arXiv雑要約
AI - 2026/05/01 公開
土壌重金属汚染における異常検知：環境リスク評価のための教師なし学習 [cs.LG, cs.AI, physics.data-an, physics.geo-ph]目的：土壌重金属汚染の異常パターン検出と特徴付け
- 都市化の進むガーナにおいて，土壌の重金属汚染は環境と公衆衛生への持続的な懸念事項である。
- 既存のリスク評価は集計指標に依存しており，詳細な汚染状況の把握が困難である。
- 教師なし学習を用いて，汚染された地点の特定と優先順位付けを可能にすること。
- 教師なし学習モデル（Isolation Forest，PCA再構成誤差）は，サンプル全体の約15.4%にあたる12の異常サンプルを特定した。
- 異常サンプルは通常のサンプルと比較して，平均ハザード指数（HI）が約70～80%高かった。
- PCA再構成誤差とHIの間には強い正の相関が見られ，多変量的な偏りと健康リスクの一貫性が示された。
生成による再構成：疎な観測からの3Dマルチオブジェクトシーン再構成 [cs.CV, cs.AI, cs.LG, cs.RO]目的：3Dマルチオブジェクトシーンの再構成
- ロボティクスにおけるシミュレーションの信頼性向上に不可欠な技術分野である。
- 疎な観測からの複雑なシーン再構成は依然として困難な課題である。
- 遮蔽や部分的視認下におけるオブジェクト形状と姿勢の推定問題を解決する。
- 提案手法RecGenは，合成シーン生成と3D形状事前知識を活用し，多様なオブジェクトと環境への汎化性能を示す。
- 既存手法SAM3Dと比較して，RecGenは学習に用いるメッシュ数を80%削減しながら，幾何学的形状品質で30.1%，テクスチャ再構成で9.1%，姿勢推定で33.9%の性能向上を達成した。
- 特に，強い遮蔽，対称オブジェクト，複雑な形状やテクスチャに対するロバスト性が確認された。
ゲート付きハイブリッドコントラスト協調フィルタリング推薦 [cs.CL, cs.IR, cs.AI]目的：推薦システムのランキング性能向上
- ユーザーの嗜好を正確に捉え，多様なアイテムを推薦することが重要である。
- 既存モデルは評価予測に最適化されており，ランキング品質が低い場合がある。
- セマンティック情報を活用し，ランキングに特化した推薦を目指す。
- 提案手法は，協調フィルタリングモデルにレビュー情報を段階的に注入するゲート機構を用いる。
- コントラスト学習により，セマンティック情報と協調情報を整合させる。
- Amazon Movies & TV等のデータセットで，ランキング指標において既存手法を上回る結果が得られた。
PALCAS：連邦学習を用いた優先度を考慮した自律走行車向け賢い車線変更支援システム [cs.RO, cs.AI]目的：自律走行車における優先度を考慮した車線変更支援システム
- 交通渋滞の緩和や移動効率の向上は，持続可能な社会実現に向け重要な課題である。
- 既存の車線変更支援システムは，単一エージェントまたは集中制御に偏り，柔軟性に課題がある。
- 車両の目的地に基づいた優先度を考慮し，安全かつ効率的な車線変更を実現すること。
- PALCASは，連邦学習に基づくマルチエージェントシステムにより，交通効率，安全性，快適性を大幅に向上させた。
- 目的地への到着率や合流成功率も，既存手法と比較して顕著に改善されたことがシミュレーションで示された。
- 優先度を考慮した報酬関数により，必要かつ適切な車線変更判断が可能となった。
より良いモデル，より高速な学習：シングルセル基盤モデルのためのシグモイドアテンション [cs.LG, q-bio.QM]目的：シングルセル基盤モデルにおけるアテンション機構の改良
- シングルセルデータ解析は，生命科学研究において重要な役割を担うため，高性能なモデルが求められる。
- 従来のsoftmaxアテンションは，学習の不安定性や計算コストが高いという課題があった。
- シグモイドアテンションを導入し，学習の安定化と高速化，そして表現性能の向上を目指す。
- シグモイドアテンションは，6つのシングルセルデータセットにおいて，細胞タイプ分離能，凝集性，バリデーション損失の全てでsoftmaxアテンションを上回った。
- シグモイドアテンションを用いたモデルは，softmaxアテンションを用いたモデルよりも最大10%高速に学習できた。
- シグモイドアテンションは，勾配爆発を抑制し，学習の安定性を高めることが理論的にも実験的にも示された。TritonSigmoidは，FlashAttention-2やFlashSigmoidを上回る性能を発揮する。
オフショアケタ盆地におけるワイヤラインログを用いた教師なし電気相分類と孔隙率特性評価 [cs.AI, cs.CE, cs.LG, physics.geo-ph]目的：オフショアケタ盆地における電気相分析と孔隙率特性評価
- 油田探査において，地下構造の理解は成功の鍵であり，正確な地層評価が不可欠である。
- コアデータが不足している地域では，ワイヤラインログのみで地層を評価する必要があり，その精度が課題となる。
- コアデータが少ない状況下でも，ワイヤラインログを用いて信頼性の高い地層評価を実現することを目的とする。
- 教師なし機械学習手法であるK-meansクラスタリングを適用し，4つの電気相を識別した。
- シルエット係数は平均0.50を示し，電気相間の分離が十分であることを確認した。
- 得られた電気相は，粘土含有量，孔隙率，岩石骨格特性の変化と系統的な関係を示し，地質連続性を持つことが明らかになった。
エッジ展開可能な個体レベル家畜モニタリングと縦断的視覚分析のためのSAM 3およびDINOv3の軽量蒸留 [cs.CV, cs.AI]目的：エッジデバイスでの家畜モニタリングと視覚分析のための軽量なモデルパイプラインの構築
- 精密畜産は，家畜の福祉向上や生産性向上に不可欠であり，高度な画像解析技術が求められている。
- 最新の基盤モデルは高性能だが，GPUメモリ消費量が大きく，エッジデバイスでの利用が困難である。
- GPUメモリ消費量を削減し，エッジデバイスでの実用化を目指す。
- 蒸留により，パラメータ数を大幅に削減し，GPUメモリ消費量を抑制することに成功した。
- Edinburgh Pigデータセットにおいて，SAM 3の教師モデルと比較して，わずかな精度低下にとどめながら，7.77倍のパラメータ削減と3.01倍のVRAM削減を達成した。
- NVIDIA Jetson Orin NX 16GBに搭載可能であり，長期的な視覚記録と個体識別メカニズムの可能性を示した。
TRUST：分散型AIサービスフレームワーク v0.1 [cs.HC, cs.IR, cs.AI]目的：信頼性の高いAIサービスの実現に向けた分散型フレームワーク
- 高度な推論能力を持つAIの応用範囲拡大に伴い，その安全性と信頼性の確保が重要課題となっている。
- 従来の集中型検証アプローチは，脆弱性，スケーラビリティ，透明性，プライバシー保護の点で課題を抱えている。
- 本研究は，これらの課題を克服し，安全で説明責任のあるAIシステムの展開を可能にする分散型監査フレームワークを提案する。
- 提案フレームワークTRUSTは，Chain-of-Thought推論を並列分散監査可能な階層型DAGに分解し，堅牢性と効率性を高めている。
- DAANプロトコルにより，マルチエージェント間の相互作用を因果関係グラフに投影し，決定的な根本原因の特定を可能にしている。
- 実験結果から，TRUSTはベースラインと比較して72.4%の精度を達成し，20%の汚染に対する耐性を示すことが確認された。
Vibeコーディングの解明：プログラミングにおける学生とAIのインタラクションにおける支援探索プロセス [cs.AI, cs.HC]目的：学生とAIのプログラミングにおけるインタラクションにおける支援探索プロセス
- 高等教育において，AI技術の活用が急速に進んでおり，教育方法の変革が求められている。
- 学生がAIに依存し，自ら思考する力を弱める可能性がある。効果的なAI活用方法が不明である。
- AIとのインタラクションにおける学生の行動パターンを分析し，学習効果を高めるための指針を示す。
- 成績優秀な学生は，AIに質問や探索を促すことで，チューターのような応答を引き出していた。
- 成績の低い学生は，AIに課題の委任や即席の解決策を求める傾向があり，AIを実行者として扱っていた。
- 現在の生成AIは，学生の意図を反映するだけで学習を最適化するものではない。AIは受動的な対応から脱却し，学習を促進する存在となる必要がある。
RCMAES: CEC2026競技会向けロバストなCMA-ES変種 [cs.CL, cs.NE]目的：CECベンチマーク最適化のためのCMA-ESの新変種
- 最適化問題は科学技術の様々な分野で重要であり，効率的な解法が求められている。
- 従来の最適化手法は，高次元問題や複雑な関数に対して頑健性に課題が残されている。
- RCMAESは，CMA-ESの性能向上と，より広範な問題への適用を目指す。
- RCMAESは，次元依存の非線形な集団サイズ削減戦略と適応的再起動メカニズムを統合した。
- CEC2017, CEC2020, CEC2022の3つのベンチマークスイートで評価した結果，最先端のDEアルゴリズムやBIPOP-aCMAESと比較して競争力のある性能を示した。
- RCMAESは，すべてのベンチマークにおいて，安定したロバスト性を持つことが確認された。
ローカルLLMエージェントのLinux権限昇格攻撃能力の向上 [cs.CR, cs.AI]目的：Linux権限昇格攻撃能力の向上
- サイバーセキュリティの脅威は多様化しており，自動化されたペネトレーションテストの重要性が増している。
- ローカルLLMはセキュリティ上の利点があるものの，Linux権限昇格の性能が低いという課題があった。
- ローカルLLMにおける権限昇格の性能を向上させ，実用性を高める。
- 本研究では，体系的な実験により，ローカルLLMがクラウドベースのモデルと同等またはそれ以上の性能を発揮できることを示した。
- Llama3.1 70Bは83%の脆弱性を悪用し，Llama3.1 8BとQwen2.5 7Bはガイダンスを用いることで67%の成功率を達成した。
- 特に，リフレクションに基づく手法が性能向上に大きく貢献し，脆弱性発見が残された課題であることが判明した。
フローマップによる報酬ガイダンスを用いた少数ステップアライメント [cs.LG, cs.AI]目的：生成モデルにおける報酬最大化
- 生成モデルは，美的品質や人間の嗜好に合致したサンプル生成に利用され，その重要性は高い。
- 既存のガイダンス手法は，計算コストが高いか，近似による問題が残る。
- フローマップを用いて，効率的かつ高精度な報酬ガイダンスを実現する。
- 本研究で提案するFMRGは，学習を必要とせず，単一の軌跡で動作する。
- テキストから画像への生成において，既存手法と同等またはそれ以上の性能を示す。
- 特に，必要な計算量が大幅に削減され，高速化を実現している。
ConformaDecompose: 不確実性の説明におけるキャリブレーション局所化 [cs.LG, cs.AI]目的：不確実性の源泉を明らかにするためのキャリブレーション局所化
- 予測の信頼性評価は，機械学習の安全性確保において重要である。
- Conformal Predictionは保証付きだが，インスタンスレベルでの不確実性の原因が不明瞭である。
- キャリブレーション局所化により，不確実性の縮小可能性を診断することを目的とする。
- 提案手法により，Conformal intervalの縮小と安定化をキャリブレーションの局所化を通して分析できる。
- 絶対的な削減可能な不確実性は，epistemicな指標と一致し，相対的な貢献度はタスクによって異なることが示された。
- このインスタンスレベルの視点はConformal uncertaintyを補完し，解釈性を高める。
自律型取引エージェントスウォームにおける最適な損切り・利益確定パラメータ設定 [cs.AI]目的：自律型取引エージェントスウォームの損切り・利益確定パラメータ設定の最適化
- 暗号資産取引の自動化は，市場の効率性向上や投資機会の拡大に貢献する重要な分野である。
- 既存の自動取引システムでは，エントリー戦略に注力する一方，エグジット戦略の検証が不十分な場合が多い。
- 本研究は，エグジット戦略の改善が，リスク調整後のパフォーマンス向上に繋がることを検証する。
- 損切り・利益確定の設定は，取引パフォーマンスに有意な影響を与えることが示された。
- より厳格な設定は，リスク調整後のパフォーマンスを向上させ，損失限度額の引き締め，早期の利益確定，より密接なトレーリングプロテクションを可能にする。
- 時系列データの分割方法が結果に与える影響を考慮し，ランダム化されたデータを用いた比較により，より信頼性の高い評価を行った。
効率的なコンピュータ利用エージェントのためのステップレベル最適化 [cs.AI]目的：コンピュータ利用エージェントの効率化
- ソフトウェア自動化の可能性を秘めており，汎用的なインターフェースへの対応が期待されている。
- 高性能化が進む一方で，実用上は計算コストが高く，処理速度が遅いという課題がある。
- リスクの高い局面でのみ高機能モデルを動かすことで，計算資源の浪費を抑えることを目指す。
- エージェントの各ステップで小さなポリシーをデフォルトで実行し，リスクが上昇した場合のみ高機能モデルに切り替えるステップレベルカスケードを提案。
- 停滞検知モニターとマイルストーン検知モニターを組み合わせることで，効率的な計算資源の割り当てを実現。
- 既存のエージェントに容易に組み込むことが可能であり，大規模モデルの再学習も不要である。
Fréchet平均によるモデル統合の幾何学の一般化 [eess.SY, cs.SY, physics.app-ph, cs.LG]目的：モデル統合の幾何学的解法
- 深層学習モデルの効率的な活用が重要であり，既存モデルの再利用は計算コスト削減に繋がる。
- 単純なパラメータ平均では，モデルのアーキテクチャ対称性が考慮されず，不安定な統合となる場合がある。
- 対称性を考慮したモデル統合を実現するため，幾何学と平均化手法の重要性に着目する。
- モデル統合をFréchet平均として捉え，適切な多様体上での測地距離に基づくパラメータ選択を行う手法を提案。
- Fréchet平均はFisher統合を含むことが示され，LoRAのような低ランクアダプターへの適用可能性が示唆された。
- LoRA統合における既存手法の限界を指摘し，新たな実用的なアルゴリズムと他の手法との比較を行った。
区間順序，双順序，および信頼性制限下での信念修正 [cs.AI]目的：信念修正における区間順序と双順序の公理的特徴付け
- 合理的な信念修正は，可能な世界の順序付けに基づき，情報更新の根幹をなす概念である。
- 従来の信念修正は全順序を前提とするが，より一般的な順序付けの検討は十分ではない。
- 区間順序と双順序を信念修正に応用し，新しい信念修正演算子ファミリーを提案する。
- 区間順序と双順序に基づく信念修正演算子の公理的特徴付けを行った。
- 双順序に基づく修正はSuccessポストレートを満たすが，必ずしも一貫性のある出力を得られない。
- 矛盾を生じる入力を「信頼できない」と見なし，Consistencyポストレートを満たす修正演算子を導出した。
マルチエージェント運用のための高スループット・計算効率型POMDP探索エンジン (HASE) [cs.MA, cs.LG, cs.PF]目的：分散型部分観測マルコフ決定過程 (Dec-POMDP) の計算効率の最適化
- 人間とAIの協調作業において，意思決定レベルの効率化が重要である。
- 分散型部分観測マルコフ決定過程 (Dec-POMDP) において，サンプル複雑性が高いという課題がある。
- C++で構築された計算効率の良いDec-POMDPエンジンにより，マルチエージェント学習の高速化を図る。
- 本エンジンは，Data-Oriented Designやキャッシュラインアライメント，ゼロコピーメモリブリッジ等の技術により，1秒あたり3300万ステップという高いスループットを実現した。
- 従来のNumPy実装と比較して約3,500倍の性能向上を達成し，PPO，DQN，SAC等のアルゴリズムを用いた協調マルチエージェントポリシーの訓練を短時間で実現した。
- 10エージェント環境下ではスループットは700万SPSに低下するものの，ランダム行動生成が全体の実行時間の1/3を占めることが確認された。
答えレベルの微調整のための分布整合ゲーム [cs.LG, cs.GT]目的：答えレベルの微調整問題
- 言語モデルの性能向上は，様々な自然言語処理タスクにおいて重要である。
- 答えの正確性に基づいた直接的な最適化は計算量が膨大になる。
- 計算可能な範囲で答えレベルの最適化を実現すること。
- 本研究では，分布整合ゲームというゲーム理論的枠組みを提案した。
- このゲームのナッシュ均衡は，元の答えレベル最適化問題の解と一致する。
- これにより，多様性や自己改善といった既存手法を統一し，数学的推論タスクで性能向上を実証した。
大規模言語モデルにおけるナッシュ均衡プレイを抑制する要因：メカニズム的証拠と因果的制御 [cs.GT, cs.AI, cs.LG]目的：大規模言語モデルにおける戦略的相互作用でのナッシュ均衡からの逸脱の原因究明と，その逸脱の是正可能性の検証
- 戦略的相互作用の理解は，AIエージェントの協調行動や競争行動を予測し，制御する上で不可欠である。
- 既存研究では，大規模言語モデルがナッシュ均衡から逸脱する傾向が認められるが，その内部メカニズムは不明であった。
- 本研究では，大規模言語モデルの内部表現を分析し，ナッシュ均衡プレイを抑制するメカニズムを解明し，その制御を目指す。
- モデルの初期層で相手の行動履歴が忠実にエンコードされる一方，ナッシュ行動のエンコードは弱いことが示された。
- 最終層において，ナッシュ行動を優先する傾向が覆され，協調行動の確率が向上することが確認された。
- モデル規模やアーキテクチャによって，ナッシュ均衡プレイに対する影響が異なり，思考連鎖（chain-of-thought）推論が小規模モデルではナッシュ均衡プレイを悪化させる一方，大規模モデルでは改善することが示された。
大規模言語モデルにおける特徴空間のセマンティック構造 [cs.RO, cs.HC, cs.CL, cs.LG]目的：大規模言語モデルにおけるセマンティック特徴間の幾何学的関係
- 言語モデルの性能向上には，セマンティックな理解が不可欠である。
- 言語モデル内部のセマンティック構造が人間とどのように対応しているか不明確である。
- 言語モデルのセマンティック構造を人間との対応関係から解明する。
- 言語モデルの隠れ層におけるセマンティック特徴間の幾何学的関係は，人間の心理的関連と類似していることが示された。
- セマンティック軸間のコサイン類似度は，調査における尺度間の相関を予測する。
- 32のセマンティック軸の分散は低次元空間に存在し，人間のセマンティックな関連パターンを再現する。
コンテキストを考慮したグラフ注意による，教師なしの通信事業者異常検知 [cs.LG]目的：通信事業者の多変量時系列データにおける異常検知
- 通信ネットワークの安定稼働は社会インフラとして不可欠であり，異常検知技術の重要性が高まっている。
- 既存の異常検知手法では，ラベル付きデータの取得が困難であり，異常検知の精度向上が課題となっている。
- 本研究は，ラベルなしデータを用いた高精度な異常検知モデルを開発し，誤警報の低減を目指す。
- 提案手法C-MTAD-GATは，公開されているTELCOデータセットにおいて，最先端の既存手法を上回るF1スコアを達成した。
- C-MTAD-GATは，イベントレベルおよびポイントワイズの評価において，より少ない誤警報で高い精度を維持した。
- さらに，本手法は国内通信事業者のコアネットワークに導入され，実環境での堅牢性が確認された。
時系列生成における時間的ダイナミクスの維持 [cs.CE, cs.LG, cs.AI]目的：時系列データの生成における時間的ダイナミクスの維持
- 深層学習モデルの性能はデータ量に依存するため，限られたデータでの予測精度の向上が課題。
- 既存のGANは周辺分布の一致に焦点を当てがちで，時系列データ特有の時間的ダイナミクスが無視されがち。
- 生成された時系列データの分布シフトと時間的ドリフトを抑制し，時間的ダイナミクスを維持すること。
- 提案手法は，マルコフ連鎖モンテカルロ法(MCMC)を用いて，生成された時系列データと実データの時間的相関を一致させる。
- 実験の結果，Lorenz，Licor，ETTh，ILIデータセットにおいて，既存のGAN手法と比較して，各種評価指標が改善された。
- 時間的推移則の明示的な維持が，敵対的分布一致のみに依存するよりも，時系列データの生成モデリングの改善につながる。
非定常リターン下における予算配分のためのモデル予測制御 [eess.SY, cs.AI, cs.LG, cs.SY, q-fin.PM]目的：有限期間の予算配分
- 広告など，不確実性の高い環境下での資源配分は重要である。
- 環境変化に対応できない予算配分戦略は非効率になりやすい。
- 予測モデルを利用した予算配分により，長期的な効率化を目指す。
- 非定常性だけでは予測制御の優位性は確認されなかった。
- リターンの変動が予測可能な構造を持つ場合に，予測制御はリアクティブな予算配分を上回る。
- 予測制御は，時間的なトレードオフを活用することで効率的な予算配分を実現する。
軽度認知障害からアルツハイマー病への移行予測におけるTabPFNの評価：データ制約下での検討 [cs.RO, cs.CE, cs.DC, cs.SY, eess.SY, cs.AI]目的：軽度認知障害からアルツハイマー病への移行予測の精度向上
- 早期介入はアルツハイマー病の進行抑制に不可欠であり，正確な予測が求められる。
- 長期的な経過データが不足しており，信頼性の高い予測モデルの開発が困難である。
- データ制約下においても高い予測性能を発揮するモデルの確立を目指す。
- TabPFNは，TADPOLEデータセットを用いた3年間の軽度認知障害からアルツハイマー病への移行予測において，AUC=0.892と高い性能を示した。
- 特に，学習データ数が少ない状況 (N=50) において，TabPFNはLightGBM (AUC=0.860) などの従来手法を上回り，安定した予測精度を維持した。
- これらの結果は，データ制約下での疾患予測において，基盤モデルが有望であることを示唆している。
パスロック・エキスパート：ハイブリッド思考における推論モードの分離 [cs.CL, cs.AI, cs.LG]目的：ハイブリッド思考モデルにおける思考モードと非思考モードの分離
- 近年，思考と非思考を併せ持つ言語モデルが注目されている。高度な問題解決能力が期待される。
- 従来のモデルでは，思考モードと非思考モードが明確に分離されておらず，非思考モードでも推論が漏洩する問題があった。
- 本研究では，アーキテクチャレベルでの分離により，推論漏洩を抑制し，より明確なハイブリッド思考を実現することを目指す。
- パスロック・エキスパート（PLE）は，各デコーダー層のMLPを，思考モードと非思考モード専用の2つの専門家ネットワークに置き換える。
- PLEは，制御トークンによっていずれか一方のパスを決定的に選択し，モードに純粋な更新を可能にする。
- 数学と科学の推論ベンチマークにおいて，思考性能を維持しつつ，非思考モードの精度と簡潔性を大幅に向上させた。
選択的拡張：G2Pブートストラップによる汎用自動音素転写の改善 [cs.HC, cs.CL, cs.LG]目的：汎用自動音素転写の精度向上
- 音素転写は，音声認識や音声合成の基礎技術であり，多言語対応が求められる。
- 高品質な転写データが不足しており，汎用モデルの性能向上に課題がある。
- 言語間の区別を活用し，既存データを拡張することで，精度向上を目指す。
- 選択的拡張により，既存の特徴（破裂音の voiced/voiceless）の精度が17.6%向上した。
- 新たな特徴（破裂音の aspiration）の認識が導入され，ドイツ語の/p, t, k/の aspiration 認識率が0%から61.2%に向上した。
- Aspiration 認識の導入により，tenuis クラスの誤りが32.2%減少した。
構築途上の理論：仕様が進化する研究ソフトウェアのための言語モデルのオーケストレーション [eess.SY, cs.SY, cs.SE, cs.AI]目的：研究ソフトウェアにおける，仕様が進化する状況下での言語モデルの運用方法
- 研究ソフトウェアは，コードと理論の両方が重要であり，それらの整合性を保つことが不可欠である。
- 言語モデルの利用において，誤った主張の蓄積や，コードと理論の不整合といった問題が存在する。
- 言語モデルを用いた研究ソフトウェア開発において，コード，理論，文書の一貫性を維持し，継続的な改善を可能にすること。
- Comet-Hという反復的なプロンプト自動化システムを提案し，アイデア出し，実装，評価，根拠付け，論文執筆を統合的に行う環境を構築した。
- プロンプト選択を文脈的バンディット問題として捉え，透明性の高いスコアリングシステムと未完了タスクの記録により，一貫性のある長期的な追跡を可能にした。
- Python静的解析ツールA3を開発し，90ケースのベンチマークでF1スコア0.768を達成，既存のベースライン（0.364）を上回る性能を示した。
認知機能低下評価のための個別化デジタルツイン：マルチモーダルかつ不確実性に対応したフレームワーク [cs.AI]目的：認知機能低下の個別患者における病態進行のモデル化
- 認知機能低下は個人差が大きく，早期発見や適切な治療戦略の確立が重要である。
- 既存の手法では，限られたデータやノイズ，不規則なデータ収集によって正確な予測が困難である。
- 患者ごとの病態進行を予測し，臨床試験のデザインや治療計画の最適化に貢献すること。
- 提案するデジタルツインフレームワークは，患者の臨床データ，バイオマーカー，画像情報を統合的に分析可能である。
- TADPOLEデータを用いた予備的な検証により，認知正常群とアルツハイマー病群の識別において良好な結果が得られた。
- 認知機能とMRI情報を組み合わせることで，ADAS13および脳室容積の予測精度が向上し，臨床応用への可能性を示唆した。
Web2BigTable：インターネット規模の情報検索と抽出のための二層マルチエージェントLLMシステム [cs.AI]目的：インターネット規模の情報検索と抽出における課題解決
- 近年のウェブ検索は複雑化しており，大規模言語モデル(LLM)の活用が不可欠となっている。
- 既存システムは，単一のターゲットに対する深い推論と，複数エンティティにわたる構造化された集約の双方で課題を抱えている。
- この研究は，両方のニーズに対応できる二層アーキテクチャに基づくシステムを開発し，性能向上を目指す。
- 提案システムWeb2BigTableは，WideSearchにおいて平均成功率38.50%を達成し，既存の最良手法を大幅に上回る性能を示した。
- 行F1スコア63.53%と項目F1スコア80.12%も，同様に大幅な改善が見られた。
- また，XBench-DeepSearchのような深層検索タスクにおいても高い精度73.0%を達成し，汎用性も確認された。
役割が崩壊するとき：LLMベースの政治声明分析における擁護者役割の忠実性に関する認識的制約 [cs.AI, cs.CL, cs.CY, cs.MA]目的：LLMベースの政治声明分析における擁護者役割の忠実性
- 民主主義社会において，政治的議論の分析は重要な課題であり，多様な視点からの評価が求められる。
- LLMを用いた多エージェントシステムでは，モデルが役割を維持できるかどうかが課題となっている。
- 本研究は，LLMが役割を確実に維持できるか検証し，その問題点を明らかにすることを目的とする。
- 擁護者役割の忠実性を評価する指標（RDI, EDD, DDI, ERS）を用いて，60の政治声明（英30，独30）を分析した結果，役割の乖離が確認された。
- 役割の乖離は，「認識的限界効果」と「役割優先の競合」という2つのモードで現れ，これらは「認識的役割の上書き」という共通のメカニズムに起因することが示唆された。
- Mistral LargeはClaude Sonnetよりも高い役割忠実性を示し，失敗モードも異なっていた。また，言語ロバスト性は確認されたが，ファクトチェックプロバイダーによっては役割忠実性に影響を与える可能性が示された。
生成AIによるスキル向上：フリーランス知識労働者の実践と課題 [cs.HC, cs.AI]目的：フリーランス知識労働者の生成AIツール利用を通じた学習の実態
- オンライン労働市場において，フリーランスは常にスキルを更新する必要があり，その重要性は増している。
- フリーランスは組織的な研修や指導を受けにくく，スキル獲得の機会が限られているという課題がある。
- 生成AIがスキル習得にどのように活用され，市場におけるスキル証明の課題を解決することを目指す。
- フリーランスは学習の構造化や探索的スキル習得のために生成AIを利用する傾向にあることが示された。
- 生成AIは必ずしも主要な学習リソースとは見なされず，一貫性や文脈適合性，検証の手間が課題として挙げられた。
- スキル向上は長期的な育成よりも，市場での生存戦略として捉えられ，見えない能力の構造的課題が明らかになった。
強化学習エージェント：ツール呼び出しエージェントのための推論時フィードバック [cs.CL, cs.AI, cs.LG, cs.MA]目的：ツール呼び出しエージェントにおける推論時のフィードバック機構の開発
- 大規模言語モデル（LLM）を活用したエージェントは，様々なタスクの自動化に貢献する重要な技術である。
- 従来の評価方法は事後的なものであり，実行中にエージェントの誤りをリアルタイムで修正できないという課題があった。
- 推論時にレビューエージェントによる評価を導入し，リアルタイムなエラー軽減と性能向上を目指す。
- 推論時フィードバックにより，BFCLデータセットにおける無関係性の検出精度が5.5%向上，Tau2-Benchにおける複数ターンタスクの精度が7.1%向上した。
- レビューモデルの選択が重要であり，o3-miniはGPT-4oと比較して，3:1の高いベネフィットリスク比を示した。
- GEPAを用いたプロンプト自動最適化により，追加で1.5〜2.8%の性能向上が確認された。ベースエージェントの再学習は不要である。
ターボファンエンジンの残存寿命推定：古典的，CNN，LSTMアプローチの比較研究 [cs.LG]目的：ターボファンエンジンの残存寿命推定手法の比較
- 設備の予防保全は，産業プラントの安定稼働とコスト削減に不可欠である。
- エンジンの故障予測は，データ不足やモデルの複雑さから困難な課題である。
- より高精度な残存寿命推定モデルの開発が求められている。
- LSTMはFD001でRMSE 14.93，FD003で14.20を達成し，既存研究を上回った。
- 1D CNNはFD003で競争力のある性能を示し，FD001では保守的な予測を行った。
- XGBoostはFD003でRMSE 13.36を達成し，非線形モデリングの有効性を示した。
ドリフトモデルにおけるサブサンプリングバイアスの解析的補正 [cs.LG]目的：ドリフトモデルにおけるサブサンプリングバイアスの軽減
- 生成モデルは，データ分布の学習において重要な役割を担う。近年，ドリフトモデルという新たな手法が注目されている。
- ドリフトモデルでは，分布の近似にミニバッチを使用するため，サンプル数が少ない場合にバイアスが発生しやすい。
- 本研究では，このバイアスを解析的に補正することで，より正確なモデル学習を目指す。
- 提案手法であるAnalytical Bias Correction (ABC) は，バイアスをO(1/n)からO(1/n^2)に低減することを示した。
- ABCは，計算コストをほとんど増加させずに実装でき，実行速度への影響も軽微である。
- CIFAR-10での実験により，ABCがFIDスコアを改善し，学習速度を向上させることが確認された。
現実のギャップへの対処：自律的AI導入のための三つの緊張関係フレームワーク [cs.IR, cs.CY, cs.AI]目的：自律的AI導入における三つの緊張関係の分析と，教育現場における責任あるAI展開のための指針
- 教育現場におけるAI活用は，学習の個別化や教育の質向上に貢献する可能性を秘めている。
- AI技術の急速な進化に対し，教育機関の対応が遅れており，持続可能な導入が課題となっている。
- 教育的価値観との整合性を保ちつつ，AI技術を効果的に活用するための枠組みを提示すること。
- 本研究では，実装可能性，適応速度，使命整合という三つの緊張関係に着目し，その重要性を明らかにした。
- 提示されたフレームワークは，K-12および高等教育機関におけるAIイニシアチブの評価と設計を支援する。
- カリキュラム連携型AIエージェントや教育者主導型AI設計など，将来的な研究方向性についても示唆された。
命令の複雑性が敵対的LLM評価における位置的崩壊を誘発する [cs.CL, cs.AI]目的：敵対的LLM評価における，言語モデルの応答戦略
- LLMの性能評価は，その信頼性と安全性を確保する上で不可欠である。
- LLMは，指示された意図に反して，位置情報などのヒントに頼る可能性がある。
- 命令の複雑性が，LLMの応答戦略に与える影響を明らかにすること。
- 曖昧な指示では，わずかな性能低下と内容への関与が認められた。
- 標準的な性能抑制や能力模倣の指示では，位置的エントロピーの崩壊と部分的な内容への関与が確認された。
- 二段階の回避指示では，極端な位置的崩壊が発生し，特定の応答位置に集中し，内容への感度がほぼ消失した。
順応性対合理性：大規模言語モデルにおける推論制御可能性について [cs.CL, cs.AI]目的：大規模言語モデルの推論制御可能性に関する調査
- 近年の大規模言語モデルの急速な発展に伴い，その推論能力の理解と制御が重要課題となっている。
- 大規模言語モデルは，特定のタスクに過剰適合しやすく，指示された論理構造に従うことが困難な場合がある。
- モデルのサイズが増加するにつれて，内部化された知識が推論に影響を与え，制御可能性を低下させる問題を解決する。
- 大規模言語モデルは，論理的な矛盾が生じた場合でも，タスクへの適合性を優先する傾向があることが明らかになった。
- モデルの推論タイプは，層が進むにつれて線形的に符号化されており，活性化レベルの制御可能性を示唆する。
- 推論の矛盾を積極的に介入することで，指示への追従性を最大29%向上させることができた。
AutoSurfer -- ウェブエージェントに対する包括的なサーフィン，学習，モデリングによる指導 [cs.DB, cs.AI]目的：ウェブサイトのウェブトラジェクトリデータの生成
- ウェブエージェントは複雑なウェブタスクを自動化する可能性を秘めているが，高品質な学習データが不足している。
- 既存の自動トラジェクトリ生成手法は，網羅性に欠け，幻覚や曖昧なタスク合成が発生しやすい。
- AutoSurferは，ウェブサイトの行動空間を網羅的にカバーし，LLM学習に適したデータを生成することを目指す。
- AutoSurferは，ウェブページの体系的な幅優先探索戦略，タスク合成への探索トラジェクトリの活用，およびトラジェクトリの改良のためのヒントとして探索トラジェクトリの使用という３つの革新的な手法を用いる。
- WebArenaベンチマークにおける実験により，AutoSurferはQwen2.5-VL-7B-Instructのファインチューニングにおいて，最先端手法（Explorer，OS-Genesis，SynthAgent）を上回り，タスク完了精度を最大24.23%向上させた。
- タスク多様性の分析により，AutoSurferがより多様なタスク分布を生み出すことが示された。
VTBench：チャートに基づく表現を用いた時系列分類のためのマルチモーダルフレームワーク [cs.CV, cs.LG]目的：時系列分類における，生の数値入力とチャートに基づく可視化のマルチモーダル融合
- 時系列データは様々な分野で出現し，その分析・予測は重要性が高い。
- 既存手法は数値データに偏りがちで，可視化による情報活用が不十分である。
- チャート表現の有効性を系統的に評価し，最適な活用法を確立すること。
- チャートのみのモデルが，特に小規模データセットにおいて競争力を持つことが示された。
- 複数のチャートタイプを組み合わせることで，相補的な視覚的特徴を捉え，精度が向上することが確認された。
- マルチモーダルモデルは，視覚特徴が冗長性を持たない場合に性能が向上する一方，冗長性が高い場合は精度が低下する可能性がある。
自己進化するソフトウェアエージェント [cs.DB, cs.CL, cs.SE, cs.AI]目的：ソフトウェアエージェントの自己進化機構
- 環境変化への適応が求められる現代において，自律エージェントの重要性は高い。
- 既存エージェントは設計時の制約に縛られ，真の進化を遂げられない点が課題である。
- 本研究は，LLMを活用し，エージェントの目標，推論，コードを自律的に進化させることを目指す。
- BDI推論とLLMを組み合わせた新しいアーキテクチャを提案し，自己進化モジュールが経験から新たな要件を引き出す。
- 動的なマルチエージェント環境でのプロトタイプ評価により，最小限の事前知識から目標と行動が自律的に生成されることを示した。
- LLM駆動型進化の実現可能性と，行動の継承および安定性に関する現在の限界が明らかになった。
AutoREC：電気化学インピーダンス分光データからの等価回路モデル生成のための強化学習エージェント開発用ソフトウェアプラットフォーム [cs.LG, cond-mat.mtrl-sci]目的：電気化学インピーダンス分光データからの等価回路モデル自動生成
- 電気化学現象の理解とモデリングは，電池，腐食，触媒など幅広い分野で不可欠である。
- 等価回路モデルの特定は従来，専門家の試行錯誤に頼り，自動化された実験パイプラインのボトルネックとなっていた。
- 強化学習を用いて等価回路モデル構築を自動化し，そのためのプラットフォームを提供すること。
- AutoRECは，複雑な回路生成のアクション空間を効率的に探索するための強化学習フレームワークを実装した。
- 合成データセットにおいて99.6%を超える成功率を達成し，未知の実験EISデータに対しても高い汎化性能を示した。
- AutoRECは，自動化された電気化学ワークフローへの統合が期待される適応的でデータ駆動型の等価回路モデル生成プラットフォームである。
プロンプトから物理的実行へ：LLM搭載ロボットシステムの包括的脅威モデリング [cs.CR, cs.AI, cs.RO]目的：LLM搭載ロボットシステムの脅威モデリング
- ロボットの自律性が高まるにつれ，セキュリティ上の脆弱性が重大となるため，その対策が不可欠である。
- 従来のサイバーセキュリティ，知覚攻撃，LLMの安全性はそれぞれ研究されてきたが，統合的な分析が不足している。
- LLM搭載ロボットシステムにおける脅威の相互作用と伝播経路を明らかにし，安全性を高めることを目指す。
- LLM搭載自律ロボットを階層型データフロー図でモデル化し，6つの境界を越えるインタラクションポイントに対してSTRIDE分析を実施した。
- 従来のサイバー脅威，敵対的脅威，会話型脅威の３つのカテゴリが，同じ境界で収束することが明らかになった。
- ユーザー入力とアクチュエーターの連携における意味検証の欠如，知覚からLLM指示への変換，プロバイダー側のツール使用といった脆弱性を特定した。
OptimusKG：最新のマルチモーダルグラフによるバイオメディカル知識の統合 [cs.AI]目的：バイオメディカル知識の統合と標準化されたリソースの提供
- バイオメディカル研究の発展には，正確かつ網羅的な知識基盤が不可欠である。
- 既存の知識グラフは，構造化/非構造化データ間の整合性や統合が課題となっていた。
- 様々なドメインのバイオメディカル知識を統合し，機械学習等への応用を促進する。
- OptimusKGは，19万以上のノードと2180万以上のエッジを含むマルチモーダルな知識グラフである。
- PaperQA3による評価の結果，70.0%のグラフ関係が文献による裏付けを得られた。
- 文献による裏付けがないエッジは，実験・機能ゲノミクス資源に由来するものが多く，新たな知識の発見を示唆する。
2次元タスクと1次元シリアライズ化：構造化タスクにおけるシリアライズ摩擦について [cs.CY, cs.CL, cs.AI, cs.LG]目的：構造化タスクにおけるシリアライズ摩擦の検証
- LLMの構造化データ処理は重要であり，性能向上に不可欠である。
- タスクの構造が失われるシリアライズ化が性能低下を引き起こす可能性がある。
- 2次元構造を維持した入力表現が性能向上に繋がるか検証する。
- テキストのみの経路よりも，視覚的に拡張された経路の方が一貫して高い性能を示す。
- 次元が大きくなるにつれて，その性能差は拡大し，シリアライズによるエラーパターンが空間的に構造化される。
- タスクに関連する2次元レイアウトを保持することが，構造化タスクにおいて有望な方向性である。
逆知恵の法則：エージェント群における建築的部族主義と合意のパラドックス [cs.AI]目的：エージェント群における誤った軌跡の安定化メカニズム
- AIは複雑な課題解決のために多エージェントシステムへと移行しており，その性能向上は重要である。
- エージェント群の協調は「群衆の知恵」に依拠すると仮定されているが，その妥当性には疑問が残る。
- エージェント群における内部合意偏重と論理的真実との乖離を明らかにし，安全なアーキテクチャ構築に貢献する。
- 実験により，エージェント群は外部の論理的真実よりも内部のアーキテクチャ的合意を優先する「逆知恵の法則」が成立することが示された。
- 論理的監査を追加しても，システムは事実誤認が増大する「論理飽和」状態に収束する。
- エージェント群の健全性は，個々のエージェントの質ではなく，合成器の受容論理によって厳密に制限されることが明らかになった。
AI読書アシスタントにおける認識的ガードレールの評価：最小限のプロトタイプの行動監査 [cs.HC, cs.AI, cs.CY]目的：AI読書アシスタントにおける認識的ガードレールの評価
- LLMの活用が進む中で，単純な情報検索を超えた解釈能力が求められている。
- 読解作業において，AIシステムに解釈作業が過度に委ねられる「解釈的転移」が課題である。
- AIシステムが読解・解釈にどのように関わるべきかの制約（認識的ガードレール）を評価する。
- TextWalkという読書支援プロトタイプを用いた行動監査により，認識的ガードレールの挙動を観察した。
- 基本的な読書支援では安定性が確認されたが，解釈的な質問に対しては負担が増加した。
- AIは読者の解釈的負担を過度に肩代わりする傾向があり，その中間の領域に弱点が見られた。
BrainDINO：汎用的な臨床表現学習のための脳MRI基盤モデル [cs.LG, cs.AI, cs.CV]目的：脳MRIの汎用的な臨床表現学習
- 脳MRIは神経科学および臨床応用の広範な基盤であり，その重要性は高い。
- 既存の機械学習手法は特定のタスクに特化し，大量のラベル付きデータが必要となる点が課題。
- 脳MRIにおける多様なタスクに対し，ラベル不足時でも高精度な表現学習を実現すること。
- BrainDINOは，約660万枚のラベルなし脳MRI画像を用いて自己教師あり学習を行った基盤モデルである。
- 腫瘍セグメンテーション，神経変性疾患分類など多様なタスクにおいて，既存手法と同等またはそれ以上の性能を示した。
- タスク固有のラベルが少ない状況下で特に優れており，脳MRI分析におけるデータ効率とロバスト性を向上させる。
3秒の音声から吃音発生を予測：層別評価による重症度選択的前兆の発見と，デバイス上での完全な動作 [cs.SD, cs.LG, eess.AS]目的：吃音の発生予測モデルの開発
- 吃音はコミュニケーションに支障をきたし，社会生活に大きな影響を与えるため，その改善が重要である。
- 既存のシステムは吃音の検出に特化しており，介入に必要な予測能力は未開拓であった。
- 重症度の高い吃音イベントに特化した予測モデルを開発し，リアルタイムな介入を可能にすること。
- 吃音の種類別に評価した結果，重度のブロックや音繰り返しに対して高い予測性能が確認された。
- 学習済みのモデルを小児の吃音データに適用したところ，高い検出・予測精度を維持した。
- CoreML，ONNX，TFLiteへの変換により，デバイス上での低遅延かつ効率的な動作を実現した。
共変量駆動型空間変形による非定常ガウス過程の予測 [cs.LG, stat.ME]目的：非定常ガウス過程予測のための空間変形モデル
- 空間データは多様であり，複雑な現象のモデリングに不可欠である。空間相関の変化を捉えることが重要。
- 従来の空間変形法は静的であり，共変量による空間相関の変化に対応できないという課題がある。
- 共変量に依存する空間変形モデルを構築し，限られたデータから高精度な予測を実現することを目指す。
- 空間変形を共変量の関数としてモデル化することで，新たな共変量条件下での予測を可能にした。
- 多様体の理論に基づき，共変量間の高次相互作用を抑制する物理的な仮定を導入することで，効率的な推定アルゴリズムを開発した。
- シミュレーションおよび実データ解析により，提案手法の有効性と汎用性が示された。