arXiv雑要約
AI - 2026/04/28 公開
教師あり学習には不可避な幾何学的盲点：理論，帰結，および最小限の修正 [cs.LG, cs.AI, cs.CV]目的：教師あり学習の幾何学的盲点に関する理論的解明とその影響軽減策
- 機械学習モデルの堅牢性は重要であり，特に敵対的攻撃に対する防御は不可欠である。
- 従来の堅牢性向上手法が，汎化性能と堅牢性のトレードオフを引き起こすことが問題となっている。
- 教師あり学習に固有の幾何学的盲点を特定し，その影響を軽減する手法を提案する。
- 教師あり学習は，訓練ラベルと相関する方向に非ゼロの感受度を保持する必要があり，それが幾何学的盲点となる。
- 敵対的攻撃に対する堅牢性を高めるPGDは，クリーン入力の幾何学的構造を悪化させることが示された。
- 新しい指標TDIにより，モデルの幾何学的異方性を診断し，PMHによる修正が有効であることが確認された。
GeoMind：根拠に基づいたツール呼び出しによる岩石分類のためのエージェントワークフロー [cs.AI]目的：井戸ログにおける岩石分類
- 地質探査において，地層の岩石タイプを正確に特定することは，資源評価や地質モデル構築に不可欠である。
- 既存手法は静的な識別マッピングに依存し，地質学的知識や根拠に基づいた推論が不足している場合がある。
- 地質学的制約と証拠に基づいた，より信頼性の高い岩石分類プロセスを確立すること。
- GeoMindは，知覚，推論，分析のモジュールから構成されるエージェントワークフローとして岩石分類を段階的に行う。
- 入力特性に応じてモジュールを適応的に調整し，地質学的に妥当な判断を可能にする。
- 4つのベンチマークデータセットにおいて，既存手法を上回る分類性能と透明性の高い意思決定プロセスを実現した。
人間とAIの協調による高精度な動画言語の構築 [cs.CV, cs.AI, cs.CL, cs.LG, cs.MM]目的：動画の理解と生成における精度向上
- 動画と自然言語を結びつける研究は，映像コンテンツの活用範囲を広げ，多様な応用を可能にする点で重要である。
- 既存の動画言語モデルは，動画の内容を詳細かつ正確に記述することが難しく，専門的な用途には不十分である。
- 専門家による検証とAIによる生成を組み合わせることで，動画の記述精度を向上させ，より高度な制御を実現することを目指す。
- 専門家による批判と修正を繰り返す「CHAI」フレームワークによって，動画キャプションのアノテーション精度と効率が向上した。
- CHAIで得られた批判データを用いてオープンソースモデルを学習した結果，クローズドソースモデルを凌駕する性能が確認された。
- 詳細な仕様と人間とAIの協調により，プロレベルの動画理解と生成が可能になることが示された。
ラーメン：アクティブサンプル選択による視覚言語モデルの頑健なテスト時適応 [cs.CV, cs.LG]目的：視覚言語モデルのテスト時適応における頑健性向上
- 視覚言語モデルは汎化性能が高いが，分布シフトに弱いという課題がある。
- 既存手法は単一ドメインを前提としており，混合ドメイン環境下では性能が低下する。
- 混合ドメイン環境下でも頑健なテスト時適応を可能にすること。
- 提案手法Ramenは，ドメインの一貫性と予測のバランスに基づいたアクティブサンプル選択により，分布シフトへの適応を可能にする。
- 過去のテスト画像の埋め込みと勾配をキャッシュすることで，計算効率を高めている。
- 複数のベンチマークにおいて，Ramenは複雑な混合ドメイン環境下で高い性能と安定性を示す。
推論能力による思考：より少ないトークンで，より高い精度 [cs.AI]目的：再利用可能な推論スキルの抽出と活用
- 大規模言語モデルの性能向上は，複雑な問題解決において不可欠である。
- 従来の推論手法では，冗長な中間推論ステップにより計算コストが増大する。
- 推論に必要なトークン数を削減し，効率的かつ高精度な問題解決を目指す。
- 本研究では，大規模な試行錯誤から抽出した推論スキルを保存・再利用する手法を提案した。
- 推論スキルを想起させることで，モデルは不要な迂回を避け，効果的な解決経路に集中できる。
- コーディングおよび数学的推論タスクにおいて，推論トークン数を大幅に削減しつつ，全体的なパフォーマンスを向上させた。
コンプライアンス・モラルハザードと逆効果のマンドート [cs.GT, cs.LG]目的：分散型リスク分析のメカニズム設計
- 金融ネットワークにおけるマネーロンダリング対策は，社会経済の安定に不可欠である。
- 企業間でのリスク顧客情報の共有は，インセンティブの歪みにより困難である。
- インセンティブ設計を通じて，情報共有を促進し，コンプライアンス・モラルハザードを抑制すること。
- 時間価値割り当て（TVA）メカニズムは，金融機関の正直な報告をベイジス・ナッシュ均衡として実現する。
- 競争圧力はコンプライアンス・モラルハザードを増幅させ，不適切なマンドートは福祉水準を低下させる可能性がある。
- シミュレーションの結果，TVAは自給自足やインセンティブ設計なしのマンドートよりも高い福祉水準を達成する。
ファインチューニング体制が連続学習の問題を規定する [cs.LG]目的：連続学習におけるファインチューニング体制の影響の評価
- 機械学習モデルの継続的な学習能力向上は，実世界への応用において重要である。
- 連続学習手法の比較評価において，ファインチューニング体制が固定されている場合が多い。
- ファインチューニング体制を考慮した評価プロトコルの必要性を示す。
- ファインチューニングの対象となるパラメータ空間の深さによって，手法の性能順位が変動することが示された。
- パラメータ空間の深さが深いほど，更新の大きさが大きくなり，忘却も増加する傾向にある。
- 更新の大きさと言われる忘却の間には強い相関関係が存在する。
ユニバーサルTransformerはメモリを必要とする：適応的再帰的推論における深さと状態のトレードオフ [cs.LG, cs.AI, cs.CL]目的：Sudoku-Extremeベンチマークにおける，単一ブロックのユニバーサルTransformer（UT）と適応的計算時間（ACT）を用いた学習済みメモリトークンの計算用スクラッチパッド
- 複雑な推論タスクの解決において，ニューラルネットワークの計算能力と効率性の向上が重要である。
- 従来のTransformerモデルでは，長い系列の依存関係を捉えることが難しく，計算コストも高くなる。
- ACTとメモリトークンを組み合わせることで，計算効率を維持しつつ，複雑な推論能力を獲得することを目指す。
- メモリトークンは，Sudoku-Extremeにおいて非自明な性能を達成するために不可欠であり，トークン数が少ない場合は性能が著しく低下する。
- 初期化時のバイアスが正の場合，モデルは学習初期段階で停止し，浅い均衡状態に陥るという罠が存在するが，負のバイアス（"deep start"）によって回避可能である。
- ACTは固定深さ処理よりも一貫性のある結果をもたらし，ラムダウォームアップを用いることで，少ない計算ステップ数で同等の精度を達成できる。
自発的な説得：日常会話におけるモデル説得力の監査 [cs.HC, cs.AI, cs.CL]目的：日常会話における言語モデルの説得戦略の使用状況の評価
- 大規模言語モデルの普及に伴い，人間とのコミュニケーションにおける説得の影響理解が重要となる。
- 従来の説得研究は意図的な説得に焦点を当てており，日常的な人間とAIの対話における説得のメカニズムが不明である。
- 言語モデルが示す自発的な説得戦略を明らかにし，人間との対話との違いを分析すること。
- 大規模言語モデルは，ほぼ全ての会話で自発的に説得を行うことが判明した。
- 言語モデルは論理的根拠や定量的な証拠に基づく情報戦略を多用する傾向にある。
- メンタルヘルスに関する会話では，評価や感情に基づく戦略の利用頻度が高まる。
人間とAIの共存に関する共進化理論：相互主義，統治，そして複雑な社会におけるダイナミクス [cs.CY, cs.AI, cs.HC, cs.NE]目的：人間とAIの共存関係の理論的枠組み
- AI技術の発展は社会に大きな影響を与えており，その倫理的・社会的な課題解決が重要である。
- 従来のロボット倫理はAIの進化に追いついておらず，現代のAIシステムの実態を捉えきれていない。
- 人間とAIの関係を単なる主従関係ではなく，相互主義に基づく共進化の関係として捉え，その実現条件を探る。
- 本研究は，人間とAIの関係を，相互供給と需要の結合，ペナルティ，発達の自由，そして統治の正則化を含む多重動的システムとして定式化した。
- シミュレーション結果から，統治された相互主義は支配を伴わない高い共存レベルを達成し，統治の欠如や過剰は支配，弱利益の固定化，または発展の抑制につながることが示された。
- 人間とAIの共存は，一度限りの服従の問題ではなく，共進化的な統治の問題として設計されるべきであるという示唆が得られた。
拡散モデルを用いた異常領域特定のための統計的検定：選択的推論によるアプローチ [cs.CL, stat.ML, cs.CV, cs.LG]目的：画像における異常領域の統計的有意性の評価
- 医療診断や産業検査など，異常を特定する技術は，安全性や品質管理において不可欠である。
- 生成モデルを用いる手法は信頼性が課題であり，誤検出のリスク評価が重要となる。
- 選択的推論に基づき，誤検出率を制御することで，信頼性の高い異常領域特定を目指す。
- 提案手法は，検出された異常領域に対するp値を算出することで，誤検出の可能性を定量的に評価する。
- 拡散モデルを用いた実験により，提案手法が誤検出のリスクを効果的に抑制することが示された。
- 本手法は，重要な意思決定を伴うタスクにおいて，信頼性の高い異常検出を支援することが期待される。
加速MRI再構成のための二重領域マルチパス自己教師あり拡散モデル [eess.IV, cs.AI, cs.CV]目的：加速MRI再構成の精度，効率，解釈性の向上
- MRIは重要な診断ツールだが，長時間撮影が臨床効率と患者の快適性を損なう
- 既存の拡散モデルは完全なデータ依存，高コスト，不確実性推定の欠如の問題がある
- 完全なデータに依存せず，臨床現場で実用的な再構成を可能にすること
- 提案手法DMSMは，複数のベースラインと比較して優れた性能を示し，特に高加速条件下で微細な解剖学的構造の保持とアーチファクトの抑制に効果が見られた。
- DMSMは，再構成誤差と相関する不確実性マップを生成し，臨床的な解釈可能性と診断への信頼性向上に貢献する。
- 自己教師あり二重領域拡散モデル学習，軽量なハイブリッドアテンションネットワーク，マルチパス推論により，精度向上を実現した。
演算子値カーネルを用いた正則化確率的勾配降下法による演算子の学習 [eess.SP, cs.SY, eess.SY, stat.ML, cs.LG, math.FA, math.ST, stat.TH]目的：演算子推定問題における予測誤差と推定誤差の上界
- 機械学習における回帰問題は重要であり，その適用範囲は広い。
- 演算子推定問題は，逆問題としての性質から解が一意に定まらない場合がある。
- 演算子値カーネルと正則化SGDを用いて，安定した解を求めることを目指す。
- 演算子値カーネルを用いることで，無限次元空間における確率的勾配降下法の収束性を解析した。
- 予測誤差と推定誤差に対して，次元に依存しない上界を得ることに成功した。
- 得られた収束率は最適に近いことが示され，高確率推定も導出した。
大規模オーディオ言語モデルの包括的評価に向けた考察：包括的サーベイ [eess.AS, cs.AI, cs.CL, cs.SD]目的：大規模オーディオ言語モデルの評価に関する体系的な分類
- 音声と言語の融合により，様々なタスクでの汎用性が期待される分野である。
- 既存の評価基準は断片的であり，構造的な分類が欠けている。
- 評価方法の整理と今後の研究方向性の提示を目指す。
- 大規模オーディオ言語モデル(LALM)の評価を，知覚・処理，知識・推論，対話能力，公平性・安全性・信頼性の4つの視点から分類した。
- 各カテゴリーにおける詳細な概要と，この分野における課題を提示した。
- 本サーベイはLALM評価に特化した最初の試みであり，コミュニティへの指針となる。
高次元における最適レートのプライバシー保護線形回帰 [stat.ML, cs.LG]目的：高次元データに対するプライバシー保護線形回帰における誤差率の改善
- データ分析におけるプライバシー保護の重要性が増しており，統計的推論の精度維持が課題である。
- 高次元データにおけるプライバシー保護線形回帰は，計算コストや誤差率の点で課題が多い。
- 勾配クリッピングや学習率の調整により，最適なプライバシー保護性能と精度を両立すること。
- 提案手法は，適切なクリッピング定数と学習率を選択することで，非漸近的なリスクが$O(\gamma + \gamma^2 / \rho^2)$となることを示した。
- このリスクはミニマックス最適であり，既存手法との比較により優位性を示唆する。
- 悪条件の場合，リスクは$\gamma$に関するべき乗則に従い，プライバシーパラメータ$\rho$の影響を明確化した。
ReLUを超えて：活性化関数がニューラルカーネルとランダムな広幅ネットワークに与える影響 [stat.ML, cs.LG]目的：活性化関数とニューラルカーネルの関係性の特徴づけ
- 深層学習の理論的理解を深める上で，ニューラルネットワークの数学的性質の解明が不可欠である。
- ReLU以外の活性化関数に対するカーネルの性質は十分に理解されておらず，理論的な分析が困難であった。
- ReLU以外の一般的な活性化関数に対しても，カーネルの再生核ヒルベルト空間を特徴づけることを目指す。
- 非滑らかな点を持つ活性化関数に対し，再生核ヒルベルト空間の特徴づけに成功した。
- SELU，ELU，LeakyReLUなど，広く利用される活性化関数への理論の拡張を実現した。
- ネットワークの深さや活性化関数の滑らかさに応じた再生核ヒルベルト空間の性質が明らかになった。
パーキンソン病の進行モデリング：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 [stat.ML, cs.LG, stat.AP]目的：パーキンソン病の進行モデリング
- パーキンソン病は進行性の神経変性疾患であり，早期発見と進行モニタリングが重要である。
- 既存の解析手法では，患者内相関や小規模な臨床データ，個々の病状進行の違いへの対応が課題である。
- 遠隔モニタリングによる音声データを用いて，より正確な病状進行予測を可能にすること。
- ニューラル混合効果モデルは柔軟な非線形表現が可能だが，サンプル数が少ない場合に過学習しやすいことが示された。
- 一般化加法混合モデル(GAMM)は，より高い予測性能と解釈可能な平滑効果，患者レベル構造を維持した。
- GAMMベースのアプローチが最も低い予測誤差(MSE 6.56)を達成し，ニューラルモデルはより大きな誤差(MSE > 90)を示した。
自己組織化メンリスタネットワーク：物理学習システムとしての可能性 [econ.GN, cs.DL, q-fin.EC, stat.OT, cond-mat.dis-nn, cond-mat.mes-hall, cond-mat.soft, cs.ET, cs.LG]目的：物理的基盤の非線形ダイナミクスを利用した学習
- 従来のハードウェアでは，計算知能を実現するための持続可能性が課題となっている。
- 従来のニューラルネットワークは，エネルギー消費や計算資源の制約がある。
- 自己組織化メンリスタネットワークを用いて，エネルギー効率の高い継続学習を実現する。
- 自己組織化メンリスタネットワーク（SOMN）内の複雑な相互作用が明らかになり，適応的挙動と学習への応用が示唆された。
- 平均場理論やグラフ理論等の理論的アプローチにより，SOMNのダイナミクスに関する理解が深まった。
- SOMNの適応的ダイナミクスと生物学的ニューロンネットワークの可塑性との類似性から，脳型コンピューティングへの応用が期待される。
ゲームタイム：音声言語モデルにおける時間的ダイナミクスの評価 [math.CO, cs.DM, eess.AS, cs.AI, cs.CL]目的：音声言語モデルの時間的ダイナミクス評価のためのベンチマーク
- リアルタイムな音声対話の重要性が増しており，自然なコミュニケーションを実現する技術が求められている。
- 既存の音声言語モデルは，タイミング，テンポ，同時発話などの時間的要素の扱いに課題がある。
- 時間的制約下での音声言語モデルの性能を評価し，時間認識能力の向上を目指す。
- 新たに「Game-Time Benchmark」を開発し，音声言語モデルの時間的側面を体系的に評価できるようになった。
- 最先端モデルは基本的なタスクはこなせるものの，時間的制約下では性能が著しく低下することが明らかになった。
- 本ベンチマークは，時間認識能力の高い対話型AI開発の基礎となる。
深層線形ネットワークにおける測地線 [math.DG, cs.LG, math.DS]目的：深層線形ネットワーク幾何学における全ランク行列間の測地線の導出
- 機械学習モデルの理解を深める上で，深層ネットワークの幾何学的構造の解析が重要である。
- 深層ネットワーク上の測地線の解析は，最適化問題の理解を妨げる要因となっている。
- 深層線形ネットワークにおける測地線の解析を通して，最適化の性質解明を目指す。
- 深層線形ネットワーク幾何学における測地線に関する一般化された常微分方程式系を導出した。
- 特別な場合において，測地線の解析解を求めた。
- 不変な均衡多様体における水平な直線が，リーマン部分多様体化の下で測地線として保持されることを示した。
トークン即ち価格 [econ.TH, cs.AI]目的：緊急性の異なる購入者をスクリーニングするダイナミック情報サービスの販売メカニズム
- 情報サービス市場の効率的な価格設定は，収益最大化と顧客満足度向上の鍵となる。
- 購入者の緊急性が非公開であるため，適切な価格設定メカニズムの設計が困難である。
- 情報流通量制約下で収益を最大化するメカニズムを明らかにすることで，トークン制価格設定の根拠を与える。
- 最適なメカニズムは，単一の信念プロセスを利用し，停止時間の上限メニューによって購入者をスクリーニングすることである。
- この結果は，消費者向けサブスクリプションからB2B APIサービスまでのトークン制 GenAI 価格設定を正当化する。
- 異質評価や内生的な推論品質を考慮しても，結論は変わらない。
データ駆動型予測制御のためのロバスト最小二乗最適化：幾何学的アプローチ [math.OC, cs.LG]目的：データ駆動型予測制御におけるロバスト最小二乗最適化手法
- 制御システムの性能向上には，外乱やモデル誤差に対するロバスト性が不可欠である。
- 既存のロバスト最小二乗法は，不確実性のモデル化や計算効率に課題が残されている。
- 幾何学的解釈に基づき，より堅牢かつ効率的なロバスト最小二乗最適化手法を開発する。
- 最小二乗問題を，計測データと真のデータ空間の近似的な部分空間包含として解釈する幾何学的アプローチを提案。
- グラスマン多様体上の距離を用いて不確実性をモデル化することで，効率的なアルゴリズムを実現。
- データ駆動型予測制御への適用により，既存手法よりも高いロバスト性と有利なスケーラビリティを示す。
分岐フロー：分割と削除を用いた離散，連続，多様体フローマッチング [stat.ML, cs.LG]目的：生成モデリングのためのフレームワーク
- 画像生成やタンパク質設計など，連続状態空間における生成モデリングの可能性が示されている。
- 状態の要素数が事前に固定されていない場合，大規模言語モデルの応答長やタンパク質鎖のアミノ酸数などに課題がある。
- 要素数の変化を制御可能な生成モデリングフレームワークを構築し，新たな機能を可能にすること。
- 分岐フローは，単純な分布をデータ分布へと変換する。
- モデルはバイナリツリーの森林を通して状態要素を進化させ，分岐と消滅を確率的に制御する。
- 低分子生成，抗体配列生成，タンパク質バックボーン生成の各ドメインで有効性が確認された。
BERT-APC：音楽的文脈推論による自動ピッチ補正のための参照不要フレームワーク [eess.AS, cs.AI, cs.SD]目的：自動ピッチ補正の性能向上
- ボーカル録音の品質は音楽制作において重要であり，ピッチ補正はその不可欠な要素である。
- 既存の自動ピッチ補正システムは，参照音程への依存や自然な表現の欠如といった課題を抱えている。
- 音楽的文脈を考慮することで，参照音程なしに自然で表現力豊かなピッチ補正を実現することを目指す。
- 提案手法BERT-APCは，既存の歌声トランスクリプションモデルと比較して，特に音程のずれが大きいサンプルにおいて高い正答率を示した。
- 主観評価（MOSテスト）において，BERT-APCはAuto-TuneやMelodyneよりも高い音質評価を得た。
- 音楽言語モデルを活用することで，参照音程なしの自動ピッチ補正を記号的な音楽的文脈に基づいて実現した。
格子熱伝導率と全熱伝導率の比：データ駆動型熱電設計のためのフォノンガラス電子結晶記述子 [cond-mat.mtrl-sci, cs.LG]目的：高性能熱電材料探索のための定量的な指標の提供
- 熱電材料は，エネルギーハーベスティングの有望な候補であり，その性能向上が重要である。
- 低熱伝導率材料の探索が進められているが，効率的な材料設計指針が不足している。
- フォノンガラス電子結晶（PGEC）概念に基づいた最適比を指標として材料探索を効率化する。
- 高ZT材料は，低熱伝導率領域に存在するだけでなく，格子熱伝導率と全熱伝導率の比が約0.5付近に集積していることが示された。
- この最適な比は，よく知られるPGEC設計概念を定量的に記述する指標として機能する。
- 機械学習モデルを用いて10万件以上の無機化合物に対しスクリーニングを行った結果，極めて低い熱伝導率を示す2522件の候補物質を特定した。
DNN，データセット統計，相関関数 [physics.hist-ph, cond-mat.stat-mech, cs.LG]目的：画像認識におけるデータセット構造の重要性
- 画像認識はAI分野の基盤であり，社会への応用範囲が広い。
- DNNの汎化性能は理論上説明が難しく，データセットの影響が不明確である。
- DNNが学習する高次相関関数の発見と，汎化性能の向上メカニズムの解明。
- DNNは，物性物理学における中間スケール相関構造に着目した手法と類似性を持つ。
- 画像分類に成功するDNNは，高次の相関関数を発見していると考えられる。
- 本研究は，DNNの汎化性能の謎を解き明かす新たな視点を提供する。
大規模AIモデルにおける疎なMixture-of-Expertsの補助損失なしロードバランシングの理論的枠組み [math.OC, cs.AI, cs.LG]目的：大規模AIモデルにおける疎なMixture-of-Expertsのロードバランシング手法の理論的分析
- AIモデルの規模拡大に伴い，計算資源の効率的な活用が重要となっている。
- 疎なMixture-of-Experts構造では，専門家（expert）の負荷分散が課題となっていた。
- 補助損失なしロードバランシング（ALF-LB）の理論的根拠を明らかにし，その性能を保証すること。
- ALF-LBは，専門家へのトークン割り当て問題を解決するための双対法として定式化できることが示された。
- 理想的な条件下では，ラグランジュ目的関数の単調増加，負荷分散ルール，および近似的な平衡保証が導かれた。
- オンライン設定下では，目的関数の強い凸性が示され，特定のステップサイズ選択下で対数的な期待後悔限界が導かれた。
部分線形生存データのための柔軟な深層ニューラルネットワーク：推定と生存推論 [math.OC, cs.SY, eess.SY, stat.ML, cs.LG]目的：部分線形回帰構造における生存データのモデリング
- 生存時間分析は，医療，生物学，社会科学など，様々な分野で重要な役割を果たす。
- 従来の生存分析手法は，比例ハザード仮定に依存しており，その仮定が満たされない場合に問題が生じることがある。
- 比例ハザード仮定に依存しない，柔軟かつ解釈可能な生存モデルの構築を目指す。
- 提案手法FLEXI-Hazは，興味のある共変量をパラメトリック線形成分で扱い，交絡変数の時間依存性を非パラメトリックな深層ニューラルネットワークで捉える。
- 深層ニューラルネットワーク成分は複合Holderクラス上でミニマックス最適収束率を達成し，線形推定量は漸近的に有効であることが示された。
- 新たな被験者に対する累積ハザード関数と生存関数の推定，および点ごとの漸近的信頼区間を導出した。
量子カーネル法を用いたSAR画像による海上物体の分類 [quant-ph, cs.LG]目的：SAR画像における海上物体の分類
- 違法漁業は世界経済に大きな損失をもたらし，海洋の持続可能性を脅かすため，監視が重要である。
- SAR画像における小型の海上物体の分類は，天候や照明条件に左右されやすく困難である。
- 量子カーネル法を適用し，SAR画像を用いた海上物体の分類精度向上を目指す。
- 実数値SARデータに対して量子カーネル法を適用した結果，古典的なカーネルと同等またはそれ以上の性能が得られた。
- 複素数値SARデータに対して特定の量子カーネルを適用した場合は，過学習が発生し性能が低下した。
- SAR画像における海上物体の分類に量子カーネル法を適用した初の研究であり，今後の展望と課題を示唆する。
内在性無秩序タンパク質を標的とするバイオ医薬品設計のためのスケーラブルなエージェント的推論 [q-bio.QM, cs.AI]目的：内在性無秩序タンパク質を標的とするバイオ医薬品の設計
- 疾患に関わるタンパク質の多くが無秩序領域を持つため，治療標的としての重要性が高い。
- 安定した構造を持たないため，従来の手法では標的化が困難な「ドラッガブルでない」タンパク質が存在する。
- 複雑な構造的特徴を持つIDPを標的とするバイオ医薬品設計を自動化し，創薬プロセスを効率化する。
- StructBioReasonerは，複数のエージェントが競合・協調する革新的な推論フレームワークを採用したスケーラブルなシステムである。
- Der f 21に対して設計・検証された787個の候補のうち，50％以上が文献中の既存の結合体よりも結合自由エネルギーが改善された。
- より複雑なNMNAT-2タンパク質に対しても，97,066個の結合体から3つの結合モードを特定し，NMNAT2:p53界面などの既知の相互作用部位も検出した。
浅いニューラルネットワークにおける学習可能なチャネル注意による低次球面多項式の学習 [stat.ML, cs.LG, math.OC]目的：低次球面多項式の学習
- 機械学習における関数近似の重要性が高まっており，複雑な関数を効率的に学習する方法が求められている。
- 過剰パラメータ化されたニューラルネットワークの学習に必要なサンプル数の理論的な理解が十分ではない。
- 学習可能なチャネル注意を用いた浅いニューラルネットワークのサンプル複雑性を最小化し，最適な学習率を実現すること。
- 本研究では，チャネル注意を備えた2層ニューラルネットワークにおいて，サンプル複雑性をΘ(d^(ℓ₀)/ε)に改善することを示した。
- このサンプル複雑性は最適であり，ネットワークのノンパラメトリック回帰リスクはΘ(d^(ℓ₀)/n)のシャープなレートを示す。
- 学習可能なチャネル選択アルゴリズムにより，ターゲット関数の真のチャネル数を特定し，最適な学習を可能にしている。
AIが高度化する天文学における「理解」の意味 [math.CO, cs.DM, astro-ph.IM, cs.AI, cs.LG]目的：AIの天文学研究への統合における理解の概念の明確化
- 天文学研究は，AI技術の急速な発展により変革期にあり，その影響は大きい。
- AI導入が技術的課題としてのみ捉えられ，認識論的考察が不足している。
- AIの能力と限界を理解し，妥当な評価基準と規範を確立すること。
- AIはデータから基本的な物理法則を導出するという誤解が生じやすいが，現代天文学は観測に基づくものである。
- 科学的理解は予測だけでなく，物語の構築や文脈判断，コミュニケーション能力を必要とする。
- AIの進歩は，研究課題の発見を容易にする一方，重要な課題の選定基準に影響を及ぼす可能性がある。
高精度表面コード復号のための専門家混合型ビジョンTransformer [math.CO, cs.DM, math.OC, quant-ph, cs.IT, cs.LG, math.IT]目的：量子エラー訂正における表面コード復号性能の向上
- 大規模量子計算実現には量子エラー訂正が不可欠であり，物理的なノイズから論理情報を保護する必要がある。
- 既存の復号器は計算コストや遅延，あるいはトポロジカルコードの構造活用の不足といった課題を抱えている。
- トポロジカルコードの格子構造を考慮した効率的かつ高性能な復号器を開発し，スケーラビリティを向上させる。
- 提案手法QuantumSMoEは，最新の機械学習復号器や古典的ベースラインを凌駕する性能を示すことが実験的に確認された。
- QuantumSMoEは，プラス型埋め込みと適応的マスキングによりコード構造を組み込み，局所的な相互作用と格子接続性を捉える。
- 専門家混合層と補助損失を導入することで，スケーラビリティの向上を実現している。
汎化線形文脈バンディットにおけるシャッフルと共同差分プライバシー [stat.ML, cs.LG]目的：汎化線形文脈バンディットにおける差分プライバシーを保証するアルゴリズムの開発
- 文脈バンディットは，パーソナライズされた推薦システムなど，様々な実用的な応用を持つ重要な研究分野である。
- プライバシー保護された文脈バンディットの研究は，線形報酬モデルに限定されており，より一般的な汎化線形モデルへの拡張が課題となっていた。
- 本研究では，汎化線形モデルにおいても差分プライバシーを保証し，実用的な性能を維持するアルゴリズムを提案する。
- 確率的文脈において，シャッフルDPアルゴリズムを設計し，$\tilde{O}(d^{3/2}\sqrt{T \log T}/\sqrt{\varepsilon})$ の後悔を達成した。
- 敵対的文脈においては，共同DPアルゴリズムを提示し，$\tilde{O}\!\big(d\sqrt{T} \log T + d^{3/4}\sqrt{T/\varepsilon}\,(\log T)\,(d + \log T)^{1/4}\big)$ の後悔を示した。
- 文脈分布に関するスペクトル的な仮定を必要とせず，$\ell_2$ Boundednessのみで十分である点を特徴とする。
暗黙的ハミルトニアンを持つ最適制御問題に対するヤコビアンフリー逆伝播の収束性 [math.OC, cs.LG, cs.NA, math.NA]目的：暗黙的ハミルトニアンを持つ最適制御問題におけるヤコビアンフリー逆伝播の収束性
- 最適制御は，ロボット工学や経済学など，様々な分野で重要な役割を担っている。
- 暗黙的ハミルトニアンを持つ場合，閉形式の最適制御則が得られず，学習が困難である。
- ヤコビアンフリー逆伝播を用いて，高次元最適制御問題における収束性を保証することを試みる。
- 本研究では，ミニバッチ法におけるヤコビアンフリー逆伝播の収束性を理論的に保証した。
- その結果，得られた更新は期待される最適制御目的の停留点に収束することが示された。
- マルチエージェント消費問題や群制御といった高次元問題への適用可能性も実証された。
自己教師あり深層学習を用いた心電図からの妊娠中ストレス検出：開発と外部検証 [q-bio.QM, cs.LG]目的：妊娠中のストレスの客観的な検出法の開発
- 妊娠中の心理的ストレスは，早産や神経発達への悪影響リスクを高めるため，早期発見が重要である。
- 現在のストレス評価は主観的な質問票に依存しており，継続的なモニタリングが困難である。
- 心電図データから客観的にストレスを検出し，継続的なモニタリングを実現することを目指す。
- 自己教師あり学習を用いて心電図から妊娠中のストレスを高い精度で検出できることを示した。
- 母体心電図，胎児心電図，腹部心電図の多層特徴抽出が，単一の埋め込み表現を上回る性能を示した。
- 外部検証データセットにおいても一定の精度が確認され，介入効果の検出にも成功した。
RealFin：ユーザーが情報を省略した場合，LLMは金融に関してどの程度推論できるか [q-fin.ST, cs.AI, q-fin.CP]目的：金融に関する推論能力の評価
- 金融判断は，個人の資産や経済に直接影響するため，その正確性が重要である。
- LLMは，明示的に述べられていない前提条件を理解することが苦手である。
- LLMが，情報不足の場合に回答を拒否する能力を向上させる。
- REALFINベンチマークを用いて，金融問題から本質的な前提を意図的に削除した際のLLMの性能を評価した。
- 汎用モデルは過剰な推測をする傾向があり，金融専門モデルは前提条件の欠如を明確に認識できないことが示された。
- 信頼性の高い金融モデルは，回答すべきでない質問を見抜く能力が不可欠であることが明らかになった。
ガウス過程を用いたベイズ最適化による定常点探索の高速化 [gr-qc, cs.MS, physics.comp-ph, physics.soc-ph, cs.RO, stat.ML, cs.LG, physics.chem-ph, physics.comp-ph]目的：ポテンシャルエネルギー面上における定常点探索の高速化
- 分子動力学計算等において，エネルギー最小化は不可欠であり，計算コストが課題となる。
- 高コストな電子構造計算を繰り返す必要があり，効率的な探索手法が求められている。
- ベイズ最適化を用いることで，電子構造計算回数を削減し，探索効率を向上させる。
- ベイズ最適化の枠組みを統一的に捉え，最小化，鞍点探索，双方向経路探索を同一ループで実現した。
- ガウス過程回帰と導関数観測，逆距離カーネル，能動学習を組み合わせることで，高い精度と効率性を両立した。
- 最遠点サンプリングやMAP正則化等の拡張機能，及びRustによる実装例も提示した。
履歴依存型構成則の信頼性のある学習のための最適実験計画 [cond-mat.mtrl-sci, cs.LG, cs.NA, math.NA, physics.comp-ph, stat.CO]目的：履歴依存型構成則の信頼性ある学習のための最適実験計画
- 材料のミクロな挙動をマクロなモデルで記述する上で，構成則は重要な役割を果たす。
- 実験データが限られる場合，構成則を正確に特定するためのパラメータ推定が困難となる。
- 実験計画を最適化することで，少ない実験回数で信頼性の高いパラメータを特定することを目指す。
- ベイズ最適実験計画法を導入し，パラメータの不確実性を定量化し，実験計画の有用性を最大化する。
- ガウス近似とサロゲート近似により，計算コストを削減し，高次元データへの適用を可能にした。
- 数値シミュレーションの結果，最適化された実験計画がランダムな計画よりもパラメータの特定能力を大幅に向上させることを示した。
満足化後悔最小化における非定常性の危険性 [stat.ML, cs.LG]目的：非定常K腕バンディットにおける満足化後悔保証
- 意思決定における満足化の原理に基づく研究であり，実用的な意思決定モデルの構築に貢献する。
- 従来の定常環境下での研究が中心で，現実的な非定常環境下での満足化後悔保証は未解明な部分が多い。
- 非定常環境下における満足化後悔の理論的限界を明らかにし，よりロバストなアルゴリズム開発の指針を提供する。
- 区分的に定常な環境において，最適な後悔量はセグメント数Lに比例し，Lが2以上であれば$\Theta(L\log T)$となることが示された。
- わずかな非定常性が存在する場合でも，後悔量はTに依存するスケールを持つことが明らかになった。
- 非定常バンディットに特化したFanoに基づく新しいフレームワークが提案され，古典的なFano法を拡張している。
フーリエ多重化器によるピクセル変換不変量子畳み込みニューラルネットワーク [math.MG, cs.CG, quant-ph, cs.LG]目的：ピクセル変換不変性を有する量子畳み込みニューラルネットワークの構築
- 畳み込みニューラルネットワークは画像処理等で高い性能を示すが，量子コンピュータへの応用が期待されている。
- 既存の量子畳み込みニューラルネットワークでは，データのエンコード方法によって変換不変性が異なり，理論的な整合性が課題であった。
- データのエンコードに起因するピクセル巡回シフト対称性に対する不変性を保証する量子ニューラルネットワーク層を構築する。
- ピクセル巡回シフト対称性に対する不変性を実現するため，量子フーリエ変換を利用した層を提案した。
- 提案手法は，量子フーリエ変換による対角化と，フーリエモード多重化器，逆量子フーリエ変換の組み合わせで実現される。
- 深層PCS-QCNNを設計し，初期化時の学習可能性を分析した結果，深さのスケーリングにおいてバレン高原が発生しないことを示した。
FlowRefiner：3次元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：3次元乱流シミュレーションにおける反復洗練手法
- 物理現象の理解と予測に不可欠であり，工学分野への応用も期待される重要な研究領域である。
- 高精度なシミュレーションには膨大な計算コストが必要であり，効率的な手法が求められている。
- 誤差の蓄積を抑制し，精度の高い乱流予測を効率的に実現すること。
- FlowRefinerは，確率的ノイズ除去洗練を決定論的なODEベースの補正に置き換えることで，安定した反復洗練を可能にした。
- 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，小ノイズ領域での効果的な洗練を実現した。
- 大規模3次元乱流実験において，最先端の自己回帰予測精度と高い物理整合性を示した。
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：価値反復における最適な方策の同定速度の解析
- 強化学習は，報酬を最大化する最適な行動戦略を学習する重要な手法である。
- 価値反復の収束速度は，ベルマン作用素の縮小性によって制限されることが知られていた。
- 最適な方策がいつ同定されるかをより詳細に分析し，高速な同定を可能にする。
- Q値反復が，最適な行動クラスに有限時間で到達することが示された。
- これは，不変なチューブと呼ばれる領域に入ることによって実現される。
- 特定の条件下では，古典的な縮小速度よりも高速な収束が可能であることが明らかになった。
アルツハイマー病に対する天然薬用化合物の予測モデリング：機械学習とケモインフォマティクスの応用 [cond-mat.dis-nn, cs.ET, q-bio.OT, cs.LG]目的：アルツハイマー病に対する天然化合物の抗認知症活性の予測
- アルツハイマー病は，有効な治療法が限られている深刻な神経変性疾患である。
- 天然薬は神経保護効果を示すが，実験的検証にコストがかかるため，効率的な探索が課題である。
- 機械学習を用いて，分子記述子から抗認知症活性を予測し，創薬の効率化を目指す。
- 機械学習モデル（ランダムフォレスト，XGBoost等）の評価結果，ランダムフォレストが最も高い予測精度とROC-AUC値を示した。
- 分子記述子における脂溶性，分子量，極性が，神経保護活性に重要な影響を与えることが示唆された。
- 天然物研究と機械学習を組み合わせることで，認知症治療薬の早期発見における効率化が期待できる。
物理システムの安定性と感受性のデータ駆動型発見のためのニューラル演算子フレームワーク [math.OC, cs.SY, eess.SY, physics.flu-dyn, cs.AI]目的：物理システムの安定性と感受性のデータ駆動型発見
- 複雑な系の挙動予測は，科学技術の根幹であり，その重要性は極めて高い。
- 従来の解析手法は，既知のモデルに依存するため，非線形システムへの適用が困難である。
- 観測データのみから安定性や感受性を解析し，モデルフリーな解析手法を提供する。
- ニューラルネットワークを動力学エミュレータとして訓練し，自動微分によりヤコビアンを算出する。
- これにより，データから直接固有モードやリゾルベントモードを計算することが可能となる。
- カオスモデルや流体シミュレーションにおいて，支配的な不安定モードや入出力構造を正確に特定した。