arXiv雑要約
AI - 2026/04/20 公開
言語モデルにおける抑制された対数確率の，ポストTransformerアダプターによる修正 [cs.CL, cs.CL, cs.LG]目的：政治的に敏感なトピックにおける事実の対数確率の抑制の修正
- 言語モデルは，その出力の品質において重要な役割を果たすため，その改善は不可欠である。
- alignment tuningされた言語モデルは，知識を有しながらも，特定のトピックで事実の対数確率を抑制する傾向がある。
- 隠れ状態に基づき，わずかなパラメータでこの抑制を修正し，より正確な出力を得ることを目指す。
- 786KパラメータのポストTransformerアダプターが，Qwen3-4B, 8B, 14Bにおいて，イデオロギーを識別する31の事実の対数確率の抑制を修正した。
- アダプターは全ての訓練事実を記憶し，5回のランダム分割で11～39%の保留事実に一般化，知識の退行はゼロに留まった。
- 生成時に全ての位置に適用すると不 coherentな出力となるが，予測位置にのみ適用すると coherentで検閲の少ないテキストを生成した。
悲観的な敵対者下における楽観的方策学習：後悔と制約違反の保証付き [cs.LG, cs.AI]目的：敵対的な環境下における安全性を考慮した方策学習
- 現実世界の意思決定システムでは，外部要因の影響が不可避であり，その考慮が重要である。
- 従来の強化学習は，外部要因を無視しており，安全性確保が求められる場面で問題が生じる。
- 本研究は，敵対的な環境下でも最適かつ安全な方策を学習することを目指す。
- 提案手法RHC-UCRLは，エージェントと敵対者の両方の方策に対する楽観性維持により，環境への適応を可能にする。
- RHC-UCRLは，後悔と制約違反に関する漸近的な保証を提供する。
- 敵対的な力学を持つ安全制約付き強化学習を明示的に扱う初の試みである。
流体アンテナ支援全二重ネットワークにおける空中の多機能RIS：自己最適化されたハイブリッド深層強化学習アプローチ [cs.IT, cs.AI, eess.SP, math.IT]目的：第6世代(6G)ネットワークの高トラフィック需要への対応
- 無線通信におけるデータ需要の増大に対応するため，効率的なネットワークアーキテクチャが求められている。
- 既存の無線ネットワークでは，信号干渉やエネルギー効率の低さが課題となっている。
- 再構成可能なインテリジェント表面(RIS)と流体アンテナを活用し，エネルギー効率を最大化する。
- 提案手法は，従来の深層強化学習アルゴリズムと比較して，エネルギー効率において優れた性能を示すことが確認された。
- 空中多機能RISは，半二重通信，固定アンテナアレイ，部分的なエネルギーハーベスティングと比較して，高いエネルギー効率を実現する。
- 自己最適化されたハイブリッド深層強化学習フレームワーク(SOHRL)が，離散・連続パラメータの最適化を効果的に行う。
欠落が構造となる時：金融KOL言説からの意図を保持した取引戦略の完成 [cs.LG]目的：金融KOLの言説に基づく取引戦略の完成
- 投資判断の重要な情報源として，ソーシャルメディアにおけるKOLの影響力は大きい。
- KOLの言説を直接取引戦略に変換する際，具体的な執行判断の欠落が課題となる。
- KOLの意図を維持しつつ，執行判断を補完することで，より効果的な取引戦略を実現する。
- 本研究では，KOLの言説を部分的な取引戦略と捉え，オフライン強化学習を用いて執行判断を補完するフレームワークを提案した。
- YouTubeとXのデータを用いた実験の結果，提案手法は両プラットフォームにおいて最高の収益率とシャープレシオを達成した。
- また，提示する手法は，根拠のない取引や方向転換を回避し，KOLの意図に沿った取引を可能にすることが確認された。
SatBLIP：衛星画像における視覚と言語学習による文脈理解と特徴抽出 [cs.CV, cs.AI]目的：農村地域の社会脆弱性指標（SVI）の予測
- 農村地域の環境リスクは地域特性に左右されるため，詳細な理解が不可欠である。
- 既存の脆弱性指標は粗く，リスクの文脈に関する洞察が限られている。
- 衛星画像から農村地域の文脈を理解し，リスク要因を特定すること。
- SatBLIPは，衛星画像とテキストの対応関係を学習し，農村地域の文脈理解と特徴抽出を実現した。
- GPT-4oを活用して衛星画像の構造化された記述を生成し，それを用いてBLIPモデルをファインチューニングした。
- SHAP分析により，屋根の状態や道路幅など，予測に重要な属性を特定し，リスク環境の可視化に貢献した。
多様な人種的背景を持つ集団における表面筋電図の特徴のバイアス [cs.HC, cs.LG]目的：表面筋電図の特徴と人種的背景との関係性
- 筋電図は，人工知能と人間のインターフェースを向上させ，自然な制御を可能にする。
- 個人の特性により信号品質が変化し，安定した性能を得るには調整が必要となる。
- 多様な集団への公平な展開に向け，バイアスの影響を明らかにすることを目的とする。
- 一般的な筋電図の特徴の33% (49/147) が，人種的背景と有意な関連性を示すことがわかった。
- 年齢，性別，体格などの人種的背景が，筋電図の信号に影響を与えることが示唆された。
- 本研究は，公平でバイアスの少ない筋電図ベースのニューラルインターフェース開発に役立つ可能性がある。
Mind DeepResearch 技術報告 [cs.CG, cs.CL, cs.AI]目的：効率的なマルチエージェント深層研究フレームワーク
- 大規模言語モデルの性能向上が，多様な分野での応用を促進する。
- 大規模モデルは計算コストが高く，実用上の制約となる場合がある。
- 小規模モデルでも高性能を実現するフレームワークの開発が求められる。
- MindDRは，約300億パラメータのモデルで優れた性能を発揮する。
- BrowseComp-ZHで45.7%，WideSearchで46.5%など，複数のベンチマークで既存のオープンソースシステムを上回る。
- Li Autoのオンライン製品に実装され，実用性も示されている。
強化学習のための統一されたエントロピー制御による標的探索 [cs.AI]目的：強化学習における標的探索のメカニズム
- 大規模言語モデルの推論能力向上に，強化学習が貢献している分野。
- 従来の強化学習手法では，エントロピー崩壊により多様性が失われやすい。
- 困難なプロンプトに対する探索を促進し，安定した学習を実現すること。
- 提案手法UEC-RLは，難しいプロンプトに対する探索を活性化し，有効な推論経路を見出す。
- エントロピーの過剰な増加を防ぐ安定化機構により，学習の安定性を維持する。
- Geometry3Kにおいて，GRPOと比較して37.9％の性能向上を達成し，収束性を損なうことなく効果的な探索を維持する。
LLMは専門家パネルと同様に，医学的診断と臨床推論を評価できるか [cs.LG, cs.AI]目的：医学的AIシステムの評価におけるLLMの代替的な判断者としての活用可能性
- 医療AIの発展は，診断精度向上や医療資源の効率化に貢献し，医療現場における課題解決に不可欠である。
- 専門家パネルによる評価は高コストであり，時間もかかるため，迅速かつ効率的な評価手法が求められている。
- 本研究は，専門家パネルの代替として，LLMを活用した評価システムの信頼性と有効性を検証することを目的とする。
- LLMによる評価は，専門家パネルと比較して，スコア自体は低い傾向にある。
- LLMは，順位の一貫性や専門家パネルとの一致度において，人間の再評価パネルよりも優れた結果を示した。
- LLMを用いた評価システムは，誤診リスクの高い症例を特定し，専門家によるレビューを効率化する可能性が示唆された。
UniDoc-RL：階層的行動と高密度報酬による粗到精な視覚的RAG [cs.CV, cs.AI]目的：視覚的知識を用いた生成モデルにおける，粗い段階から細かい段階への視覚情報取得戦略
- 大規模な視覚言語モデルの性能向上には，外部からの視覚的知識の活用が不可欠である。
- 既存の視覚的RAGシステムは，複雑な推論に必要な詳細な視覚的意味を捉えられていない。
- 本研究は，より詳細な視覚情報を効果的に取得し，推論能力を向上させることを目指す。
- UniDoc-RLは，Retrieval，reranking，能動的視覚認識，推論を統合的に行う強化学習フレームワークである。
- 本手法は，文書検索から画像選択，領域クロッピングへと段階的に視覚的証拠を洗練し，無関係な情報を抑制する。
- 3つのベンチマークにおいて，既存の最先端手法を大きく上回り，最大17.7％の性能向上を達成した。
LLMベースのRTL生成における機能的正確性とPPA最適化のための共進化フレームワークCOEVO [cs.AI]目的：LLMベースのRTL生成における機能的正確性とPPA（面積，遅延，電力）の同時最適化
- LLMを活用したRTL生成は，複雑なデジタル回路設計を自動化する上で不可欠であり，設計効率の向上が期待される。
- 既存手法では，機能的正確性の検証後にPPA最適化を行うため，初期段階で有望な候補が除外される可能性がある。
- COEVOは，機能的正確性をPPA最適化と同時に行うことで，より効率的な設計探索を実現し，高性能なRTL生成を目指す。
- COEVOは，機能的正確性を連続的な最適化次元として扱い，PPA（面積，遅延，電力）と同時に最適化する共進化フレームワークである。
- VerilogEval 2.0とRTLLM 2.0を用いた評価では，GPT-5.4-miniを用いた際に，既存のagenticベースラインを上回り，Pass@1の精度が97.5%と94.5%を達成した。
- また，49個の合成可能なRTLLMデザインのうち43個で最良のPPAを実現し，設計空間におけるトレードオフを維持することに成功した。
表形式データ深層学習におけるMLP用オプティマイザーのベンチマーク [cs.LG]目的：表形式データ深層学習におけるMLP訓練のためのオプティマイザー性能評価
- 表形式データは広く利用されており，深層学習の応用範囲は拡大している。
- 表形式データ深層学習におけるオプティマイザー選択は体系的に検証されていない。
- 本研究は，表形式データ深層学習における最適なオプティマイザーを特定する。
- MuonオプティマイザーがAdamWを安定して上回り，実用的な選択肢となりうる。
- 指数移動平均によるモデル重みの更新が，AdamWの性能を向上させる効果が認められた。
- Muonオプティマイザーの訓練効率のオーバーヘッドが課題となる場合もある。
グラフ辺の線グラフ変換による適応時空間推定 [eess.SP, cs.LG]目的：グラフ辺上の信号の時空間推定
- グラフ構造を持つデータは現実世界に多く，信号処理に応用範囲が広い。
- 従来のグラフ信号処理はノードに着目したものが多く，辺上の信号処理は未整備である。
- 線グラフ変換を用いることで，辺上の信号処理を既存技術で実現する道を開く。
- 線グラフ変換と適応フィルタを組み合わせたLGLMSアルゴリズムを提案した。
- LGLMSは，辺の信号をノード表現に埋め込むことで，辺特有の技術を再定義する必要性をなくす。
- 輸送グラフと気象グラフの実験により，LGLMSが時変辺信号のオンライン予測に適していることが確認された。
深層学習を用いた独立した顕微鏡間のモダリティ変換によるハイスループットイメージング [eess.IV, cs.LG, q-bio.QM]目的：独立した顕微鏡間でモダリティ変換を行う手法の開発
- ハイスループットイメージングは生物学研究において重要だが，速度と画質のトレードオフが存在する。
- 高速イメージングは高画質を犠牲にし，高解像度イメージングはスループットを制限する点が課題である。
- 深層学習を用いて，高速な顕微鏡で得られた低画質画像を，高度な顕微鏡で得られた高画質画像に変換することを目指す。
- 深層学習モデル（GAN）を用いることで，異なる顕微鏡間での画質の信頼性の高い変換が可能となった。
- 構造類似度（SSIM）およびピーク信号対雑音比（PSNR）がそれぞれ0.94，31.87と大幅に向上し，構造特徴の正確な復元が確認された。
- 高速な顕微鏡システムでハイスループットイメージングを行い，計算によって高画質情報を復元することで，実験効率の向上が期待される。
周辺介入データからの同時介入分布の推定 [stat.ME, cs.LG, stat.ML]目的：同時介入分布の推定
- 因果推論において，介入データは因果関係の解明に不可欠である。
- 十分な同時介入データを得ることは困難であり，部分的なデータからの推定が課題である。
- 周辺介入データから同時介入分布を推定し，因果関係の分析を可能にすること。
- 最大エントロピー原理に基づき，介入データと観測データを統合する手法を提案した。
- 提案手法は，状態最先端の手法を凌駕し，同時観測データが不要なKCIテストと同等の性能を示した。
- 介入データの部分集合に対する周辺介入分布から，因果的特徴選択と同時介入分布の推論が可能となった。
リソース効率の良い等変量子畳み込みニューラルネットワーク [quant-ph, cs.LG]目的：リソース効率の良い等変量子畳み込みニューラルネットワークのモデル
- 機械学習の能力向上に，対称性を活用する等変量子ニューラルネットワークが期待されている。
- 近接量子デバイスの計算資源の制約から，等変量子ニューラルネットワークの実装は困難である。
- 量子ビット数に応じて測定効率を向上させ，実用的な量子機械学習アルゴリズムを開発する。
- 本研究で提案する等変スプリット並列化QCNN (sp-QCNN) は，従来の等変QCNNよりも少ない測定リソースで学習可能である。
- sp-QCNNは，並列化構造により，観測可能値と勾配の期待値を推定する際の測定効率を向上させる。
- 本モデルは高い学習性と汎化性能を示し，バレンプレートの問題も回避されている。
コロボフ関数に対する2次元深層ReLU CNN近似：構成的アプローチ [stat.ML, cs.LG]目的：コロボフ関数を近似するための2次元深層CNNの構築
- 高次元データの関数近似は，機械学習の重要な課題であり，様々な分野で利用されている。
- 従来の関数近似手法では，次元の呪いの影響を受けやすく，高次元データに対して有効な近似が困難であった。
- 次元の呪いを緩和し，高次元データに対する効率的な関数近似を実現することが本研究の目的である。
- 提案手法では，連続的な重み選択モデルにおいて，最適な近似レートを達成できることが示された。
- 2次元CNNが，高次元データの関数近似において潜在的な能力を持つことが明らかになった。
- 本研究は，2次元CNNの理論的基盤を確立し，より広範な応用可能性を示唆する。
ランダム化アルゴリズムを用いた逐次回帰学習 [quant-ph, cs.CC, stat.ML, cs.LG]目的：時間依存構造を持つ動的データに対する逐次機械学習アルゴリズム
- 動的なシステムのモデリングは科学技術の発展に不可欠であり，その重要性は増している。
- 複雑なシステムにおけるモデルの特定は困難であり，計算コストも高いという課題がある。
- 確率的アプローチを用いて，効率的なモデル学習と予測を実現することを試みる。
- 提案手法「ランダム化SINDy」は，動的データの時間構造を考慮した逐次学習が可能である。
- 関数解析に基づき，PAC学習特性が数学的に証明されており，理論的な信頼性が高い。
- 回帰および二値分類の実験において，実世界のデータを用いて有効性が確認された。
パーキンソン病進行モデリング：縦断的音声バイオマーカーを用いた統計モデルとニューラル混合効果モデルの比較研究 [stat.ML, cs.LG, stat.AP]目的：パーキンソン病の進行予測
- パーキンソン病の個別化医療には，病状の正確な予測が不可欠である。
- 臨床試験ではサンプルサイズが小さく，患者ごとの進行パターンが複雑である。
- 小規模データセットにおけるニューラルモデルの過学習を抑制し，最適な予測モデルを構築する。
- ニューラルモデルは柔軟性を持つが，小規模サンプルでは過学習しやすいことが示された。
- 一般化加法混合モデル (GAMMs) が最適なバランスを提供し，高い予測精度 (MSE 6.56) を実現した。
- データ不足の状況下では，臨床解釈可能性のあるGAMMsが有用である。
インテリジェントな医療画像プラットフォーム：VLMベースの自動医療画像分析と臨床レポート生成フレームワーク [eess.IV, cs.AI, cs.CV]目的：医療画像分析と臨床レポート生成のためのフレームワーク
- 医療画像診断の精度向上と臨床意思決定支援の重要性が高まっている。
- 既存の画像分析手法では，多様な画像モダリティへの対応や詳細なレポート生成が課題である。
- VLMを活用し，高精度な異常検出と解釈可能な臨床レポートの自動生成を目指す。
- Google Gemini 2.5 Flashを用いたフレームワークが，CT，MRI，X線，超音波など多岐にわたる画像モダリティで腫瘍検出とレポート生成に成功した。
- 位置測定において平均80ピクセルの偏差という高い精度を示し，臨床医の信頼性向上に貢献する多層可視化技術を実装した。
- 高度なプロンプトエンジニアリングとテキスト分析により，構造化された臨床情報を抽出し，ゼロショット学習能力によってデータセット依存性を軽減した。
PULSE：豊饒なセンサから展開可能なセンサへの知識伝達による具現化された多感覚学習 [eess.SP, cs.AI, cs.LG]目的：富饒なセンサから展開可能なセンサへの知識伝達フレームワーク
- 具現化された知能システムにおいて，多様なセンサ情報を統合することが重要である。
- 実験環境と実環境で利用可能なセンサの種類が異なり，性能低下を招く場合がある。
- 高価なセンサの知識を低コストセンサへ伝達し，性能を維持することを目的とする。
- PULSEフレームワークは，電皮活動（EDA）を教師センサとし，ECG，BVP，加速度計，温度を生徒センサとして活用した。
- WESADベンチマークにおいて，EDAなしで0.994 AUROC，0.988 AUPRCを達成し，EDAを使用した場合と同等の性能を示した。
- フレームワークはECGを教師センサとした場合でも，モダリティ非依存な知識伝達が可能であることが示された。
意識の生成メカニズム：階層間因果関係の視点から [q-bio.NC, cs.NE]目的：意識の生成を決定する内部因果メカニズム
- 意識は物理システムの重要な特性であり，そのメカニズム解明は科学の根源的な課題である。
- 従来の物理学では，意識の有無を説明できず，因果関係の理論的枠組みが不足している。
- 階層間因果関係に焦点を当て，意識生成のメカニズムをモデル化し，説明することを目指す。
- 意識の生成は，物理的法則だけでなく，因果関係における内部メカニズムによって決定されると考えられる。
- 高レベルからの因果伝播を明示的にモデル化する「二重法則モデル」を提案し，意識の機能的生成と因果性を議論した。
- 本研究では，現象学的側面の因果的有効性は扱わない。
プラズマのモーメント閉包関係に対する機械学習アプローチ：レビュー [physics.plasm-ph, cs.LG]目的：プラズマ閉包モデルの改善
- プラズマ物理学において，大規模なグローバルシミュレーションは不可欠である。
- 流体モデルに基づくシミュレーションでは，高次のプラズマモーメントに対する閉包関係が必要となる。
- プラズマの閉包問題に対し，機械学習を活用した新しい手法を確立すること。
- 機械学習によるプラズマ閉包モデルの開発が近年活発化していることが確認された。
- 方程式発見法やニューラルネットワークによる代替アプローチなど，多様な手法が用いられている。
- 機械学習に基づく閉包関係が抱える課題と，今後の研究方向性が示された。
普遍的機械学習原子間ポテンシャルの潜在的特徴の比較 [physics.soc-ph, cs.SY, econ.GN, eess.SY, q-fin.EC, physics.chem-ph, cond-mat.mtrl-sci, cs.LG]目的：普遍的機械学習原子間ポテンシャルの潜在的特徴の比較
- 物質科学において，原子レベルでの正確なシミュレーションは，材料設計や物性予測に不可欠である。
- 既存の原子間ポテンシャルは，適用範囲が限られており，複雑な化学系への適用が困難である。
- 本研究は，機械学習原子間ポテンシャルの潜在的特徴を分析し，その学習内容の差異を明らかにすることを目的とする。
- 異なるuMLIPは，化学空間を大きく異なる方法で符号化しており，モデル間の特徴再構成誤差が大きいことが示された。
- 同じモデルアーキテクチャでも，データセットや学習プロトコルによって傾向が変化する。
- uMLIPのファインチューニングは，潜在的特徴に強い事前学習バイアスを保持することが確認された。
多項式ニューラルネットワークのロバスト性検証 [stat.ML, cs.LG, math.AG]目的：ニューラルネットワークのロバスト性検証
- AIの安全性を確保する上で，ニューラルネットワークの入力に対する頑健性は重要な課題である。
- ニューラルネットワークのロバスト性を効率的に検証する手法は確立されていない。
- 多項式ニューラルネットワークのロバスト性を，代数幾何学を用いて効率的に検証する。
- 多項式ニューラルネットワークのロバスト性半径の検証は，代数的決定境界までの距離の計算に相当する。
- ユークリッド距離度（ED度）を問題の複雑さの指標とし，関連するED判別式とパラメータ判別式を導入した。
- ED度が低下するパラメータ値を検出し，いくつかのネットワークアーキテクチャに対するED度の公式を導出した。
柔軟な密度ベースクラスタリングのためのスケーラブルな事後不確実性 [physics.optics, cs.AR, stat.ML, cs.LG]目的：クラスタリングにおける不確実性定量のための新たな枠組み
- クラスタリングは，データ内の構造を明らかにする上で重要な役割を果たす。
- 従来のクラスタリング手法では，不確実性の評価が困難であった。
- 密度推定に基づく不確実性評価を通じて，よりロバストなクラスタリングを実現する。
- マルティンゲール事後分布と密度ベースクラスタリングを組み合わせることで，大規模データセットにおける効率的な不確実性定量が可能となった。
- 提案手法は，画像データやシングルセルRNAシーケンスデータに対して有効なクラスタリング構造と，それに関連する不確実性を提示することが示された。
- 密度関数としてクラスタを表現することで，理論的な収束性の分析を可能とした。
多専門家学習のための拡張行動代理の限界を超える [math.ST, cs.CC, math.PR, stat.TH, stat.ML, cs.LG]目的：多専門家学習における代理モデルの改善
- 機械学習において，複数の専門家からの知識を統合する技術は，複雑な問題解決に不可欠である。
- 既存の代理モデルは，専門家数の増加に伴い性能が低下したり，有用な専門家の活用を抑制することがある。
- この研究は，専門家数に依存せず，より効率的な知識統合を可能にする新しい代理モデルを提案する。
- 提案手法は，既存手法が抱える増幅，専門家不足，結合の問題を回避できることが示された。
- 合成ベンチマーク，CIFAR-10，CIFAR-10H，Covertypeの実験により，提案手法が既存手法を上回ることが確認された。
- 特に，冗長性下での増幅を回避し，希少な専門家を維持する点で優れた性能を発揮する。
LLMによる推論を用いた特徴選択のためのMamba-SSM：信頼性に基づいたバイオマーカーの発見 [q-bio.QM, cs.AI]目的：バイオマーカー発見における信頼性に基づいた特徴選択
- 深層シーケンスモデルはバイオマーカー候補を効率的に特定するが，組織構成による交絡の影響を受ける。
- 従来の深層学習によるバイオマーカー抽出では，交絡因子の除去が課題となっていた。
- LLMの推論能力を活用し，組織構成による交絡を除去することで，予測性能の向上を目指す。
- LLMによるフィルタリングにより，特徴量数を大幅に削減しつつ，予測性能が向上した（AUC 0.927）。
- LLMが選択した17遺伝子のうち，35.3%がBRCAの既知のバイオマーカーとして検証された。
- 予測性能の向上と推論の信頼性との間に乖離が見られ，交絡因子の選択的な除去が有効であることを示唆する。
量子カーネル法における推論の最適アルゴリズム複雑性 [quant-ph, cs.LG]目的：量子カーネル法における推論のアルゴリズム複雑性の最適化
- 量子機械学習は，古典計算機では困難な問題を解決する可能性を秘めており，注目を集めている。
- 推論段階の計算コストが，量子カーネル法の量子優位性を実現するための大きな障壁となっている。
- 本研究は，推論コストを削減するための新しいアルゴリズムを開発し，その最適性を証明することを目的とする。
- 量子カーネル法における推論のクエリ複雑性を，従来の$O(N\lVert\alpha\rVert_2^2/\varepsilon^2)$から$O(\lVert\alpha\rVert_1/\varepsilon)$へと改善した。
- 単一の観測可能量として推論の合計を符号化し，量子振幅推定を適用することで，クエリ複雑性の最適性を実現した。
- ゲートコストの観点からは，クエリ最適戦略が常に最適とは限らず，ハードウェア能力に応じた戦略選択が重要である。