arXiv雑要約
AI - 2026/04/28 公開
SpecRLBench：仕様による強化学習における汎化能力のベンチマーク [cs.CL, eess.SY, cs.SY, cs.CE, cs.SY, eess.SY, cs.LG]目的：仕様による強化学習における汎化能力の評価
- 複雑なタスクを形式仕様で記述する手法の重要性が増している
- 未見の仕様や多様な環境への汎化性能が十分に理解されていない
- 汎化性能の評価プラットフォームと汎化能力向上のための研究を支援する
- SpecRLBenchは，ナビゲーションと操作の両方のドメインを含む汎化能力を評価するためのベンチマークである。
- 実験評価の結果，既存手法の強みと限界が明らかになり，複雑さが増すにつれて発生する課題が示された。
- 本ベンチマークは，体系的な比較と汎化性の高い仕様に基づく強化学習手法の開発を支援する。
複数の思考者からの思考学習 [cs.LG, cs.AI, cs.CC, stat.ML]目的：複数思考者からのChain-of-Thought（CoT）による学習
- 複雑な問題を解決するためには，人間の思考過程を模倣した学習が重要である。
- 従来の学習方法では，CoTを用いた学習の有効性が十分に活かせていない場合がある。
- 複数思考者のCoTデータを用いて，より効率的かつ正確な学習を実現することを目指す。
- 暗号化的仮定の下，複数思考者からのCoT学習は，データ収集のみでは困難であることが示された。
- 目標精度に依存しない効率的な能動学習アルゴリズムが提案された。
- このアルゴリズムは，思考者数と学習に必要なデータ量に関して，理論的な上限が示された。
多規模運動論的領域に対する競合を考慮した調和回転勾配法 [cs.LG]目的：多規模時間依存運動論的問題を同時に解決するための手法
- 物理現象の多岐にわたるスケールを扱う上で，計算効率と精度が重要となる。
- 異なるスケール間の勾配の衝突が，多タスク学習の失敗につながる可能性がある。
- スケール間の勾配衝突を緩和し，一貫した最適化を実現することを目的とする。
- 提案手法HRGradは，既存のAPNNが陥りがちな問題点を克服できることが示された。
- パラメータの隠れ表現を明示的に符号化することで，タスクの同時学習を可能にしている。
- タスク損失に基づいて勾配アライメント指標を導入し，一貫した最適化率を維持する。
多クラスおよびリスト学習における最適なサンプル複雑度 [cs.LG, stat.ML]目的：多クラスおよびリスト学習のサンプル複雑度の最適性
- 機械学習において，学習データ量が性能に大きく影響するため，必要なデータ量の理論的評価が重要である。
- 多クラス分類のサンプル複雑度については，理論的な上限と下限に開きがあり，最適なデータ量が不明であった。
- 多クラスおよびリスト学習におけるサンプル複雑度の最適依存性を決定し，既存のギャップを解消すること。
- 多クラス仮説クラスの最大ハイパーグラフ密度がそのDS次元によって上限されることが証明された。
- この結果は，DanielyとShalev-Shwartzの長年の仮説を裏付けるものとなった。
- 多クラス学習とリスト学習におけるサンプル複雑度とDS次元の最適な依存関係が決定された。
学生のコード提出に基づくパターン型知識コンポーネントを用いた個別化された解答例生成 [cs.HC, cs.AI, cs.CY, cs.ET, cs.LG]目的：学生のコードから抽出されたパターン型知識コンポーネントに基づく個別化された解答例の生成
- プログラミング学習において，学習者の理解度に応じた教材が重要であり，効果的な学習を支援する。
- 既存の教材は作成に手間がかかり，学生が犯すエラーや部分的な解答に対応できない場合がある。
- 学生のコードパターンから知識コンポーネントを抽出し，学習者のエラーに対応した教材を生成すること。
- 知識コンポーネントに基づいた生成は，教材のテーマ集中度と学習者のエラーへの関連性を向上させる。
- 本研究では，抽象構文木解析を用いて学生のコードから構造的な知識コンポーネントパターンを抽出する手法を提案。
- 生成モデルを知識コンポーネントで制御することで，大規模な個別化学習を支援できる可能性を示唆。
クラウドレス・トレーニング：地理分散型機械学習トレーニングの効率化フレームワーク [cs.DC, cs.AI]目的：地理分散型機械学習トレーニングの効率改善
- 機械学習の発展に伴い，大規模モデルや連合学習など，多地域クラウド資源を活用する需要が増加している。
- 地理分散環境でのリソース効率や，広域ネットワークにおける通信オーバーヘッドが課題となっている。
- サーバーレスな弾力的なリソース调度と通信機構により，地理分散型機械学習の効率化を目指す。
- 本フレームワークは，コントロールプレーンと物理トレーニングプレーンの二層構造により，弾力的なリソース调度と通信を実現する。
- 異質なクラウド資源やデータ分布に適応する弾力的な调度戦略と，非同期SGDやモデル平均化といった同期戦略を提供する。
- Tencent Cloud上での評価により，トレーニングコストの削減や，最大1.7倍のトレーニング速度向上を確認した。
CODESIM：シミュレーション駆動型計画とデバッグによるマルチエージェントコード生成と問題解決 [cs.CL, cs.AI, cs.SE]目的：マルチエージェントコード生成フレームワークによるプログラム合成の計画，コーディング，デバッグの各段階の改善
- 近年のLLMの進歩は目覚ましいが，その能力を最大限に引き出すためには，効果的なコード生成手法が不可欠である。
- 既存手法は初期コード生成の品質に依存するため，誤りを含む粗雑なコードを改善することに課題がある。
- 入力と出力の段階的なシミュレーションによる計画検証と内部デバッグを通じて，コード生成の精度向上を目指す。
- CODESIMは，HumanEvalで95.1%，MBPPで90.7%，APPSで22%，CodeContestsで29.1%という，最先端の結果を達成した。
- 本フレームワークは，外部デバッガと組み合わせることで，さらなる性能向上が期待できる。
- フレームワークは公開されており，今後の研究開発に貢献することが期待される。
ECoLAD：自動車時系列異常検知のための展開指向型評価 [cs.LG, cs.AI]目的：自動車時系列データの異常検知における展開可能性評価
- 自動車の安全性向上には，リアルタイムな異常検知が不可欠である。
- 既存の評価は，実環境での制約（CPU性能，遅延）を考慮していない。
- 展開時の制約下でも有効な異常検知手法を特定すること。
- ECoLADは，CPU制約下での異常検知手法の性能を，段階的に計算量を削減しながら評価する。
- 実際の自動車テレメトリデータでは，軽量な古典的手法が安定した性能を示し，深層学習手法は性能劣化前に展開が困難になる場合が多い。
- スループット制約下でのカバレッジとAUC-PRの最適化により，実用的な異常検知手法の選定が可能となる。
行動を超えて：AI評価が認知革命を必要とする理由 [cs.AI, cs.ET, cs.HC]目的：AI評価における認知論的転換の必要性
- AI研究は，人間の知能を再現することを目指しており，その評価は非常に重要である。
- 現在のAI評価は行動のみに焦点を当てており，内部プロセスやメカニズムが無視されている。
- 行動評価の限界を克服し，より本質的な知能評価を実現することが本研究の目的である。
- チューリングは，機械の思考能力を判断するために行動テストを提案したが，これは認知論的な選択であった。
- この行動主義的な認知論は，AI研究の評価基盤に組み込まれ，内部プロセスの探求を妨げてきた。
- AI分野は，心理学における行動主義から認知主義への転換と同様の，認知論的な転換を必要としている。
AIエージェントはどのように資金を使うか？ エージェントによるコーディングタスクにおけるトークン消費の分析と予測 [math.MG, cs.DM, math.CA, math.CO, cs.CL, cs.AI, cs.CY, cs.HC, cs.SE]目的：エージェントによるコーディングタスクにおけるトークン消費パターン
- AIエージェントの利用拡大に伴い，LLMのトークン消費量が急増しているため，コスト管理が重要である。
- トークン消費量はタスクによって大きく異なり，その予測は困難である。
- エージェントによるトークン消費パターンを分析し，トークン消費量の予測精度向上を目指す。
- エージェントによるコーディングタスクは，従来のコード推論やチャットと比較して，トークン消費量が1000倍以上も高くなることがわかった。
- トークン消費量はタスクごとにばらつきが大きく，高いトークン消費量が高精度に繋がるとは限らない。
- モデルによってトークン効率に差があり，Kimi-K2やClaude-Sonnet-4.5はGPT-5と比較して150万トークン以上消費する傾向にある。
光プトレチスモグラフィーを用いた生理学的パラメータの非侵襲的推定における生成的な自己教師あり学習の汎用的なフレームワーク [eess.SP, cs.AI, cs.LG]目的：生理学的パラメータ推定のための生成的な自己教師あり学習フレームワーク
- 生体信号解析は，医療や健康管理において重要な役割を担うため，その精度向上は不可欠である。
- 深層学習には大量のラベル付きデータが必要だが，生理学的パラメータのラベル付けは困難であり，コストがかかる。
- ラベルなしデータからロバストな表現学習を行い，文脈的情報を統合することで，生理学的パラメータ推定の精度向上を目指す。
- 提案手法TS2TCは，時間領域，スペクトログラム，時間-スペクトログラムの混合領域を活用し，PPGの特性を最大限に引き出す。
- CTFGAとDPTの組み合わせにより，従来の生成学習を大幅に上回る性能が確認された。
- TS2TCは，最先端の推定手法と比較して，わずか10%の学習データで平均2.49%のRMSE改善を達成した。
ハイパースペクトル画像と軽量機械学習モデルを用いた果実の成熟度と硬度の非破壊予測 [eess.IV, cs.LG]目的：果実の成熟度分類と硬度予測
- 食糧廃棄削減には収穫後の品質評価が不可欠であり，その効率化が求められている。
- 従来の非破壊検査は高価な装置や高度な専門知識を必要とし，実用性に課題があった。
- 低コストなセンサーと軽量な機械学習で，実用的な品質評価手法を確立することを目指す。
- 古典的な機械学習モデルが，既存の深層学習モデルと同等以上の性能を示すことが示された。
- スペクトルの全範囲を使用しなくても，わずか3波長で94%以上の精度を達成可能であることが確認された。
- 低コストなマルチスペクトルセンサーと軽量機械学習モデルが，実用的な品質選別代替手段となりうる。
方程式からアルゴリズムとデータへ：機械学習によるマイクロ波工学と教育の変革 [stat.CO, cs.SI, stat.OT, eess.SP, cs.ET, cs.LG]目的：マイクロ波回路の設計における機械学習とデータ駆動型電磁気合成の導入
- 高周波システム設計において，電磁気的相互作用や寄生効果の理解が不可欠である。
- 従来の設計手法は，高周波・超広帯域システムにおける複雑な電磁気現象に対応しきれない。
- 機械学習を活用し，性能指向の設計空間探索による教育の改善を目指す。
- 本研究では，機械学習をマイクロ波工学の教育に取り入れ，データ駆動型設計を提案する。
- このアプローチにより，学生は電磁気的挙動を直接的に理解し，設計空間を自由に探索できる。
- 物理的直感の向上，設計の創造性の育成，産業界のニーズとの整合性が期待される。
文脈統合敵対的学習による株価変動予測モデリング [q-fin.ST, cs.LG]目的：株価変動の予測
- 金融市場において，株価予測は重要な課題であり，その精度向上は投資戦略に直結する。
- 従来の統計モデルは線形性を仮定するため，複雑な変動を捉えきれない。LSTMもボラティリティの変化に弱い。
- 文脈情報を考慮した敵対的学習モデルにより，予測精度を向上させることを目指す。
- 提案手法は，従来のARIMAやLSTMといったベースラインモデルと比較して，予測誤差の様々な指標において優れた性能を示した。
- 敵対的学習と自然言語処理による感情分析を組み合わせることで，市場の文脈を捉えた予測が可能となった。
- 本研究の結果は，不確実性と構造変化に特徴的な複雑な金融環境において，文脈に敏感な敵対的学習パラダイムが有効であることを示唆する。
ガウス測度の間のスライス化されたWasserstein操縦 [math.OC, cs.LG, cs.SY, eess.SY, stat.ML]目的：確率測度の操縦におけるエネルギー最小化
- 高次元データにおける確率分布の比較や操作は，機械学習や統計解析で不可欠である。
- 高次元空間での最適輸送計算は計算コストが高く，実用的な応用が困難である。
- 部分的な観測情報に基づく，効率的な分布操縦手法の確立を目指す。
- 提案手法は，確率測度を一次元方向に投影し，各投影における最適速度を合成することで，高次元空間での操縦問題を解決する。
- この手法は，ガウス分布において目標分布への操縦が可能であり，スライス化されたWasserstein距離とエネルギー消費の間に新たな関係式を導出した。
- 手法は直交変換に対して不変であり，投影操作によって非拡大性を持つことが示された。
AI強化RF干渉除去 [physics.soc-ph, cs.RO, cs.SY, eess.SY, eess.SP, cs.AI, cs.LG]目的：RF伝送におけるAI強化干渉除去の性能評価
- 無線通信の発展に伴い，電波干渉は通信品質低下の主要因となる。
- 従来の干渉除去技術は干渉信号の詳細な情報が必要であり，実用性に課題がある。
- 干渉信号の詳細を知らなくても，AIを用いて効果的な干渉除去を実現すること。
- Autoregressive Transformer Decoderモデルは，WaveNetモデルよりも大幅に高速な処理能力を示す。
- FMラジオ信号に対するOFDM干渉の除去実験において，AIによる干渉除去の効果が確認された。
- PESQスコアの向上により，聞き取りにくい音声が明瞭化され，低遅延も実現された。
同期：単語レベルタイムスタンプ予測を用いたASRのための音声認識大規模言語モデルの適応 [eess.AS, cs.CL, cs.LG, cs.SD]目的：単語レベルタイムスタンプ予測を伴う音声認識大規模言語モデルの適応
- 音声認識技術は，コミュニケーションの自動化や情報アクセスの向上に不可欠である。
- 従来のタイムスタンプ予測は外部ツールに依存し，精度や効率に課題があった。
- 大規模言語モデル内で直接タイムスタンプ予測を行うことで，精度向上と効率化を目指す。
- 提案手法は，複数のデータセットにおいてタイムスタンプ予測の精度を向上させた。
- 新たな軽量な学習戦略は，認識品質を維持しつつ，タイムスタンプ予測のロバスト性を高めた。
- 音声認識と精密なタイムスタンプ予測を効率的に統合するアプローチの有効性が示された。
AI支配型金融市場における表現の均質性と系統的脆弱性：構造的アプローチ [q-fin.TR, cs.AI, cs.LG, cs.MA]目的：AI取引エージェント間における市場の状態に関する情報表現の類似性が，金融市場の系統的脆弱性を引き起こすメカニズム
- 金融市場は経済活動の根幹であり，その安定性は社会全体の繁栄に不可欠である。
- AI取引の普及に伴い，エージェント間の戦略の均質化とそれに伴う市場の脆弱性が懸念されている。
- AIエージェントの表現の均質性が，市場の安定性に与える影響を構造的に解明すること。
- 表現の均質性と予測の重複は関連するが異なる概念であり，均質性がストレス下で予測の相違を圧縮することが示された。
- 表現の類似性の増加は，信念とポジションの同期化を増幅させ，ボラティリティのクラスター化，流動性ストレス，テールリスクの上昇を引き起こすことが実験的に示唆された。
- 低ボラティリティ環境下ではポジションの粘着性を通じて隠れたレバレッジが累積し，ショック時に同期的なデレバレッジを引き起こす可能性が示された。
リングトポロジーを持つ特殊な重要度を意識した量子畳み込みニューラルネットワーク（IA-QCNN）による膠芽腫MGMTプロモーターメチル化予測 [quant-ph, cs.LG]目的：膠芽腫におけるMGMTプロモーターメチル化予測
- 膠芽腫は予後不良であり，患者ごとに最適な治療戦略が求められる。
- MRIデータの高次元性と相関性の高さが，特徴量学習と汎化性能の制約となっている。
- 量子力学に基づき，MRIデータからMGMTメチル化状態を高精度に予測する。
- 提案されたIA-QCNNは，少ない学習パラメータ数で高精度を達成し，古典的なモデルで観察される過学習問題を最小限に抑えた。
- T1Gd画像の方がmpMRI画像よりも識別力が高く，臨床的に重要なシーケンスの優先順位が明らかになった。
- 本モデルは，ノイズ環境下でも優れた頑健性を示し，ノイズを正則化メカニズムとして活用し予測性能を向上させた。
CT誘導による空間変動正則化を用いたボクセル単位の全身PET画像登録 [eess.IV, cs.AI, cs.CV]目的：全身PET画像登録の精度向上
- 多パラメータ腫瘍評価や転移病変の進行評価に必須であるため，全身PET画像登録の重要性は高い。
- 全身画像では解剖学的異質性が高く，硬組織と軟組織で適切な正則化の強さを設定することが課題である。
- CT画像を用いて，ボクセルごとの正則化マップを構築し，解剖構造に応じた正則化を実現することで，この課題を解決する。
- 提案手法は，18F-PSMAと18F-FDGを用いた臨床データセット（296例）において，従来の弱教師あり学習ベースラインと比較して統計的に有意な改善を示した。
- 全身登録性能および臓器単位のアライメントにおいて，提案手法が優れていることが確認された。
- CT画像を用いることで，硬組織には強い正則化，軟組織には弱い正則化を適用し，解剖構造に応じた柔軟な変形を実現した。
大規模言語モデルを活用したコンクリート材料情報学のための自動データ抽出 [cond-mat.mtrl-sci, cs.CL, cs.LG]目的：コンクリート材料に関するデータ抽出・構造化パイプライン
- 材料探索のデータ駆動型アプローチは重要だが，高品質な実験データの不足が課題となっている。
- 非構造化文献からのデータ抽出は困難であり，効率的な情報収集が阻害されている。
- 大量の文献から効率的にデータを抽出し，材料情報学のデータ基盤構築を加速すること。
- 提案パイプラインは，多様なLLMで高い性能を示し，組成・プロセス・特性のF1スコアは最大0.97を達成した。
- 27,000件以上の論文から約9,000件の高品質なレコードを1時間以内に抽出，混合セメントコンクリートの最大規模のオープンデータベースを構築した。
- 機械学習分析により，大規模で多様なデータセットが，精度向上と未知材料への汎化性能に不可欠であることが示された。
高次元におけるトラスト領域ベイズ最適化の再考 [stat.ML, cs.LG]目的：高次元ブラックボックス最適化における次元の呪いの緩和
- 最適化問題は工学や科学の様々な分野で不可欠であり，効率的な解法が求められている。
- 高次元空間では，従来のベイズ最適化手法は次元の呪いに苦しみ，性能が低下しやすい。
- トラスト領域ベイズ最適化の局所ガウス過程モデルの劣化問題の解決。
- 提案手法AdaScale-TuRBOは，問題の次元とトラスト領域のサイズに応じてガウス過程の長さ尺度を調整する。
- これにより，カーネルの幾何学的な構造を維持し，事前分布の複雑さを一貫して保つことができる。
- 実験結果から，AdaScale-TuRBOは標準的なTuRBOや他の高次元BO手法よりもロバストに優れた性能を示すことが示された。
知性のセキュリティコスト：AI能力，サイバーリスク，展開のパラドックス [econ.GN, cs.AI, cs.CR, q-fin.EC]目的：AI導入とサイバーセキュリティ投資の同時選択
- AI技術の発展は生産性向上に貢献するが，セキュリティリスクとのバランスが重要である。
- AI能力の向上に伴い，権限範囲が拡大し，セキュリティ対策が追いついていない現状がある。
- ガバナンスと能力のギャップが，AI導入の最適なレベルを阻害する問題を解決する。
- 損失が大きい環境下では，高性能なAIの導入が，ガバナンスの弱さから権限範囲が拡大することで，かえって導入を抑制する可能性がある。
- 最適なAI導入量は，リスクがない場合よりも少なくなり，その差は損失額の大きさや権限範囲に応じて広がる。
- ガバナンスへの投資は，損失額を縮小し，パラドックスの影響範囲を抑制する効果がある。
タートルシェルクラスタリング：フローサイトメトリーおよび他のデータへの識別的クラスタリングの混合アプローチ [stat.ML, cs.LG, stat.ME]目的：識別的クラスタリングの混合アプローチ
- データの構造解析において，クラスタリングは重要な役割を担う。
- 既存手法では，ノイズや不規則な形状のクラスタへの対応が課題となる。
- 非線形境界線を推定し，自動的にクラスタ数を決定すること。
- 生成モデルと識別モデルの利点を組み合わせた新しいクラスタリング手法を提案した。
- ガウス分布と一様分布の混合モデルを用いて，条件付きモデルを定式化した。
- シミュレーションデータとフローサイトメトリーデータで有効性を検証した。
MOCA：一方向クロスアテンションとカットフィードバックを用いたモジュール型因果推論フレームワーク [stat.ML, cs.LG, stat.ME]目的：観察データからの因果効果推定
- 因果推論は，政策決定や医療など，様々な分野で重要な役割を担う。
- 従来の因果推論手法は，複雑なデータに対して不安定になる場合がある。
- MOCAは，モジュール構造と一方向アテンションにより，因果推論の精度向上を目指す。
- MOCAは，モジュール設計と一方向アテンション機構により，治療と結果のモデリングを分離し，交絡因子の調整を行う。
- カットフィードバック戦略により，結果側の損失が治療モジュールを更新することを防ぎ，情報の流れを保つ。
- シミュレーション実験および実データ分析において，既存手法と同等またはそれ以上の性能を示した。
バングラデシュ，サトキラにおける急速な塩害化を動的学習観測所が明らかにする [physics.geo-ph, cs.LG, stat.AP]目的：サトキラ地区の土壌塩分濃度予測と分布図作成
- 沿岸部の農業生産と地域住民の生計を脅かす土壌塩害は，重要な環境課題である。
- 既存手法では，広範囲かつ高精度な土壌塩分濃度の予測が困難であった。
- 機械学習モデルを用いて，土壌塩分濃度の長期モニタリングを実現し，対策を支援する。
- 土壌塩分濃度は地域によって大きく異なり，沿岸南部や中央部で高濃度，内陸北部は低濃度を示した。
- NDVIなどの植生指標が，土壌塩分濃度の重要な予測因子として特定された。
- 2014年から2023年の10年間のデータから，高塩分濃度域が繰り返し出現し，中央部で中～高塩分濃度域が拡大していることが明らかになった。
大規模次元におけるスペクトルアルゴリズムの学習曲線と良性過学習 [stat.ML, cs.LG, math.ST, stat.TH]目的：大規模次元におけるスペクトルアルゴリズムの学習曲線と良性過学習の特性
- 高次元データ分析は，機械学習や統計学において重要な課題であり，その理論的理解が求められる。
- スペクトルアルゴリズムの高次元設定では，適切な正則化の選択が難しく，理論的な解析が不十分である。
- 本研究は，高次元設定におけるスペクトルアルゴリズムの学習曲線と良性過学習を詳細に分析し，理解を深めることを目指す。
- 学習曲線はU字型ではなく，過正則化，未正則化，補間という3つの明確な領域を持つことが示された。
- ソース条件が正かつ臨界値以下である場合，未正則化および補間領域で一貫して良性過学習が発生することが確認された。
- 十分正則化された領域では，カーネル学習曲線が関連する系列モデルによって再現されることが示された。
2層ReLUネットワークの明示的な積分表現と定量的な境界 [stat.ML, cs.LG]目的：2層ReLUネットワークの明示的な積分表現の構築
- 深層学習の理論的な理解を深める上で重要であり，モデルの汎化性能向上に繋がる。
- ReLUネットワークの表現能力と近似精度を理論的に評価することが困難である。
- ReLUネットワークの近似誤差が，次元や次数に依存しない形で定量化する。
- 2層ReLUネットワークに対し，多変数多項式に対する明示的な積分表現が構成された。
- 特定の積分表現に対し，調和拡張と射影を用いた定量的な境界が導出された。
- 近似誤差が，係数と分布にのみ依存することが示され，次元や次数への依存性がないことが確認された。
話者認識における説明可能なAI -- 潜在表現の理解可能性向上 [q-fin.RM, cs.CE, cs.SY, eess.SY, eess.AS, cs.AI, eess.SP]目的：話者認識ネットワークの潜在表現における未知の組織的パターン解明
- 話者認識は，セキュリティやヒューマン・コンピュータ・インタラクションにおいて重要な技術である。
- 深層学習モデルの判断根拠が不透明であり，説明可能性の欠如が課題となっている。
- ネットワーク表現空間における階層的クラスタリング現象を明らかにし，解釈可能性を高める。
- SLINKおよびHDBSCANアルゴリズムを用いて，潜在表現が独立したクラスタを形成するのではなく，階層的な関係性を持つことを示した。
- 階層クラスタと定義済みの意味的クラス（性別，国籍など）との間の対応付けアルゴリズム（HCCM）を開発した。
- Liebig's scoreという新しい指標を提案し，対応付けの性能を定量的に評価することで，性能制限要因の特定を試みた。
入力とノイズチャネルの不一致に対する非線形非ガウス密度操縦：制御アフィン・シュレーディンガーブリッジ問題を解くためのメモリ付きシンコーン法 [math.OC, cs.AI, cs.LG, cs.SY, eess.SY, stat.ML]目的：制御アフィン・シュレーディンガーブリッジ問題における密度操縦
- 最適な密度操縦は，制御された拡散において重要な役割を果たす。
- 制御チャネルとノイズチャネルが比例しない場合，標準的なシンコーン法は適用できない。
- 入力とノイズチャネルの不一致があるシュレーディンガーブリッジ問題を解く。
- 提案手法は，メモリ付きシンコーン法を用いることで，非線形偏微分方程式を解く。
- 入力とノイズチャネルの不一致がある制御アフィン・シュレーディンガーブリッジ問題を解決する。
- 提案アルゴリズムの局所安定性が証明された。
物理情報に基づいた時間的U-Netによる高精度流体補間 [physics.flu-dyn, cs.CV, cs.LG, math.DS, nlin.CD, physics.data-an]目的：高精度流体補間手法の開発
- 流体解析は，気象，海洋，航空など幅広い分野で重要であり，高精度なシミュレーションが求められる。
- 従来の深層学習による補間手法では，空間のぼかしや時間的なちらつきが発生しやすい。
- 流体の物理法則を考慮し，滑らかな遷移と端点の一貫性を保証することで，より高精度な補間を実現する。
- 提案手法は，標準的なL1ベースラインと比較して，平均絶対誤差を0.015まで低減し，0.085を達成した。
- 空間パワースペクトル密度分析により，提案手法が高周波の乱流詳細を保持できることが示された。
- VGGに基づく知覚損失と物理情報ブリッジの統合により，構造とテクスチャの忠実度が向上した。
メビウス関数の学習について（または学習できないことについて） [math.NT, cs.LG]目的：メビウス関数またはリーウヴィル関数の学習に関する下限
- 数論における基本的な関数であり，その性質の理解は素数分布などに応用がある。
- メビウス関数は，特定の条件下で学習が困難であると考えられている。
- 様々な学習手法におけるメビウス関数の学習可能性限界を定量的に評価する。
- カーネル法，ノイズ付き勾配法，相関統計的クエリアルゴリズム等の手法において，メビウス関数の学習下限が証明された。
- 有限アーベル群のデジタル文字との相関に関する定量的な上限を用いて結果が導かれた。
- 本研究で得られた下限は，ある種のデジタル素数定理と密接に関連している。
オンラインニュートン法のネステロフ加速スケッチによる推論 [stat.ML, cs.LG, math.OC, stat.CO]目的：ストリーミングデータにおけるオンライン手法の不確実性定量
- ストリーミングデータ処理において，信頼性の高い意思決定には原理的な不確実性評価が不可欠である。
- 一次手法は計算効率が良いが，共分散行列の更新に高いコストがかかり，条件数やノイズの影響を受けやすい。
- ヘッセ行列の平均化を用いたオンラインニュートン法により，効率的かつロバストな推論を可能とする。
- 提案手法は，ネステロフ加速を用いたスケッチアンドプロジェクトソルバーにより，一次手法と同等の計算複雑度を達成する。
- 標準的な滑らかさおよびモーメント条件の下で，大域的なほぼ確実な収束と，最終イテレートの漸近正規性が証明された。
- リャプノフ方程式によって特徴付けられる限界共分散を持つ，完全オンラインの共分散推定器が開発された。
形式化における画期的な出来事：8次元球充填問題 [math.MG, cs.AI, cs.LO, math.NT]目的：8次元球充填問題の形式的検証
- 球充填問題は，数学における古典的な未解決問題であり，様々な分野に影響を与える。
- 複雑な数学的構造のため，形式的な検証は非常に困難であった。
- 人間の数学者と自動形式化モデルの協調による検証プロセスの確立。
- 2016年にViazovskaが8次元球充填問題をモジュラー形式を用いて解決した。
- 2026年2月，その解はLean Theorem Proverを用いて形式的に検証された。
- 検証の最終段階は，Math, Inc.の自動形式化モデル'Gauss'によって行われた。
グラフニューラルネットワークを用いた離散構造要素の状態ベイズ推定のための確率グラフモデル [stat.ML, cs.LG, stat.ME]目的：離散構造要素の状態のベイズ推定のための確率グラフモデル
- 社会インフラの健全性評価は，安全性確保や維持管理において不可欠である。
- 構造物の状態を観測データから推定する逆問題は，一般的に解が一意に定まらない。
- ベイズ推定の計算コストを削減し，高次元問題への適用を可能にすること。
- 本研究では，確率グラフモデルとグラフニューラルネットワークを組み合わせた新しいベイズ推定手法を提案した。
- 提案手法は，確率グラフモデルの推論によってベイズ推定の事後確率密度関数と同等の確率推定を実現できることを示した。
- グラフ構造に着目した学習戦略により，様々な規模のグラフに対して高精度な推論が可能となり，計算コストを大幅に削減できることを確認した。
EyeBrain：瞳孔径と注視時間による左右脳の活動領域分類 [quant-ph, cs.ET, eess.SP, cs.NI, q-bio.NC, cs.AI, cs.HC]目的：左右脳の活動領域分類
- 脳の側性化と認知機能の関連性は広く知られているため，脳機能の理解に重要である。
- 眼球運動指標を用いた脳の側性化活動の識別は，未だ十分に解明されていない。
- 眼球運動指標により，左右脳の活動領域を識別し，認知機能の評価に貢献することを目指す。
- 瞳孔径と注視時間は，左右脳の活動領域分類に有効であることが示された。
- F1スコア0.894という高い分類性能が得られ，眼球運動指標が左右脳活動の頑健な指標となることが示唆された。
- 本研究は，認知モニタリングや神経リハビリテーションへの応用が期待される。
フェルマー距離を用いた高次元半教師あり分類 [stat.ML, cs.LG]目的：高次元データにおける半教師あり分類問題への取り組み
- 機械学習において，ラベル付きデータが限られ，ラベルなしデータが大量に存在する状況は頻繁に生じる。
- 高次元データにおける半教師あり分類は，データの潜在的な構造を捉えることが困難である。
- フェルマー距離に基づき，クラスタ構造を考慮した分類手法を開発し，分類性能の向上を目指す。
- フェルマー距離に基づく重み付きk近傍法や多次元尺度構成法による分類器を提案した。
- 理論的に，クラスタ内での期待超過リスクの下限を導出し，フェルマー距離を用いた重み付きk近傍法がミニマックス最適性を持つことを示した。
- 実験的に，提案手法が既存のグラフベースの半教師あり分類器と同等またはそれ以上の性能を示すことを確認した。
カオス動力学における固定リザーバー型と変分型量子アーキテクチャ：ローレンツ系におけるQRCとQPINNのベンチマーク [physics.soc-ph, cs.SI, quant-ph, cs.LG]目的：カオス性時系列予測における量子アプローチの比較
- 量子機械学習は，NISQデバイスでの計算能力向上の鍵となる。
- 変分型量子モデルの学習には大きなオーバーヘッドが伴う場合がある。
- 学習コストを抑えつつ，量子計算の優位性を示すアーキテクチャを探索する。
- 固定リザーバー型量子計算（QRC）は，変分型量子物理学情報ニューラルネットワーク（QPINN）と比較して，平均二乗誤差を81%低減した。
- QRCは，QPINNよりも約52,000倍高速に学習を完了した（0.2秒対約2.4時間）。
- QRCの優位性は，固定リザーバーアーキテクチャに起因すると考えられ，今後の大規模量子ビット数での検証が期待される。
量子材料特性評価の加速：自律スピン波分光のためのハイブリッドアクティブラーニング [cond-mat.mtrl-sci, cs.LG]目的：自律中性子分光における信号検出，ハミルトニアン推論，パラメータ最適化の課題解決
- 量子材料の理解と設計には，その磁気的特性の正確な評価が不可欠である。
- 従来の手法では，分光測定の効率が悪く，時間とコストがかかるという問題がある。
- アクティブラーニングを用いて，効率的な測定計画とモデル選択を実現し，特性評価を加速する。
- 物理モデルに依存しない手法が，物理モデルに基づく計画よりも安定して低い誤差閾値を達成し，測定回数を削減した。
- TAS-AIは，近接相互作用のみとJ1-J2ハミルトニアンの識別において，10回未満の測定で決定的な証拠比率（>100）を達成した。
- 偽陽性による過剰最適化を抑制する制約付き反証チャネルが，モデル選択を加速し，測定時間の短縮に貢献した。
ソルバーを意識した乱流クロージャーの深層学習：ノッジング付きLESダイナミクスからの学習 [physics.flu-dyn, cs.LG, math.DS, physics.comp-ph, physics.geo-ph]目的：大規模渦シミュレーション(LES)のための乱流クロージャーモデルの深層学習
- 乱流は自然界および工学において普遍的に存在する現象であり，その高精度なモデル化は重要である。
- 従来の乱流クロージャーモデルは，計算コストや精度の限界といった課題を抱えている。
- 深層学習を用いることで，より高精度かつ安定な乱流クロージャーモデルを構築し，様々な数値スキームへの適用を可能とする。
- 本研究では，連続データ同化(CDA)アプローチ(ノッジング)に着想を得た新たな深層学習手法を提案した。
- この手法により，粗解像度LES向けのクロージャーモデルを事前学習で訓練し，スパースな観測データ（DNSデータ）を用いて真の統計量を捉える強制力を学習することが可能となった。
- 提案手法は，長期間の安定性を維持し，ソルバーを通じた逆伝播や随伴計算を必要とせず，様々な数値・時間スキームへの適応性を示した。
大規模神経科学時代の統合神経サイバネティックモデリング [math-ph, cs.SC, math.MP, math.OC, cs.SY, eess.SY, q-bio.NC, cs.LG]目的：行動理解のための統合神経サイバネティックモデルの構築
- 大規模神経科学は，脳機能解明の基盤であり，行動のメカニズム理解に不可欠である。
- 既存のモデリングは実験単位で孤立しており，脳・身体・環境の統合的理解が困難である。
- 脳と環境の閉ループ結合を捉え，行動を生成する原理を推論するモデルを開発する。
- 本研究は，非線形状態空間モデルとメタダイナミクスを組み合わせたスケーラブルな推論手法を提案する。
- 記録データ，行動，摂動，解剖学的情報などを統合することで，統計的増幅と汎化性能の向上が期待される。
- 統合神経サイバネティックモデルは，脳がどのように行動を生み出すかのメカニズム解明に貢献しうる。
因果推論のための生成的合成データ：落とし穴，対策，そして機会 [stat.ME, cs.AI, stat.ML]目的：因果推論における合成データの利用可能性
- データ利用におけるプライバシー保護の重要性が増しており，合成データはその有望な解決策となる。
- 合成データが予測精度を保ちながら，因果関係を正確に反映しているかの検証が不十分である。
- 因果推論において，合成データが因果効果推定を歪曲しないよう，その生成方法を改善すること。
- 完全生成型合成モデルでは，予測性能は高いものの，平均処置効果などの因果推定量の歪みが確認された。
- 提案手法であるハイブリッド合成データフレームワークは，ATEの保全において完全生成型モデルよりも大幅な改善を示した。
- 合成シミュレーションエンジンにより，様々な推定器の性能を現実的な共変量構造下で比較評価することが可能となった。
準二次勾配：準ニュートン最適化におけるBFGS法の高速化に向けた新たな方向 [math.CO, cs.DM, math.NT, math.OC, cs.AI]目的：BFGS法の収束速度向上
- 最適化問題は，科学技術の様々な分野で不可欠であり，効率的な解法が求められている。
- BFGS法は広く利用されているが，大規模問題では計算コストが課題となる場合がある。
- 準二次勾配を用いることで，BFGS法の収束性を高め，計算効率を維持することを目指す。
- 提案手法である準二次勾配は，既存のBFGS法と比較して，収束速度が大幅に向上することが示された。
- この手法は，ヘッセ行列の近似と現在の勾配の積として定義することで，局所的な二次曲率情報を活用している。
- 理論的な解析と実験結果の両方において，提案手法の有効性が確認された。
ほぼ最適なサブデータ選択 [stat.ME, cs.LG, stat.ML]目的：サブデータ選択における情報最大化
- データ量の増大に伴い，計算資源の制約やラベル付けコストが課題となるため，効率的なデータ選択が重要である。
- 最適なサブデータ選択はNP困難であり，計算コストが高く，現実的な応用が難しいという問題がある。
- 最適な近似設計理論に基づき，計算可能で高効率なサブデータ選択手法を開発し，既存手法を凌駕することを目指す。
- 提案手法は，汎用的なモデルに対応し，任意のデータ数や選択数，最適化基準をサポートする。
- 本手法で選択されたサブデータは，既存手法よりも高い効率を示すことが実験的に確認された。
- サブデータ選択の効率評価のための厳密な上限・下限を導出する手法を提示した。
量子Transformerは役に立つか？テーブル型ベンチマークにおける体系的なVQCアーキテクチャ比較 [quant-ph, cs.AI]目的：テーブル型データに対するVQCアーキテクチャの精度とパラメータ数のトレードオフの比較
- 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いるため重要である。
- 近接量子デバイスにおけるVQCの性能はアーキテクチャに大きく依存するが，最適なアーキテクチャは不明である。
- 本研究は，実用的なVQCアーキテクチャの選定に関する指針を示すことを目指す。
- 全結合型VQCは，Transformer型VQCの精度をほぼ維持しつつ，パラメータ数を大幅に削減できることが示された。
- 全結合型VQCのブロック間結合方式は，Attention機構を部分的に模倣し，量子的な自己Attentionによる改善は限定的であった。
- 量子回路の表現力は，深さ3程度で飽和すること，全量子TransformerのLayerNormが分類精度を向上させることが確認された。
浮体式洋上風力タービンの多スケール動的ウェイクモデル化：フーリエニューラル演算子と物理情報ニューラルネットワークの活用 [physics.flu-dyn, cs.LG]目的：浮体式洋上風力タービンの多スケール動的ウェイク予測
- 洋上風力発電は再生可能エネルギー源として重要であり，高効率な制御と性能最適化が求められる。
- ウェイク（風の流れの乱れ）の正確な予測は困難であり，リアルタイム制御の妨げとなっている。
- 浮体式洋上風力タービンのウェイクをより正確かつ迅速に予測する手法を確立すること。
- フーリエニューラル演算子（FNO）と物理情報ニューラルネットワーク（PINN）を用いてウェイク予測を試みた。
- FNOはPINNよりも高周波の構造や時間変動の強度をより正確に捉え，ウェイクのメアンダリングを忠実に再現した。
- FNOはPINNに比べて学習速度が約8倍速く，ウェイク予測において優れた性能を示した。
スライス正則化オプティマル輸送 [stat.ML, cs.LG]目的：オプティマル輸送の新たな正則化手法
- 最適輸送は，確率分布間の距離を測る上で重要な役割を果たす。
- 既存手法では，計算コストが高く，大規模データへの適用が困難な場合がある。
- 効率的な計算と精度の向上の両立を目指す。
- 提案手法（SROT）は，既存手法（EOT）と同等の計算効率を維持しつつ，より正確な最適輸送計画を近似できる。
- SROTは，参照となるスライスオプティマル輸送計画自体も改善する。
- 実験結果から，SROTがEOTやSOTよりも正確な最適輸送近似を提供することが示された。
条件付きスコアに基づく効果的なランジェバン力学のモデル化 [stat.ML, cs.LG, nlin.CD]目的：複雑系の有効力学のドリフトおよび拡散係数の推定手法
- 複雑系の挙動を効率的に記述するため，確率的低次元モデルが不可欠である。
- 高次元，粗い時間分解能，不均一なデータなど，従来の推定方法は限界がある。
- 有限時間遷移密度の条件付きスコアを用いた，新たなデータ駆動型較正法を提案する。
- 提案手法は，ラグ関数の導関数を静止的な期待値として表現し，ドリフトと拡散構造を直接制約する。
- 軌跡の微分，状態空間の分割，候補モデルの反復積分を必要とせず，計算効率が良い。
- 解析的に扱いやすい系およびデータ駆動型非平衡拡散において，モデルの精度と安定性が確認された。
モデル予測の重み付けと平均化のための発散度に基づく手法 [math.CO, cs.DM, math.SP, stat.ML, cs.LG, stat.ME]目的：モデル予測の重み付けと平均化手法
- 統計的モデリングや機械学習において，複数のモデルを組み合わせることで予測精度向上が期待される。
- モデル選択や重み付けの方法が適切でない場合，期待される性能向上が得られないことがある。
- サンプルサイズが小さい場合でも有効な，新しいモデル重み付け手法を提案する。
- 最小発散度に基づくフレームワークを用いることで，統計モデルや機械学習モデルの予測を平均化する新しい重み付け手法を提案した。
- 提案手法は，頻度主義，ベイズ主義，その他の推定方法で適合されたモデルに適用可能であり，標準的なモデル平均化手法と比較して，特にサンプルサイズが小さい場合に優れていることが実験的に示された。
- 理論的な分析により，提案手法が小規模サンプルで優位性を示す理由が説明された。
生成ドリフトにおける識別可能性と安定性：伴随楕円カーネル族 [math.CO, cs.DM, stat.ML, cs.LG]目的：分布整合における生成ドリフトの基盤となるドリフト場の識別可能性と安定性
- 機械学習において，データの分布を効率的に学習することは重要な課題である。
- 生成ドリフトは理論的な枠組みを提供するが，ドリフト場の挙動は未だ十分に解明されていない。
- 伴随楕円カーネル族を用いることで，ドリフト場の識別可能性と安定性の条件を明らかにする。
- 伴随楕円カーネル族は，ラプラスカーネルやマターンカーネルを含むことが示された。
- ドリフト場が消失するための必要十分条件は，２つの確率測度の等価性であると証明された。
- ドリフト場のノルムのみの制御では弱い収束が保証されない場合があるが，固有のオーバーラップスカラーの下限を課すことで弱い収束が回復される。