arXiv雑要約
AI - 2026/04/21 公開
MathNet：数学的推論と検索のためのグローバルなマルチモーダルベンチマーク [cs.AI, cs.DL, cs.IR, cs.LG]目的：数学的推論と検索の評価
- 高度な数学的思考能力の評価は，AIの知能を測る上で重要である。
- 既存のベンチマークは規模，言語対応，課題の多様性に限界があった。
- 多様な数学問題を用いて，AIの数学的推論能力を包括的に評価すること。
- MathNetは，47カ国，17言語，20年分の数学オリンピック問題を収録した大規模データセットである。
- 最先端の推論モデル（Gemini-3.1-Pro，GPT-5）でも課題が残されており，検索モデルも等価問題の検索に苦戦している。
- 検索拡張生成は検索品質に大きく依存し，DeepSeek-V3.2-Specialeは最高スコアを達成した。
AIエージェントと困難な選択 [cs.AI, cs.CY]目的：困難な選択におけるAIエージェントの対応能力
- AI技術の発展は，倫理的・社会的な課題解決への貢献が期待されている。
- 既存のAIは，複数の目的を同時に追求する際の価値判断が困難である。
- AIが困難な選択を自律的に解決するための方法論を模索する。
- 現在のAIエージェントは，多目的最適化の構造上，比較不可能な選択肢の識別ができない。
- この識別不能性から，阻害問題，信頼性問題，非信頼性問題といったAIの整合性に関する問題が生じる。
- AIに自律的な選択能力を与えるためには，その規範的なトレードオフを考慮する必要がある。
TokenChain: セマンティックトークンモデリングによる離散的音声連鎖 [eess.AS, cs.AI, cs.CL, cs.LG, cs.SD]目的：機械音声連鎖によるASRとTTSの同時改善
- 音声認識と音声合成の性能向上は，人間と機械のコミュニケーションを円滑にする上で重要である。
- 従来の音声連鎖モデルは，連続的な表現を用いるため，学習の安定性や効率性に課題があった。
- トークンインターフェースを用いた音声連鎖学習で，ASRとTTSの性能を効果的に向上させる。
- TokenChainは，LibriSpeechにおいて，ベースラインよりも2-6エポック早く精度を向上させ，同エポックエラー率を5-13%低減した。
- TED-LIUMにおいては，ASRのWERを56%，TTSのWERを31%それぞれ相対的に削減し，忘却を最小限に抑えた。
- トークンインターフェースを用いた連鎖学習は，離散的な表現においても有効であることが示された。
A3-FPN：漸近的コンテンツ認識ピラミッド注意ネットワークによる高密度視覚予測 [cs.SI, cs.CY, cs.CV, cs.AI, cs.LG]目的：高密度視覚予測におけるオブジェクトスケール変動への対応
- 視覚認識において，オブジェクトのスケール変動は重要な課題であり，高精度な認識には多スケール表現が必要である。
- 既存のFeature Pyramid Networkは性能向上に貢献するものの，識別特徴の捕捉や小オブジェクトの認識に課題が残る。
- 識別特徴の向上と小オブジェクト認識の改善を目指し，多スケール特徴表現の拡張を試みる。
- 提案手法A3-FPNは，漸近的に解きほぐされたフレームワークとコンテンツ認識注意モジュールにより，多スケール特徴表現を強化する。
- MS COCO, VisDrone2019-DET, Cityscapesにおける実験により，A3-FPNが最先端のCNNやTransformerアーキテクチャに容易に統合でき，顕著な性能向上を示すことが確認された。
- 特にOneFormerとSwin-Lバックボーンとの組み合わせで，MS COCOで49.6のMask AP，Cityscapesで85.6のmIoUを達成した。
サンプリングが重要である：深層学習に基づく心房細動検出における心電図周波数の影響 [eess.SP, cs.AI, cs.LG]目的：心房細動検出のための深層学習モデルにおける心電図周波数の影響評価
- 心房細動は，脳卒中等のリスクを高める疾患であり，早期発見が重要である。
- 心電図データのサンプリング周波数が異なると，モデル性能に影響が出る可能性が指摘されている。
- 心電図周波数が深層学習モデルの性能，キャリブレーション，ロバスト性に与える影響を明らかにすること。
- 心電図のサンプリング周波数は，モデル構造によって検出性能に大きな影響を与えることが示された。
- CNN-LSTMハイブリッドモデルは，100〜250Hzの中間周波数で最適な性能と安定したキャリブレーションを示した。
- 一方，1次元CNNは500Hzで精度と感度が著しく低下し，高周波ノイズに弱いことが示唆された。
睡眠のブレークスルー：Sleepal AIランプによる高精度な睡眠段階検出の非接触アプローチ [eess.SP, cs.AI, cs.LG]目的：睡眠段階の正確な検出
- 睡眠の質評価や睡眠障害の診断には不可欠な研究分野であり，健康管理への関心の高まりとともに重要性が増している。
- 従来のポリソムノグラフィー（PSG）は煩雑で，長期モニタリングには不向きであるという課題があった。
- 非接触で睡眠段階を検出することで，より手軽で長期的な睡眠モニタリングの実現を目指す。
- Sleepal AIランプとPSGの比較において，二値分類（覚醒/睡眠）で92.8%の精度，0.895のF1スコアを達成した。
- 四段階分類（覚醒，軽度NREM，深部NREM，REM）では，健常者で78.5%の精度，0.695のCohen's kappa係数を示した。
- 睡眠時無呼吸症候群（OSA）患者を含む異質集団でも，77.2%の精度と0.677のkappa係数を維持し，高い信頼性を示した。
SAND：神経変性疾患評価のための音声分析の課題 [eess.AS, cs.AI, cs.CV, cs.LG]目的：神経変性疾患，特に筋萎縮性側索硬化症（ALS）の早期診断と進行予測のためのAIモデル開発
- AI技術の進展と，音声信号のような非侵襲的バイオマーカー探索が重要視されている
- 音声信号は複雑であり，ALS診断用AIモデル開発には注釈付きデータセットが不足している
- 臨床注釈付きデータセットとSAND課題を通して，ALSの早期発見と進行予測を目指す
- 臨床医と機械学習の専門家による共同研究で，臨床的に注釈が付けられた検証データセットを構築した。
- SAND課題は，音声障害分析を通して，ALSの早期特定と進行予測のためのAIモデル開発を促進する。
- 本研究は，AIアルゴリズムの性能評価のための基盤を提供し，客観的な指標の確立に貢献する。
故障強度診断のための深層階層的知識損失 [physics.flu-dyn, cs.CE, eess.AS, cs.AI, cs.CV, cs.LG, cs.SD, eess.SP]目的：故障強度診断における階層的な一貫性のある表現と予測の実現
- インテリジェント製造において重要な役割を担うが，クラス間の依存関係が無視されている。
- 既存手法では，ターゲットクラス間の依存関係を考慮できておらず，実用化が困難である。
- クラス間の階層構造と境界構造をモデル化し，微細な故障の認識精度向上を目指す。
- 深層階層的知識損失（DHK）を用いた新しいフレームワークを提案し，階層的な一貫性を実現した。
- 木構造に基づいた損失関数と，階層的動的マージンを用いた損失関数を組み合わせることで，高い認識性能を達成した。
- SAMSON AGのキャビテーションデータセットや公開データセットにおいて，最新技術を上回る優れた結果が得られた。
気相反応速度論のモデル化：誘導粒子拡散サンプリングによる [physics.comp-ph, cs.LG]目的：気相反応速度論における反応経路の再構成
- 化学反応機構の理解は，効率的な触媒設計や環境問題への対応に不可欠である。
- 実験データが少ない場合，反応速度論的モデルの同定は困難を伴う。
- 不完全なデータから時間的に一貫性のある解を生成する手法の確立。
- 誘導粒子拡散サンプリングは，ARD方程式に基づく気相反応速度論の問題に対して有効であることが示された。
- この手法を用いることで，単一のスナップショットではなく，時空間的な軌跡全体の再構成が可能となった。
- 未知のパラメータ領域に対しても一般化できることが示され，実用的な応用への期待が高まる。
MLE-Toolbox：包括的な脳磁図・脳波データ解析のためのオープンソースツールボックス [q-bio.NC, cs.AI, cs.SE]目的：脳磁図および脳波データの包括的な解析
- 脳機能研究において，脳磁図と脳波は非侵襲的な高時間分解能の計測手法として不可欠である。
- 既存の解析ツールは，専門知識を要し，パイプライン構築に時間がかかる場合がある。
- 脳磁図・脳波研究の再現性と効率性を向上させるための，統合的な解析環境を提供すること。
- MLE-Toolboxは，データインポートから機械学習による分類まで，脳磁図・脳波データの全解析パイプラインを統合した。
- 自動アーティファクト除去，複数のソース局在化手法，スペクトル電力解析，グラフ理論ネットワーク分析などを実装した。
- Brainstorm，FieldTrip，EEGLAB，FreeSurferとの互換性を持ち，研究者の既存のワークフローを拡張可能である。
鉄道駅における乗客支援需要の予測：勤務計画への応用 [stat.AP, cs.LG]目的：鉄道駅における乗客支援需要の予測と，その予測に基づく勤務計画の策定
- 鉄道のバリアフリー化において，乗客支援サービスは不可欠であり，移動の円滑化に貢献する。
- 駅や時間帯によって需要が大きく変動するため，適切な人員配置が課題となっている。
- データに基づいた需要予測と勤務計画を統合し，人員配置の最適化を目指す。
- 本研究で開発された予測モデルは，既存の予測方法と比較して，予測精度が最大76.9%向上した。
- 予測に基づいた人員配置により，人員不足による乗客支援の失敗が約50%減少した。
- 解釈可能な予測と実務への応用が，人員配置改善に有効であることが示された。
分布のシフト下における予後予測モデルの堅牢化とコホート適応モデルの選択 [stat.ME, cs.AI, stat.AP]目的：分布のシフト下での予後予測モデルの輸送可能性改善
- 医療における予後予測は，患者ケアの最適化に不可欠であるため，その精度向上が重要視されている。
- 予後予測モデルは，学習データと異なるコホートで性能が低下することが多く，汎化性能の確保が課題である。
- 本研究は，コホート間の分布のずれを考慮し，より堅牢で適切な予後予測モデルを選択することを目指す。
- 外部検証において，分布のずれが大きいほど，モデルのキャリブレーションが悪化することが示された。
- メタ分析に基づいた重み付けにより，キャリブレーションが改善され，識別能力への影響は軽微であった。
- コホート間の類似性が高いほど，キャリブレーションが改善され，臨床的有用性も向上した。
高次元一般化線形モデルにおける公平性制約 [stat.ML, cs.LG]目的：機械学習モデルの公平性確保
- 機械学習は社会実装が進む中で，倫理的・法的責任が重要となる
- 既存手法はセンシティブ属性へのアクセスが必要で，プライバシー侵害の懸念がある
- 補助特徴量からセンシティブ属性を推測し，公平性を担保する手法を提案する
- 提案手法は，予測精度を維持しつつ，バイアスを軽減できることが示された
- センシティブ属性への直接アクセスなしに公平性を実現する実用的な解決策となる
- 公平性に基づいたアルゴリズム意思決定の進展に貢献する
生涯にわたる脳年齢予測のための二段階マルチモーダルMRIフレームワーク [quant-ph, cs.DC, eess.IV, cs.AI, cs.CV]目的：脳年齢予測モデルの構築
- 脳の健康状態を評価する上で，脳年齢の正確な定量化は重要なバイオマーカーとなり得る。
- 既存手法は，年齢層が限定的であったり，単一のMRIモダリティに依存したりすることが課題であった。
- 脳の形態変化と白質構造の発達を統合的に捉え，生涯にわたる脳成熟度を評価することを目的とする。
- 本研究では，脳の形態と白質構造を統合的に解析するマルチモーダル脳年齢予測フレームワークを開発した。
- 提案手法は二段階構造を採用し，各モダリティを独立して処理した後，後期融合により統合することで，各被験者を6つの発達段階に分類する。
- 分類された発達段階内で年齢を予測することで，多様な発達段階における脳成熟度の統一的かつ生涯にわたる評価を可能にする。
Q-SINDy：量子カーネルによる非線形動力系の疎識別と証明可能な係数バイアス除去 [math.OC, cs.SY, eess.SY, quant-ph, cs.LG]目的：非線形動力系の疎識別（SINDy）への量子カーネルの導入と，その係数バイアスの除去
- 機械学習において，量子特徴マップは古典的なタスクに対する表現力豊かな埋め込みを提供する。
- 量子特徴マップをSINDyに導入する際，係数カニバリゼーションという問題が発生する可能性がある。
- 量子特徴と多項式基底の直交化により，係数カニバリゼーションを正確に除去すること。
- Q-SINDyは，量子カーネルを活用することでSINDyの構造復元能力を維持し，係数カニバリゼーションによる劣化を防ぐ。
- 量子特徴マップの直交化は，係数バイアスを正確に除去し，数値精度において検証された（<10^-12）。
- R^2_Qという新たな診断指標は，カニバリゼーションの程度を統計的に有意に予測することが示された（Pearson r=0.70, p=0.023）。
バッチ正規化された線形モデルにおける遅延損失スパイクのメカニズム研究 [stat.ML, cs.LG, math.OC]目的：遅延損失スパイクのメカニズムの解明
- 深層学習の安定性と性能向上には，学習過程の理解が不可欠である。
- 既存の理論では，大規模な学習率による初期の不安定な振る舞いは説明できるものの，遅延する損失スパイクの説明は不十分である。
- バッチ正規化が有効学習率を徐々に増加させ，不安定性を遅延させるという仮説を検証し，遅延損失スパイクのメカニズムを特定すること。
- バッチ正規化された線形回帰モデルにおいて，損失が上昇しない条件や，方向性のある発現までの待ち時間を明確に導出した。
- 損失の上昇エッジは有限回の反復内で自己安定化することが示された。これにより，バッチ正規化によって誘発される具体的な遅延不安定化経路が特定された。
- ロジスティック回帰においては，限定的な仮定の下で方向性のある前兆が確認された。
物理情報に基づいたグラフニューラルネットワークによるスケーラブルな量子誤り緩和 [quant-ph, cs.LG]目的：量子誤り緩和手法の拡張
- 量子コンピュータは発展途上であり，ノイズの影響を克服することが実用化への鍵となる。
- 既存の誤り緩和手法は，量子ビット数の増加に伴い計算コストが指数関数的に増加する。
- 本研究は，物理的な構造情報を活用することで，よりスケーラブルな誤り緩和手法を確立することを目指す。
- 提案手法GEMは，小規模システムにおいてCDRと同等の精度を達成する。
- GEMは，大規模システムへの転送において，CDRよりも低い平均絶対誤差と安定性を示す。
- GEMは，局所的な物理構造を利用することで，スケーラビリティと汎化性能を向上させる。
伊藤型過程で生成された時系列予測における情報的統計的特徴量の抽出 [stat.ML, cs.LG, math.PR]目的：伊藤型確率微分方程式に従う確率過程の観測値である時系列から，最も有益な特徴量を抽出すること
- 金融，物理学等，確率過程をモデル化する分野において，正確な予測は不可欠である。
- 時系列データの予測において，基礎となる確率過程のパラメータが未知である場合，予測精度が低下する。
- 時系列内に内在する規則性から統計的特徴量を抽出し，予測精度向上を目指す。
- 統計的に調整された混合モデルのパラメータを特徴量として用いるアルゴリズムを提案した。
- 一様および非一様な統計的再構成技術により，伊藤過程の係数を再構成し，特徴量を生成した。
- 提案手法を用いた自己回帰予測アルゴリズムにおいて，予測精度が向上することを示した。
ProtoCycle：テキスト誘導タンパク質設計のための反復型ツール拡張計画 [q-bio.QM, cs.AI]目的：テキストによる機能要件を満たすタンパク質の設計
- タンパク質工学において，目的機能を持つタンパク質を設計することは重要な課題である。
- 既存手法では，大量のデータと計算資源が必要であり，限られたデータでは計画と実行のギャップが生じる。
- ProtoCycleは，LLMによる計画とツールによる実行の反復を通して，このギャップを埋めることを目指す。
- ProtoCycleは，LLMによる計画とツール環境による反復的なフィードバックサイクルを組み合わせたフレームワークである。
- 教師あり学習とオンライン強化学習により，言語との整合性とタンパク質のフォールディング能力を両立している。
- LLMによる自己反省が，生成される配列の品質を大幅に向上させることが示された。
高次元疎なポアソンデータの近傍埋め込み [stat.ML, cs.LG]目的：高次元疎ポアソンデータの構造保存
- 科学研究において，事象発生回数の計測は一般的である。データの解析に不可欠な要素である。
- 低頻度ポアソンデータは疎であり，既存の次元削減手法ではユークリッド幾何に基づく歪みが生じる。
- ポアソン構造を考慮した次元削減手法により，疎データの構造を正確に捉えることを目指す。
- 提案手法p-SNEは，ポアソン分布間のKLダイバージェンスを用いて近傍埋め込みを行う。
- シミュレーションデータと実データにおいて，p-SNEは意味のある構造を復元できることを示した。
- メール通信，研究分野，神経活動などの様々なデータセットで有効性が確認された。
乳がん熱画像分類のためのハイブリッド量子ニューラルネットワーク：新たな量子・古典統合アプローチ [quant-ph, cs.AI, cs.CV, cs.LG]目的：乳がん熱画像分類における性能向上
- 乳がん早期発見は，医療における重要な課題であり，診断精度の向上が求められている。
- 従来の深層学習は，複雑な熱的パターン分類において限界があり，精度の向上が課題となっていた。
- 量子計算の原理を取り入れ，従来の深層学習の限界を克服し，分類性能の向上を目指す。
- 提案するハイブリッド量子ニューラルネットワーク（HQNN）は，従来の深層学習アーキテクチャと比較して，乳がん熱画像分類において大幅な性能向上を示した。
- 量子成分は，4量子ビットの変分回路と多頭注意機構を組み合わせることで，量子を意識した特徴エンコーディングを実現した。
- 本研究は，医療画像分類における量子計算の優位性を示唆し，ヘルスケアにおける量子・古典ハイブリッドシステムの構築に向けた基盤を提供する。
自閉スペクトラム症および健常者の光適応型電気生理検査および振動電位データセット [physics.med-ph, cs.AI, cs.LG]目的：自閉スペクトラム症および健常者における光適応型電気生理検査（LEOP）と振動電位（OP）の波形
- 視覚系の電気生理学的検査は，脳機能の評価において重要な役割を担う。
- 自閉スペクトラム症における視覚処理の特性は十分解明されていない。
- 本研究は，自閉スペクトラム症における視覚処理の神経生理学的特徴を明らかにすることを目指す。
- 本データセットは，健常者，自閉スペクトラム症，および自閉スペクトラム症と注意欠陥多動性障害（ADHD）を併発する子供と青年のデータを含む。
- 全5309個の単一フラッシュ電気生理検査波形と4434個の振動電位波形が含まれており，機械学習タスクに適した形式でデータが提供される。
- 本データセットは，自閉スペクトラム症の診断や治療法の開発に貢献することが期待される。
E2E-WAVE：水中ビデオマルチキャストのためのエンドツーエンド学習波形生成 [math.OC, cs.SY, eess.SY, eess.SP, cs.LG, eess.IV]目的：水中ビデオマルチキャストのためのエンドツーエンド学習波形生成システム
- 水中通信は，従来の無線通信とは異なり，環境の影響を受けやすく，信頼性の高いデータ伝送が課題である。
- 従来の誤り訂正符号は，水中環境の厳しい条件下では，かえってエラーレートを悪化させる場合がある。
- 意味的に類似したトークンを選択することで，エラーが発生した場合でもビデオ品質の低下を最小限に抑える。
- E2E-WAVEは，VideoGPTトークン化と学習可能な波形バンク，微分可能なOFDM伝送を組み合わせることで，既存のFEC保護ベースラインよりも高いPSNRとSSIMを達成した。
- 特に，厳しい水中チャネル環境下において，その性能差は拡大する。
- E2E-WAVEは，単一のチャネルで学習することで，再学習なしに未知の水中環境にも一般化できる。
軌道制限された最適化条件と幾何学的認識線形収束 [math.OC, cs.LG, math.ST, stat.TH]目的：最適化軌道に沿った幾何学的特性に基づく線形収束の条件
- 高次元問題や構造化問題において，最適化の効率が重要となる。
- 従来の最適化条件は最悪の場合を想定し，実際の軌跡の幾何学的特性を捉えられない。
- 最適化軌道上の局所的な幾何学的特性を利用した線形収束の条件を確立する。
- 本研究では，軌道制限された枠組みを導入し，局所的な幾何学的規則性に基づいた線形収束を解析した。
- 多面体複合問題において，軌道に沿って訪れるアクティブな多面体面の制限されたホフマン定数による収束制御を証明した。
- アクティブ集合や多様体の識別後における高速な局所収束の幾何学的定量化を示唆する。
腸管10器官のコロナMRエンテログラフィーにおけるセグメンテーションのための二段階深層学習フレームワーク [eess.IV, cs.AI, cs.CV]目的：腸管MRエンテログラフィー画像からの10種類の腸管器官のセグメンテーション
- 炎症性腸疾患（IBD）の診断には，正確な腸管器官のセグメンテーションが不可欠である。
- 解剖学的変動，クラス不均衡，低い組織コントラストが，信頼性の高い自動化を妨げる。
- これらの課題に対処し，器官特異的なセグメンテーションの精度向上を目指す。
- 初期段階のDenseNet201-UNet++モデルは，ROI抽出のための良好な器官局在化を実現した。
- 第2段階のDenseNet121-SelfONN-UNetモデルは，すべての腸管構造のセグメンテーションを大幅に改善した。
- 本フレームワークは，腸管MRエンテログラフィーにおける粗いものから細かいものへの，器官を意識したセグメンテーション戦略の有効性を示した。
Non-SCAR環境下におけるクラスタリングとロジスティックモデルを用いたPU分類の提案 [stat.ME, cs.LG, stat.ML]目的：Non-SCAR環境下でのPU分類を解決するためのクラスタリングアルゴリズム
- 機械学習において，教師なしデータと陽性データのみから学習するPU学習は重要である。
- PU学習では，SCAR条件が満たされない場合，分類性能が低下する可能性がある。
- SCAR条件が満たされない状況下でも有効なPU分類アルゴリズムを開発すること。
- 提案手法は，SCAR条件が満たされない状況下で有効であることが，実データセットと合成データセットによる評価で示された。
- クラスタリングアルゴリズムが，SCAR条件違反下での有効性を示す結果が得られた。
- LassoJoint法は，ある程度のSCAR条件の変動に対するロバスト性を持つことが確認された。
機械学習を用いた火星周辺プラズマ領域の自動分類 [physics.space-ph, astro-ph.EP, cs.LG, physics.plasm-ph]目的：火星周辺プラズマ領域の自動識別
- 太陽風と火星との相互作用理解は，惑星大気の散逸メカニズム解明に不可欠である。
- 火星周辺のプラズマ環境は変動が大きく，領域識別には手間と時間がかかる。
- 機械学習を用いて，火星周辺プラズマ領域を効率的かつ正確に識別すること。
- CNNは，太陽風，磁鞘，誘導磁気圏の3つのプラズマ領域を高い精度で識別できた。
- MLPは太陽風と磁鞘の識別が困難であった。
- CNNに基づく手法は，火星および将来の惑星探査における大規模プラズマ領域識別に有用である。
凸凹最適化における負の運動量 [math.OC, cs.DS, cs.LG]目的：凸凹最適化における負の運動量の収束性
- 機械学習の最適化問題において，効率的なアルゴリズム開発が重要である。
- Min-max最適化では，通常の運動量法が発散する問題があった。
- 凸凹最適化と強凸強凹最適化における負の運動量の有効性を示す。
- 本研究により，凸凹最適化における負の運動量のグローバル収束が証明された。
- 強凸強凹最適化においては，負の運動量による高速収束が可能であることが示された。
- これらの結果は，負の運動量を競争力のあるアルゴリズムに位置づける。
FlowRefiner：3D乱流シミュレーションのためのフローマッチングに基づく反復洗練 [physics.flu-dyn, cs.LG]目的：3D乱流の反復洗練手法
- 物理現象の正確な数値シミュレーションは，科学技術の発展に不可欠である。
- ニューラルPDEソルバーでは，微細構造の誤差が蓄積しやすく，長期予測が困難である。
- 誤差の蓄積を抑制し，高精度な乱流シミュレーションを実現する。
- FlowRefinerは，確率的ノイズ除去の代わりに決定論的なODEに基づく補正を用いることで，安定した洗練を実現した。
- 統一された速度場回帰目的関数とデカップルドシグマスケジュールにより，洗練精度が向上した。
- 大規模3D乱流実験において，最先端の予測精度と物理的整合性を達成した。
複雑性における疎性の利点 [q-fin.GN, cs.LG, econ.EM, q-fin.PM, q-fin.PR]目的：資産価格決定における複雑性と疎性の関係性
- 高次元資産価格決定は，豊富な特徴量空間と経済的直感の簡潔性の間で緊張関係がある。
- 複雑なモデルは過学習を起こしやすく，汎化性能が低下する可能性がある。
- 複雑性を高めつつ，リスク要因の疎な構造を発見することで，資産価格決定の精度向上を目指す。
- 候補となる特徴空間を拡大することで，価格付けされるリスクの疎な構造を発見することが可能になる。
- 非線形特徴量拡張と基底追跡を組み合わせることで，一定の複雑性閾値を超えると，リッジなしベンチマークよりも優れたアウトオブサンプルパフォーマンスを示すポートフォリオが得られる。
- 複雑性から得られる利益は，より多くの要因を保持することではなく，価格付けされるリスクの疎な構造を特定できる空間を拡大することから生まれる。
効率的市場仮説下におけるスポーツ結果予測：オッズ単独および一般化線形モデルの理論的・実験的分析 [econ.GN, cs.CE, q-fin.EC, stat.ML, cs.LG]目的：スポーツ結果予測におけるオッズの正確な確率への変換方法
- スポーツ予測の精度向上は，スポーツ分析やベッティング戦略において不可欠である。
- 既存のオッズ変換方法には，バイアスへの対応や精度の向上が課題として残されている。
- より正確な確率変換を実現し，効率的市場仮説に基づいたスポーツ予測の信頼性を高める。
- 本研究では，オッズのみから確率を変換する新しい方法「OO-EPC」を提案し，既存手法よりも高い性能を示すことが実証された。
- また，歴史的データを用いる一般化線形モデル「FL-GLM」を提案し，既存モデルと比較して優れた予測精度を達成した。
- これらの結果は，スポーツ予測における効率的市場仮説の検証と，より精度の高い予測モデルの構築に貢献する。
ギブス事後分布に対するPAC-ベイズ境界：特異学習理論による導出 [math.OC, cs.SY, eess.SY, stat.ML, stat.ML, cs.LG]目的：ギブス事後分布に対する明示的な非漸近的PAC-ベイズ汎化境界
- 過学習を防ぎ，有限サンプルでの汎化性能を保証することは機械学習の重要な課題である。
- 従来の複雑度に基づく境界は，モデル空間の厳密な制御を必要とし，過パラメータ化モデルには適用が困難である。
- 特異学習理論を用いて，データ構造に適応し，モデルの複雑さを考慮した汎化境界を導く。
- ギブス事後分布の平均リスク境界は，従来の複雑度に基づく境界よりも大幅にタイトであることが示された。
- 低ランク行列補完やReLUニューラルネットワークに対する応用により，境界の解析的な扱いやすさが確認された。
- 本研究は，過パラメータ化モデルおよび特異モデルにおけるPAC-ベイズ分析の可能性を示唆している。
少量データにおける医療画像分類のためのカオス増強プロトタイプネットワーク [eess.IV, cs.AI, cs.CV]目的：少量データ医療画像分類におけるプロトタイプネットワークの性能向上
- 腫瘍学における臨床データの不足から，医師の診断支援において少量学習が重要である。
- 既存のプロトタイプネットワークは，脳腫瘍画像におけるノイズやクラス内分散により，プロトタイプの不安定性を示す。
- ロジスティックカオスの摂動を注入し，特徴空間の安定性を高めることで，少量データ環境下での分類精度向上を目指す。
- ロジスティックカオスの摂動注入により，高次元クラスタの安定化とクラス分散の低減が確認された。
- 15%のカオス注入レベルが最も効果的であり，標準的なプロトタイプネットワークを上回る84.52%のテスト精度を達成した。
- カオス的摂動は，データ不足の状況下における効率的な正則化手法として有効であることが示唆された。
マルチエージェントLLMによる株式推奨：シグナルかノイズか [q-fin.PM, cs.AI, q-fin.ST]目的：マルチエージェントLLMを用いた株式推奨システムのポートフォリオレベルでの有効性検証
- 株式市場において，より高度な投資判断を支援する手段の確立が求められている。
- 従来のファクターモデルでは捉えきれないアルファ源泉の発見が課題となっている。
- LLMを用いた多角的分析により，新たな投資シグナルを抽出することを試みる。
- S&P500ポートフォリオにおいて，月平均+2.18%の超過リターンを達成し，統計的有意性も確認された。
- S&P100ポートフォリオでも超過リターンは示唆されたが，サンプルサイズの関係で統計的有意性には至らなかった。
- エージェントの貢献度は市場環境に応じて変化し，その変動はセクター構成やマクロ経済イベントと連動していた。
SPaRSe-TIME：重要度投影低ランク時間的モデリングによる効率的かつ解釈可能な時系列予測 [eess.SP, cs.LG]目的：時系列予測のための効率性と解釈可能性の向上
- 時系列データは，金融，気象，医療など幅広い分野で不可欠である。
- 従来のモデルは計算コストが高く，データのスパース性を考慮していない。
- 重要度に着目し，効率的かつ解釈可能な時間的モデリングを実現する。
- SPaRSe-TIMEは，重要度，記憶，トレンドの3つの要素に分解することで，計算コストを削減。
- 従来の recurrent や attention ベースのモデルと同等の予測性能を達成。
- 特に構造化された時系列データにおいて，成分ごとの貢献度により高い解釈性を提供。
エッジモデル転送におけるカーネル対称性の活用：圧縮と誤り軽減 [eess.SP, cs.LG]目的：畳み込みカーネルの構造化された対称性制約を利用した，効率的なニューラルネットワーク伝送
- エッジデバイスの普及に伴い，モデル伝送の効率化が重要課題となっている。
- モデル全体のパラメータを伝送すると，通信帯域を圧迫し，伝送時間が長くなる。
- カーネルの対称性を活用し，伝送量を削減しつつ，高い精度を維持すること。
- 提案手法は，対称群によって規定されるユニークな係数のみを送信することで，帯域幅を大幅に削減できる。
- 受信側での投影ステップにより，伝送エラーに対するロバスト性が向上し，ノイズの影響を軽減できる。
- MNISTおよびCIFAR-10の実験結果から，本手法が剪定ベースの手法よりも高い精度を維持しつつ，大幅な圧縮を実現することが示された。
StrEBM：構造化潜在エネルギーベースモデルによるブラインド音源分離 [stat.ML, cs.LG]目的：音源ごとの構造化表現学習
- 潜在表現の識別性と分離性は，機械学習の性能向上に不可欠である。
- 従来の潜在表現学習では，全体の構造に制約が加わり，柔軟性に欠ける場合がある。
- 潜在次元ごとに学習可能な構造的バイアスを導入し，分離性を高めることを目指す。
- 提案モデルStrEBMは，線形および非線形混合環境下で音源を効果的に分離できることを実験的に示した。
- 学習の終盤で収束が遅延したり，非線形な観測マッピング下で安定性が低下したりする最適化特性が明らかになった。
- これらの知見は，今後のより高度なエネルギー関数や最適化手法の開発の基盤となる。
ベルマン固定点を超えて：価値反復における幾何学と高速な方策同定 [math.OC, cs.AI, cs.SY, eess.SY]目的：価値反復における幾何学的構造と，最適方策の高速な同定
- マルコフ決定過程の解法において，動的計画法は基盤となる手法であり，その重要性は高い。
- Q値反復は収縮性に基づく収束保証を持つが，方策が実質的に最適になるタイミングの幾何学的構造は不明確である。
- 実質最適解集合への到達と，その収束速度を幾何学的に分析し，高速な方策同定を可能にすること。
- Q値反復は一般に$Q^*$に有限時間で到達しないが，最適な行動クラスを有限時間で特定できる。
- 反復値から実質最適解集合の特定の部分集合への距離は，制限されたスイッチングファミリーの合同スペクトル半径によって指数関数的に減衰する。
- この減衰率は，制限された合同スペクトル半径が割引率$\gamma$より小さい場合，標準的な$\gamma$速度よりも高速となりうる。
グローバルAI研究における分極化と統合 [physics.soc-ph, cs.AI, physics.app-ph]目的：グローバルAI研究における分極化と統合のプロセス
- AI研究は国際競争が激化しており，安全保障上のリスクや国際関係に影響を与える重要な分野である。
- AI研究の国際協力や知識の共有が阻害され，特定の国による支配が進む懸念がある。
- AI研究における国際的な分極化と統合の現状を明らかにし，今後の方向性を示す。
- 過去30年間の科学出版データ分析の結果，米国と中国がAI研究の二つの極として大きく乖離していることが明らかになった。
- イギリスやドイツは主に米国と連携する一方，多くのヨーロッパ諸国は両極との間で収束している。
- 発展途上国は主に中国と連携しており，中国の国際的なAI研究における影響力拡大を示唆している。
最適化の自然物理学の数学について [math.OC, cs.AI, cs.LG, cs.NA, math-ph, math.MP, math.NA]目的：最適化アルゴリズムの自然法則
- 最適化は，科学技術の様々な分野で不可欠であり，効率的な問題解決を可能にする。
- 既存の最適化アルゴリズムは，しばしば経験則に頼る部分があり，理論的根拠が不明確な場合がある。
- 最適化アルゴリズムを自然現象として捉え，その普遍的な法則を明らかにすることを目指す。
- 最適化アルゴリズムは，隠れたアルゴリズムの基本原理が従う非ニュートン力学の一つの現れであるという理論を提唱した。
- 最適制御問題の終端横断条件と最適化問題の一般化カラッシュ/ジョン・クーン・タッカー条件を等価化することで，新たな最適化の自然物理学を構築した。
- ポントリャーギン型最小原理に基づく「遠隔作用」により，探索リャプノフ関数で定義された量子化された「エネルギー」を散逸させる制御ジャンプを実行する逆最適アルゴリズムを生成した。
機械学習に基づく推定におけるバギングによるランダムシード安定性の制御による再現性の向上 [math.OC, cs.DM, math.OC, cs.SY, eess.SY, stat.ME, cs.LG, stat.ML]目的：機械学習に基づく推定における再現性の向上
- 機械学習は広く利用されているが，結果のばらつきが問題となり，信頼性が損なわれることがある。
- ランダムシードに依存した結果は，推論の安定性を損ない，バイアス訂正推定器に影響を与える。
- ランダムシードの安定性を保証し，バイアス訂正推定器の信頼性を高めることを目指す。
- サブバギングが，結果の範囲が限定された回帰アルゴリズムに対して安定性を保証することが証明された。
- 新しいクロスフィッティング手法である適応型クロスバギングは，バイアス項の推定とサンプル分割の両方においてランダムシードへの依存を解消する。
- 実験結果は，提案手法が目標とする安定性を達成し，既存手法は達成できないことを示している。
複雑な正規化フローは情報Kähler-Ricciフローとなりうる [math.CO, cs.DM, econ.EM, cs.SI, stat.AP, math.DG, cs.LG]目的：ボレル確率測度の二重実体化された複素多様体から得られたデータに対する複素正規化フローとKähler-Ricciフロー間の関連性
- 統計モデリングや幾何学において，確率分布と幾何学的構造の関係性を理解することは重要である。
- 複素多様体における確率密度関数の取り扱いは，計算の複雑さや幾何学的解釈の困難性を伴う。
- 複素正規化フローとKähler-Ricciフローの間の数学的な対応関係を明らかにすることで，これらの課題解決を目指す。
- 複素正規化フローにおける対数決定式は，微分条件下でRicci曲率項と一致することが示された。
- 正規化フロー下の対数密度は，ホロモルフィックプルバックとベイズ視点の下で空間Fisher情報計量と関連し，連続極限下でKähler-Ricciフローを再現する。
- このフレームワークを用いることで，統計的挙動と幾何学的特徴の間の関連性が明らかにされ，複素正規化フローの理解が深まる。
環境世界表象仮説：普遍性の再考 [q-bio.NC, cs.LG]目的：環境制約下における表象の整合性に関するマッピング
- 脳科学とAIの発展により，情報処理の基盤原理の理解が求められている
- 普遍的な表象が存在するという仮説は，種差や個体差の説明が難しい
- 環境制約という視点から，表象の整合性のメカニズムを解明すること
- 人工ニューラルネットワークと生物の脳との表象の整合性は，普遍的な表象への収束ではなく，環境制約の重なりによるものである可能性が示唆された。
- 種，個体，人工ニューラルネットワーク間の表象の違いは，系統的かつ適応的であり，普遍性仮説とは両立しにくいことが示された。
- 人工ニューラルネットワークのモデル比較は，単一の最適世界モデルの探索ではなく，環境制約空間における整合性のクラスターをマッピングする方法として捉え直されるべきである。
タンパク質多重配列アラインメントからの進化場と結合の推定のための並列・持続マルコフ連鎖モンテカルロ法を用いたボルツマン機械学習 [cond-mat.dis-nn, cs.ET, q-bio.BM, cond-mat.stat-mech, cs.LG, stat.ML]目的：タンパク質の進化場と結合の推定
- タンパク質の構造と進化の研究において，有用な手法の一つである。
- 推定された場と結合の再現性が重要であり，計算コストが高い。
- 計算時間を削減し，適切なハイパーパラメータ調整を行う。
- 並列・持続マルコフ連鎖モンテカルロ法により，ボルツマン機械の計算時間を削減した。
- 確率的勾配降下法も計算時間短縮に貢献した。
- タンパク質構造に適した条件でハイパーパラメータを調整し，接触残基対予測の精度向上を目指した。
深層分位過程回帰を用いた分布型オフポリシー評価 [stat.ML, cs.LG, stat.ME]目的：分布型オフポリシー評価
- 強化学習において，安全かつ効率的な学習が重要であり，オフポリシー評価はそのための鍵となる技術である。
- 既存のオフポリシー評価手法は期待リターンに焦点を当てており，リターン分布全体の推定は困難であった。
- 深層分位過程回帰を用いて，リターン分布全体を推定し，より正確でロバストなオフポリシー評価を実現すること。
- 本研究で提案するDQPOPEは，従来の単一ポリシー値推定と同程度のサンプルサイズで，リターン分布全体を推定可能である。
- 理論的なサンプル複雑性解析を行い，深層ニューラルネットワークを用いた分布型オフポリシー評価の理論的根拠を示した。
- 実験結果から，DQPOPEは既存手法と比較して，より正確でロバストなポリシー値推定を提供することが示された。
支配集合の大きさ：計量幾何学に基づいたパレート適合性指標 [econ.GN, cs.DL, q-fin.EC, math.OC, cs.CG, cs.NE]目的：多目的最適化におけるパレートフロントへの有限近似集合に対する，新たな単一かつ厳密なパレート適合性品質指標である「大きさ」の評価
- 多目的最適化は，複数の目的関数を同時に最適化する問題であり，現実世界の複雑な意思決定問題に応用が広がっている。
- 既存のパレート適合性指標には，境界付近の解を適切に評価できない，計算コストが高いなどの課題が存在する。
- この研究は，境界解をより適切に評価し，計算効率の良いパレート適合性指標「大きさ」を提案し，その数学的性質と有効性を検証することを目的とする。
- 「大きさ」指標は，特に境界付近の解に対して正の値を与えることが示され，ハイパーボリューム指標の弱点である境界解の評価問題を改善する。
- 有限次元における「大きさ」指標の計算量は，ハイパーボリューム指標と同程度であり，計算効率が確認された。
- 数値実験の結果，「大きさ」指標は境界を含む解群を好む傾向があり，ハイパーボリューム指標とは異なる特性を持つことが示された。
mlr3torch：mlr3とtorchに基づくRの深層学習フレームワーク [stat.ML, cs.LG]目的：Rにおける深層学習フレームワークの提供
- 機械学習の実践において深層学習は不可欠であり，その利用を容易にするツールが求められている。
- 既存の深層学習フレームワークと，Rのエコシステムとの連携が十分でない場合がある。
- mlr3エコシステムに深層学習を統合し，モデル構築，評価，チューニングを効率化すること。
- mlr3torchは，mlr3とtorchを基盤とした拡張可能な深層学習フレームワークである。
- 本パッケージは，tabularデータや画像など，様々なデータ形式に対応したニューラルネットワークの定義，学習，評価を簡素化する。
- ハイパーパラメータ調整，ファインチューニング，マルチモーダルデータのためのアーキテクチャ定義など，多様なユースケースで活用できる。
固定点多様体上の写像に対する中心多様体定理 [math.DS, cs.LG]目的：固定点多様体上の写像に対する中心多様体定理の証明
- 力学系や微分方程式の安定性解析において，中心多様体定理は重要な役割を果たす。
- 境界を持つ多様体上の写像に対する中心多様体定理は一般的に証明が困難である。
- 二層行列因数分解問題における勾配降下法の解析に適用する。
- 固定点多様体上の写像に対する中心多様体定理を証明した。
- 本定理は，二層行列因数分解問題における大きなステップサイズを持つ勾配降下法の研究に応用可能である。
ハダマール多様体上の水平深度とブゼマン媒介値 [math.ST, cs.LG, stat.ML, stat.TH]目的：ハダマール多様体上の統計的深度の概念である水平深度の導入と，その最大化点の集合としてのブゼマン媒介値の定義
- ハダマール多様体は幾何学，解析学，測地学において重要な役割を果たし，多様な研究の舞台となっている。
- 既存の統計的深度の概念は，ユークリッド空間に限定され，多様体上では適用が困難であった。
- ハダマール多様体上でも意味のある統計的深度を定義し，多様体上の中心点の概念を提供する。
- 水平深度は，視覚境界によってパラメータ化され，等距変換に対して不変である。
- 任意のハダマール多様体において，深度領域は入れ子状で測地凸であり，ブゼマン媒介値が存在することが証明された。
- 負の断面曲率の条件の下では，水平深度は厳密に準凹であり，媒介値は一意である。
エネルギー分割による相場モデルのためのDeepRitzSplitニューラル演算子 [math.AP, cs.LG, cs.NA, math.NA]目的：相場モデルのシミュレーション高速化
- 凝固の相場モデルは多スケールかつ非線形であり，計算コストが高い。
- 従来の数値離散化法では計算時間が長く，効率が課題である。
- エネルギー分割と物理情報に基づいた学習を融合し，計算効率を改善する。
- 提案手法は，エネルギー散逸特性を維持しつつ，相場モデルの変分形式を近似するニューラル演算子を学習する。
- カスタムのReaction-Diffusion Neural Operator(RDNO)アーキテクチャを導入し，等方性Allen-Cahn方程式と異方性樹状成長シミュレーションに適用した。
- 物理情報に基づいた学習は，データ駆動型学習よりも分布外評価での汎化性能が優れており，従来のフーリエスペクトル法よりも高速な推論を実現する。