arXiv雑要約
AI - 2026/05/06 公開
統制実行の代数的な意味論：モノイド圏，効果代数，および共終境界 [cs.AI, cs.LO, cs.PL]目的：統制実行の代数的な意味論
- 現代のソフトウェアシステムにおけるセキュリティや信頼性の確保は重要であり，統制実行はそのための基盤技術となる。
- 従来の統制メカニズムは，表現力や形式的な検証が難しく，セキュリティ上の脆弱性を生む可能性がある。
- 統制実行の形式的な基礎を確立し，安全かつ確実なシステム構築を可能にすること。
- 本研究では，統制実行を形式的に記述するための代数的な枠組みを提案し，モノイド圏，効果代数，共終境界などの数学的概念を活用した。
- 提案手法は，安全性，透明性，妥当性の３つの公理に基づき，プログラムの統制を厳密に保証する。
- 抽出されたOCamlコードの動作検証により，仕様と実行時のインタプリタの行動が等価であることが確認された。
認知ワークフロー実行者に対する認証された純粋性：静的解析から暗号的証明まで [cs.CR, cs.AI, cs.PL]目的：認知ワークフローシステムにおけるガバナンスの実施を，構造的能力境界へと変換する認証された純粋性アーキテクチャ
- 認知ワークフローは複雑化の一途を辿り，ガバナンスの重要性が増している。
- 既存のガバナンス手法は，仮想マシンの脆弱性を悪用した回避が可能であった。
- 仮想マシン上のガバナンス回避を防ぐ，より強固なアーキテクチャを構築すること。
- 制限付きWebAssemblyコンパイルターゲット，純粋性証明書，実行時検証ゲート，リモートアテステーションを組み合わせた。
- 構造的純粋性，回避排除，証明書完全性，ゲート完全性に関する4つの定理を証明した。
- 実装された実行者による評価では，検証遅延時間が39～42μsであり，実行時のオーバーヘッドは0.4%未満であった。
フィッシャー部分空間における学習：LoRAファインチューニングのための誘導初期化 [cs.LG]目的：LoRAファインチューニングにおける初期化手法の改善
- 大規模言語モデルの効率的な適応は，計算資源の制約下で重要な課題である。
- LoRAの性能は初期化に依存するが，既存手法はデータ分布を考慮していない。
- データ分布に基づいた感度を考慮し，適応方向の選択を改善することを目指す。
- 提案手法は，下流データの分布によって誘導されるパラメータ空間の曲率を利用する。
- タスク依存的な基準を用いてLoRAの方向を選択することで，適応をターゲット目的に合致させる。
- 多様なタスクとモダリティにおいて，既存手法と比較して性能が向上することが示された。
LIT-PCBAライブラリにおける単一ポーズドッキング，コンセンサスリスコアリング，および教師あり機械学習のベンチマーク評価：DiffDock，AutoDock-GPU，GNINA，およびDiffDock-NMDNの批判的評価 [cs.RO, cs.LG, q-bio.BM]目的：仮想スクリーニング性能の評価
- 創薬において，効率的な化合物探索は重要であり，ドッキング技術はその中心的役割を担う。
- 既存のドッキング・スコアリング手法では，実用的なデータセットに対する性能に課題が残る。
- より現実的な条件下でのドッキング手法の有効性を評価し，最適な組み合わせを特定する。
- AutoDock-GPUとGNINAの組み合わせが最も優れた単一手法として，EF1%の中央値2.14を達成した。
- DiffDockベースのアプローチは，特にOPRK1のような難易度の高いターゲットにおいて，AutoDock-GNINAと比較して劣った。
- 教師あり機械学習による再ランキングが最も大きな改善をもたらし，EF1%の中央値は4.49（AutoDock-GNINA比+110%）となった。
ECEを超えて：較正サイズ比，リスク評価，および信頼度加重指標 [cs.CL, cs.LG, math.ST, stat.TH]目的：信頼性の較正指標およびリスク評価手法
- 機械学習モデルの信頼性は，意思決定において重要であり，その評価が不可欠である。
- 従来のECE指標は，過信リスクを適切に捉えきれない場合がある。
- 過信リスクを定量化し，識別能力を評価する新たな指標を提案すること。
- 提案する較正サイズ比（CSR）は，完全な較正下で1となり，過信リスクを明確に示す。
- 信頼度加重精度（cwA）は，識別能力の測定に有用であり，AUCも同様に拡張可能である。
- 実験結果から，CSRはリスクのある信頼度プロファイルを識別し，標準手法でもリスクが生じることが示された。
トロイのヒポ：データ窃取のためのエージェントメモリの悪用 [cs.CR, cs.AI]目的：エージェントメモリを悪用したデータ窃取攻撃の特性評価と対策
- LLMエージェントの普及に伴い，ユーザ情報保護の重要性が増している。
- エージェントメモリは攻撃対象となりうる新たな脆弱性を含んでいる。
- 本研究は，エージェントメモリへの潜伏攻撃とその対策を定量的に評価する。
- トロイのヒポ攻撃は，OpenAIやGoogleの最新モデルに対して85-100%の攻撃成功率を達成した。
- 対策は攻撃成功率を大幅に低下させるものの，タスク要件に応じて実用性が大きく左右される。
- セキュリティと実用性のトレードオフが課題であり，継続的な評価が重要である。
科学論文における事実修正の伝播測定：EditPropBench [cs.CL, cs.AI]目的：科学論文における事実修正の伝播に関する評価基準
- 科学論文の信頼性確保は重要であり，事実に基づいた正確性が不可欠である。
- 論文中の事実修正が，他の箇所にも影響を及ぼす可能性が認識されていない。
- 大規模言語モデル(LLM)による編集システムが，事実修正を適切に伝播できるか評価する。
- EditPropBenchは，LLM編集システムが事実修正を関連箇所へ伝播できるかを評価するベンチマークである。
- 評価指標であるEdit-Ripple Adherence (ERA)を用いて，LLM編集システムの性能を測定した結果，0.148～0.705の範囲であった。
- 現在のLLM編集システムでは，事実修正に伴う全ての変更を確実に伝播させることは困難であり，追加の検証が必要である。
再帰型LLMループにおける摂動応答：生のスイッチング，確率的床，および付加，置換，対話更新下での持続的脱出 [cs.AI, cs.CL, cs.LG]目的：再帰型言語モデルループにおける，ループを別の状態へ移行させるために必要なテキスト量の定量化
- 大規模言語モデルの挙動理解は，その制御と安全性の確保に不可欠である。
- 再帰型LLMループは特定のパターンに陥りやすく，そこからの脱却が困難である。
- ループからの脱出を促すための適切な摂動量の特定と，その持続性の評価。
- 付加モードの再帰型ループにおいて，持続的な状態遷移はメモリポリシーに依存することが示された。
- 全文履歴プロトコル下では，トークン数400付近でソース状態からの脱出率が50%を超え，1500トークンで75-80%に飽和した。
- 高用量時の状態遷移の低下は，時間有限性や終点定義に起因する特性であり，構造的な非対称性ではないことが示唆された。
小規模LLMにおけるゼロショット信頼度推定：教師ありベースラインの訓練価値 [cs.AI, cs.CL, cs.ET]目的：小規模言語モデルの自己正誤判定の信頼性
- LLMの推論コストが課題であり，費用対効果の高い運用が求められている。
- 高価なクラウドモデルへの問い合わせを減らすため，ローカルモデルの信頼性評価が重要である。
- 教師ありデータなしで信頼性評価が可能か検証し，効率的なルーティング手法を提案する。
- 平均トークン対数確率が，教師ありベースラインと同等かそれ以上の性能を示す。
- 分布外データにおいて，平均トークン対数確率は教師ありベースラインを大幅に上回る。
- 検索条件付き自己評価により，自己評価の性能が向上し，低遅延化も実現した。
トレンドシグナルに対する時間的クロスアテンションを用いた投稿のウイルス性予測 [eess.SY, cs.SY, cs.CL, cs.LG, cs.SI]目的：ソーシャルメディアの投稿のウイルス性の予測
- ソーシャルメディアは情報伝達の主要な手段であり，その拡散予測は重要である。
- 既存モデルは静的な特徴に依存しており，トレンドの動的な変化を捉えられていない。
- 外部のトレンドシグナルを取り込み，より正確なウイルス性予測を目指す。
- 外部の注意シグナルを組み込むことで，テキストのみのベースラインよりもAUC-PRが+0.015向上した。
- 全体的なAUC-ROCは0.836を達成し，実世界の動的要素がオンラインのウイルス性に影響を与えることが示された。
- Wikipediaのページビュー急増をトレンドシグナルとして活用することで，予測性能の向上が確認された。
SCGNN：粒状ボール計算によるセマンティック整合性強化グラフニューラルネットワーク [cs.AI]目的：グラフ表現学習におけるセマンティック整合性の捕捉
- グラフ構造データは，様々な分野で重要な役割を果たしており，その分析が求められている。
- 既存手法は計算コストが高く，ノイズの影響を受けやすいという課題があった。
- 粒状ボール計算を用いて，スケーラブルかつロバストなセマンティック整合性捕捉を実現する。
- SCGNNは，ノードを粒状ボールに分割することで計算コストを削減し，セマンティック整合性を効率的に捉える。
- 構造強化モジュールと教師あり強化モジュールを組み合わせることで，より信頼性の高い学習を可能にする。
- 様々なGNNバックボーンと互換性があり，既存のGNNに容易に組み込むことができる。
進化ゲーム理論的視点からのショートカット学習の解明 [cs.AI]目的：ショートカット学習におけるコア特徴とショートカット特徴の定義と，その形成起源の分析
- 深層学習の性能向上は目覚ましいが，その学習メカニズムの解明は未だ十分ではない。
- 深層学習モデルが本質的でない特徴に依存するショートカット学習が問題となっている。
- ショートカット学習のバイアス形成ダイナミクスを明らかにし，その軽減策を理論的に考察する。
- 勾配降下法と確率的勾配降下法が，それぞれ異なる安定状態に収束することが示された。
- 勾配降下法はショートカットサブネットワークを最適化し，確率的勾配降下法はコアサブネットワークを最適化する傾向がある。
- データノイズと最適化ノイズがショートカットバイアスの形成に与える影響が明らかになった。
適応的オフラインセーフ強化学習のためのデカップルドガイダンス拡散 [cs.LG, cs.AI]目的：オフラインセーフ強化学習における，エピソードごとまたはエピソード内で変動する安全性予算への適応
- 強化学習は，ロボット制御などの多様な分野で活用されており，その安全性確保は重要課題である。
- オフライン強化学習では，安全性制約を満たしつつ報酬を最大化することが困難である。
- 安全性予算に応じて安全な軌道を生成し，報酬を改善する手法を開発すること。
- 提案手法SDGDは，コスト制限に基づいて軌道サンプリングを誘導し，安全性制約をより確実に満たす。
- 報酬勾配ガイダンスと軌道リラベル処理FTRを組み合わせることで，報酬とコストのトレードオフを改善。
- DSRLベンチマークにおいて，SDGDはベースラインの中で最も高い安全性と報酬を達成した。
VideoNet: ドメイン特化型アクション認識のための大規模データセット [cs.PF, cs.CV, cs.LG]目的：ドメイン特化型アクション認識のためのベンチマークデータセット
- 動画は複数フレームにわたる行動を捉える点で特異であり，長年ビデオ理解の重要な課題であった。
- 十分な多様性と難易度を持つデータが不足しているため，近年のビジョン言語モデルはアクション認識能力で評価されなくなっている。
- この研究は，ビジョン言語モデルにおけるドメイン特化型アクション認識の能力を再評価し，向上させることを目指す。
- VideoNetは，37のドメインにわたる1,000種類のアクションを網羅するドメイン特化型アクション認識ベンチマークである。
- Gemini 3.1 Proは69.9%の精度を達成する一方，Qwen3-VL-8Bは45.0%にとどまり，モデル間の性能差が明らかになった。
- 収集した約50万件の動画・質問・回答ペアでMolmo2-4Bをファインチューニングすることで，既存の8Bモデルを上回る性能を実現した。
SpecKV：圧縮を考慮したガンマ選択による適応型投機的デコーディング [cs.LG, cs.AI, cs.CL, cs.DC, cs.SY, eess.SY]目的：大規模言語モデルの推論高速化のための適応的な投機的デコーディング手法
- 大規模言語モデルの利用拡大に伴い，推論速度の向上が不可欠となっている。
- 既存の投機的デコーディングでは，投機長ガンマが固定されており，最適な値がタスクや圧縮率に依存する。
- 投機長ガンマを動的に調整することで，推論速度の向上と効率化を目指す。
- SpecKVは，ドラフトモデルからの信号に基づいて投機長ガンマをステップごとに選択する軽量なコントローラーである。
- 実験の結果，最適なガンマは圧縮率によって変化し，ドラフトモデルの信頼度とエントロピーが受容率の強力な予測因子であることが示された。
- SpecKVは，固定ガンマ=4のベースラインと比較して，56.0%の改善を達成し，決定ごとのオーバーヘッドは0.34msに抑えられた。
カオス系における稀な事象の再現に向けたエコー状態ネットワークの利用 [quant-ph, cs.ET, nlin.CD, cs.AI, cs.LG, math.DS]目的：カオス系における稀な事象の再現
- 複雑な現象の予測は科学技術の発展に不可欠である。特に，カオス系の予測は重要性が高い。
- カオス系の予測は困難であり，特に稀な事象の正確な予測が課題となっている。
- エコー状態ネットワークを用いて，カオス系における稀な事象の再現を目指す。
- 競争型ロトカ・ヴォルテラモデルにおいて，エコー状態ネットワークがカオスアトラクタを学習し，変数のヒストグラムを再現することを示した。
- エコー状態ネットワークは，非平衡シミュレーションにおいても稀な事象を再現できることが確認された。
- 一般化極値分布を用いて，裾野の振る舞いを定量的に評価した。
集団逆問題における効率的な逆畳み込み [stat.ML, cs.LG, physics.comp-ph]目的：集団からの複数の観測データを用いて，興味のあるパラメータの分布を推定すること
- データ量の増加に伴い，パラメータ分布の推定が重要視されている。
- 観測ノイズ分布が不明な場合のブラインド逆畳み込みが課題となっている。
- 集団から得られる情報を活用し，ノイズ分布とパラメータ分布を同時に推定する。
- 提案手法は，物理過程のパラメータに依存する数学モデルと損失関数を用いることで，ノイズ分布とパラメータ分布を同時に最適化する。
- 特定のノイズモデル構造を利用した修正勾配降下法により，この結合問題を解決する。
- 適応的経験測度に基づく新しい能動学習スキームにより，計算を高速化し，ブラックボックスコードの自動微分を可能にする。
保守的な量子オフラインモデルベース最適化 [quant-ph, cs.LG, stat.ML]目的：オフラインモデルベース最適化における性能向上
- 未知の関数を効率的に最適化する手法は，科学技術の発展に不可欠である。
- オフラインデータのみでの予測は，未知領域での外挿誤差が課題となる。
- 保守的な予測モデルにより，外挿誤差を抑制し，信頼性の高い最適化を目指す。
- 提案手法COM-QELは，ベンチマーク最適化タスクにおいて，元のQELよりも高い真の目的関数値を持つ解を安定して見出した。
- COM-QELは，量子ニューラルネットワークの表現力を維持しつつ，保守的なモデリングによって汎化性能を向上させている。
- 本研究は，オフライン設計問題における量子最適化の信頼性を高める上で重要な貢献を示す。
勾配流によるサンプリングのためのカルバック・ライブラー発散の特異性に関する注記 [math.CO, cs.DM, math.OC, cs.SY, eess.SY, stat.ME, cs.LG, math.ST, stat.CO, stat.TH]目的：確率分布からのサンプリング手法
- 機械学習や統計的推論において，確率分布からの効率的なサンプリングは重要な課題である。
- 既存のサンプリング手法は，確率分布の正規化定数の知識を必要とする場合が多く，計算コストが高い。
- カルバック・ライブラー発散を用いた勾配流によるサンプリングにおいて，正規化定数を必要としない性質を明らかにする。
- カルバック・ライブラー発散は，ブレグマン発散の族の中で，多くの一般的な距離空間における勾配流において正規化定数の知識を必要としない唯一の発散であることが示された。
- この性質は，確率分布のサンプリングを効率化する可能性を持つ。
- 従来の勾配流法が適用困難なケースにおいて，カルバック・ライブラー発散が有効な選択肢となりうる。
疫学研究における合成データは現実世界の知見を再現できるか？敵対的ランダムフォレストを用いた複製研究 [q-bio.QM, cs.AI, cs.LG, stat.AP, stat.ML]目的：疫学研究における知見の再現可能性評価
- データアクセス制限やプライバシー保護の重要性が増しており，新たなデータ活用手法が求められている。
- 既存の合成データ生成手法は，品質，計算コスト，専門知識の必要性において課題がある。
- 合成データを用いて，プライバシーを保護しつつ，現実世界の疫学研究の知見を再現できるか検証する。
- 敵対的ランダムフォレスト（ARF）を用いて生成した合成データは，再現された6つの疫学研究において，オリジナル研究の結果と一貫性があった。
- サンプルサイズと変数の次元数が少ないデータセットでも，記述統計と推論統計の両方において高い再現性を示した。
- ARFは，他の合成手法と比較して，有用性，プライバシー保護，汎化性能，計算効率に優れていることが示された。
経験的認識に対する進化的な認知圧：機械はそれを必要とするか [cond-mat.soft, cs.RO, physics.app-ph, q-bio.NC, cs.AI]目的：経験的認識の必要性に関する考察
- AI倫理を議論する上で，意識の有無は重要な論点である。
- 意識の本質に対する合意が得られていないため，AIの意識に関する議論は困難である。
- 進化論的観点から経験的認識の必要性を検証し，AI設計への示唆を得る。
- 進化の過程で，自律的な神経反応が経験的認識を必要とした。
- AIは，そのような制約を受けないため，経験的認識なしに高度な知能を実現できる可能性がある。
- この可能性は，AI倫理の検討を容易にし，人工意識の識別アプローチを拓く。
非構造化データからの解釈可能な発見：多仮説検定アプローチ [econ.EM, cs.LG]目的：非構造化データからの解釈可能な発見
- 社会科学研究において，テキスト等の非構造化データは新たな知見を得る重要な情報源となりつつある。
- 研究者は事前に測定すべき側面を全て特定できない場合が多く，解釈可能な発見が困難である。
- 統計的原理に基づき，非構造化データから解釈可能な概念を発見し，検証することを可能とする。
- 本研究では，AI解釈可能性の手法を用いて，非構造化データを高次元で疎な「概念埋め込み」に変換する。
- 概念ごとの仮説検定を行い，高次元中心極限定理に基づいた選択的推論により，有意な発見を抽出する。
- 抽出された発見について，人間が理解しやすい自然言語による記述を生成し，その妥当性を評価する。
将来予測に基づく前向き学習による最適制御 [stat.ML, cs.LG]目的：将来の最適制御
- AIの次なるフロンティアであり，複雑な環境での自律的な意思決定を可能にする。
- 強化学習は環境の定常性やエピソードのリセットを前提とし，実世界への応用が限定される。
- 定常でない，リセットのない環境における制御学習の枠組みを提示し，最適制御を達成する。
- 提案手法（PLuC）は，特定の条件下で，経験リスク最小化がベイズ最適戦略に漸近的に収束することを証明した。
- 採餌という具体的な課題において，既存の強化学習アルゴリズムは定常でない環境で苦戦する。
- 提案手法は，単純な1次元採餌ベンチマークにおいて，従来の強化学習アルゴリズムを大幅に上回る収束速度を示した。
機械学習と凸型制限を用いた浅水方程式の亜格子スケールパラメータ化 [physics.soc-ph, cond-mat.stat-mech, cs.CY, cs.SI, physics.data-an, physics.flu-dyn, cs.LG, physics.ao-ph, physics.comp-ph]目的：浅水方程式における亜格子スケールのパラメータ化手法
- 気象や海洋の数値シミュレーションにおいて，亜格子スケールの影響を適切に扱うことが重要である。
- 従来のパラメータ化手法では，計算コストや精度の問題が存在し，長期間シミュレーションにおけるエネルギー保存が課題となっていた。
- 機械学習を用いて，亜格子スケールを効率的に，かつ高精度にパラメータ化し，長期間シミュレーションの精度向上を目指す。
- 提案手法は，4点テンプレートを用いた局所的なパラメータ化を実現し，全地球モデルのようなグローバルな結合パラメータ化よりも有利である。
- 数値実験の結果，提案手法は長期間の乱流シミュレーションにおけるエネルギーバランスを改善し，個々の解も正確に再現することが示された。
- また，フラックス制限と組み合わせることで，ショック近傍の振動を抑制し，訓練データに含まれないダイナミクスにおいても信頼性の高いパラメータ化が可能となった。
高度適応主成分回帰 [stat.ML, cs.LG]目的：高度適応主成分回帰法の提案
- 高次元データ解析において，変数選択と次元削減は重要な課題である。
- 既存のHighly Adaptive Lasso法は計算コストが高いという問題がある。
- 主成分分析を利用し，計算効率を改善しつつ，高い予測精度を維持すること。
- 提案手法PCHALおよびPCHARは，HALと同等の性能を実証的に達成しつつ，計算量を大幅に削減する。
- 早期停止勾配降下法を用いることで，明示的な主成分数の選択なしに，滑らかなスペクトル正則化を実現する。
- 特定の条件下では，HALカーネルがブラウン運動の共分散関数と等しいことが明らかになった。
行動に制約された分解線形動的システムモデル：神経活動の解析 [q-bio.NC, cs.LG, stat.AP, stat.ML]目的：神経活動と行動の関係性の解明
- 脳活動は行動を駆動する基盤であり，その理解は神経科学の重要な課題である。
- 脳活動は行動に直接関連する情報と，内部計算という二つの要素を含むため，分離が困難である。
- 行動と神経活動の複雑な関係性を明らかにし，行動生成ネットワークを特定すること。
- 提案手法b-dLDSは，シミュレーションデータにおいて，行動に基づいた既存モデルよりも優れた性能を示した。
- b-dLDSは，非線形な関係性を持つRNNデータセットにおいて，解釈性の向上に貢献した。
- ゼブラフィッシュの脳幹大規模記録への適用により，行動に関連する動的結合ネットワークの非対称性が明らかになった。
多段階残差学習による量子モデルの周波数学習バイアス軽減 [quant-ph, cs.LG]目的：量子モデルにおける周波数学習バイアスの軽減
- 量子機械学習は，古典的な機械学習の代替として期待されており，計算速度の向上に貢献する。
- 量子モデルは，複数の周波数成分を持つ関数の学習，特に高周波成分や非支配的な成分の学習が苦手である。
- 本研究は，多段階残差学習を用いて量子モデルのスペクトル表現力を向上させ，周波数学習の改善を目指す。
- 多段階残差学習は，量子モデルにおける複数の周波数を効果的に解決するために，量子ビット数，エンコーディング方式と並んで重要であることが示された。
- 単一段階のベースラインと比較して，残差学習のみでもテストMSEを大幅に改善することが確認された。
- 本研究は，量子モデルのスペクトル表現力の向上と周波数学習に関する新たな知見を提供する。
ベルマン固定点を超えて：価値反復における幾何学と迅速な方策同定 [math.OC, cs.SY, eess.SY, math.OC, cs.AI, cs.SY, eess.SY]目的：割引Q値反復における最適行動クラスへの到達時間と収束速度の解析
- 強化学習は，報酬を最大化する行動戦略を学習する強力な手法であり，ロボット工学等の応用が期待される。
- Q値反復の収束性解析は，ベルマン作用素の収縮を利用するが，最適方策の同定時期については詳細が不明であった。
- 本研究は，Q値反復が最適方策に到達する過程を，幾何学的な視点から解析し，迅速な方策同定のメカニズムを解明する。
- Q値反復は，最適Q値の集合周辺の不変チューブに到達することで，有限時間内に最適行動クラスを特定できることが示された。
- チューブへの距離は，横方向のスペクトル半径に基づき指数関数的に減衰し，従来の収縮率よりも高速な収束を可能にする。
- スペクトル半径とグラフ理論的な条件から，高速な方策同定が成立する条件が明らかにされた。
高速リサージュ共焦点レーザー内視鏡におけるマルチフレーム復元 [eess.IV, cs.CV, cs.LG]目的：高速リサージュ共焦点レーザー内視鏡画像の復元
- 生体内組織の高速光学生検の実現が求められており，そのための技術開発が重要である。
- 高速化に伴い，リサージュ走査特有の構造的な欠損が生じ，画質が低下するという課題がある。
- 欠損のある画像を，高画質の参照画像を用いて復元し，診断精度を向上させることを目指す。
- 本研究で提案するMIRAは，軽量な再帰的フレームワークであり，特徴の再利用と変位アライメントを通じて時間的コンテキストを集約する。
- MIRAは，既存の軽量および複雑なベースラインと比較して，復元品質が優れていることを実験的に示した。
- 臨床応用に適した計算効率を維持しながら，高い復元性能を実現している。
Ga₂O₃系水素・温度センサの安全な能動学習による信頼性評価の自律化 [physics.app-ph, cond-mat.mtrl-sci, cs.LG, cs.SY, eess.SY]目的：Ga₂O₃系整流デバイスの信頼性特性評価
- 高耐圧・高温動作が可能なGa₂O₃は，次世代のパワーデバイスやセンサへの応用が期待されている。
- 水素雰囲気下での高温環境におけるGa₂O₃デバイスの長期信頼性評価は，時間とコストがかかる。
- 安全性を確保しつつ，効率的に信頼性評価を進めるための手法が求められている。
- 安全な能動学習（SAL）フレームワークを開発し，熱・水素ストレス下でのデバイスの信頼性評価を自律的に行うことに成功した。
- 整流特性を安全性指標として活用し，デバイスの劣化過程をガウス過程でモデル化することで，安全な実験領域を探索した。
- 実験結果は，SALによる安全性を考慮した実験が，デバイスの劣化モデリングにも貢献することを示した。
ニュートン-シュルツ反復によるスティフェル多様体への二次の手法 [math.OC, cs.AI, cs.LG, cs.NA, math.NA]目的：スティフェル多様体上の二次の手法の開発
- 機械学習やデータ解析において，低次元空間への写像や主成分分析など，最適化問題の重要性が増している。
- 既存のリーマン幾何学的手法は計算コストが高く，低コストな代替手法が求められている。
- リトラクションを用いない，効率的な二次の手法を開発し，高精度な最適化を可能にすること。
- 提案手法は，リトラクションを用いずにスティフェル多様体上で二次の収束性（または不正確な変形を用いた超線形収束性）を達成する。
- 更新は，目的関数を減少させる接線成分と，実行可能性を減少させる法線成分の和として構成される。
- 数値実験の結果，直交プロクルステス問題，主成分分析，実データ独立成分分析において既存手法よりも優れた性能を示す。