有意水準で第一種過誤率を制御することが数学的に証明された。
- 合成データおよび実データを用いた実験により，提案手法の妥当性と有効性が確認された。
No-Uターンサンプラー変種の理論的比較：ガウス分布における収束条件と混合時間解析 [stat.ML, cs.LG, math.PR]目的：No-Uターンサンプラー変種の収束性および混合時間
- ベイズ統計推論は，不確実性の定量化に重要であり，幅広い分野で応用されている。
- No-Uターンサンプラーは広く用いられるが，理論的な収束保証は近年まで確立されていなかった。
- NUTS-mulとNUTS-BPSの収束条件を比較し，理論的な性能差を明らかにする。
- NUTS-mulとNUTS-BPSは，ターゲット分布の裾の特性に依存して幾何学的エルゴード性を示す。
- 初期化条件が同じ場合，両者の混合時間は次元$d$に対して$O(d^{1/4})$でスケーリングする。
- NUTS-BPSの方が，混合時間の定数がより小さく，収束速度がわずかに速い。