arXiv雑要約
AI - 2026/05/12 公開
見えない握手：適応型市場エージェントによる持続的な価格つり上げ [q-fin.TR, cs.GT, cs.LG]目的：市場における持続的な価格つり上げのメカニズム
- 金融市場の効率性は経済活動の根幹であり，価格形成メカニズムの理解は重要である。
- 市場参加者の行動が価格に与える影響が十分に解明されておらず，非効率な価格形成が起こりうる。
- 適応型市場エージェントによる学習が，持続的な価格つり上げを招く要因を特定すること。
- 市場メーカーと市場参加者の反復ゲームにおいて，取引による価格インパクトと外部ショックが価格変動の要因となる。
- 価格インパクトを抑制した架空の価格パスと比較して，持続的な価格つり上げの戦略プロファイルを特定した。
- 分散学習が有限時間内に価格つり上げ領域に到達するための十分条件を示し，その条件が満たされることを確認した。
EchoFake：実用的な音声ディープフェイク検出のためのリプレイ対応データセット [math.OC, cs.RO, eess.AS, cs.AI, cs.SD]目的：音声ディープフェイク検出のためのデータセット
- 音声ディープフェイク技術の発展は，詐欺やなりすましといった深刻な問題を引き起こす可能性があり，対策が急務である。
- 既存の音声詐欺検出システムは，実験室環境で生成されたデータに対しては高い性能を示すものの，現実的なリプレイ攻撃に対しては脆弱である。
- 現実的なリプレイ攻撃を含むデータセットを構築し，より実用的な音声詐欺検出技術の開発を促進すること。
- 本研究で作成したEchoFakeデータセットは，120時間以上の音声と13,000人以上の話者を含み，最新のTTS合成音声と実際の環境で録音されたリプレイ音声を網羅している。
- EchoFakeで学習したベースラインモデルは，既存のデータセットで評価した場合と比較して，平均EERが低く，汎化性能が向上することが示された。
- EchoFakeは，より現実的な課題を提供することで，音声詐欺検出技術の進歩を促進するための基盤となる。
最適な注意温度が，高次元における分布シフト下での文脈内学習のロバスト性を改善する [quant-ph, cs.ET, stat.ML, cs.LG]目的：分布シフト下での文脈内学習のロバスト性改善
- 事前学習済みTransformerは強力だが，実世界への応用では，事前学習データと異なる分布での性能劣化が課題となる。
- 分布シフトが発生した場合，文脈内学習の性能が著しく低下することが知られている。
- 注意温度を最適化することで，分布シフト下での文脈内学習のロバスト性を向上させる。
- 注意温度を最適化することで，高次元線形回帰モデルにおける文脈内学習の汎化誤差を最小化できることが理論的に示された。
- 最適な注意温度は，事前学習時の注意スコアのモーメントと関連しており，解釈可能性が高い。
- GPT-2やLlama2-7Bといった大規模言語モデルを用いた実験により，ノイズを含む文脈内学習データでも性能向上が確認された。
因果識別のための二つのプロキシ変数の手法の比較 [stat.ME, cs.LG, stat.ML]目的：因果効果の識別
- 未測定変数存在下での因果推論は重要であり，プロキシ変数法が有力な解決策である。
- プロキシ変数法の適用範囲と前提条件が明確でない。
- 二つの主要な手法のモデル制限を比較し，適用範囲を明確化する。
- ブリッジ方程式法と配列分解法という二つの主要なアプローチを比較した。
- 各手法の背後にある仮定の違いと，その影響について考察した。
- それぞれの適用可能性を明確にし，因果推論の指針を提供する。
乳がん分類のためのハイブリッド量子古典畳み込みニューラルネットワークにおける並列多回路量子特徴融合 [math.OC, cs.SY, eess.SY, quant-ph, cs.AI, cs.LG, eess.IV]目的：乳がんの良性・悪性分類のための量子機械学習モデルの性能向上
- 医療画像のような高次元データにおける特徴抽出と分類の精度向上が求められている
- 従来の古典的な機械学習モデルでは，高次元データの複雑な特徴を捉えることが困難である
- 量子エンタングルメントを活用し，古典的な特徴との融合により，分類精度を向上させる
- ハイブリッドQCNNは，古典的なCNNと比較して統計的に有意に高い分類精度を達成した（p = 0.03125，Cohen's d = 2.14）。
- 量子回路による特徴埋め込みと古典的な特徴抽出の組み合わせが，医療画像分類タスクの性能向上に貢献する可能性が示された。
- 本研究は，バイオメディカル応用におけるハイブリッド量子モデルの評価のための統計的検証フレームワークを確立した。
ランジェヴァン動力学の一貫した投影：粗視化モデルにおける熱力学と動力学の保存 [physics.comp-ph, cs.LG, math.DS]目的：複雑な多階層システムの効率的なモデル化とシミュレーション
- 生体分子の構造変化など，多階層システムを扱う上で，計算コスト削減は不可欠である。
- 従来の粗視化手法では，熱力学的な性質や動力学的な性質が十分に保存されない場合がある。
- 本研究は，熱力学と動力学を正確に保存する粗視化手法を開発し，その有効性を示す。
- 提案手法は，一般化された減衰ランジェヴァン動力学に対する投影に基づいた粗視化形式を提供する。
- 拡張動的モード分解(gEDMD)を用いて粗視化された動力学をモデル化し，遷移時間スケールなどの動力学的特性を評価できる。
- 熱力学的補間(TI)と組み合わせることで，数値シミュレーションを繰り返すことなく，熱力学状態間での適用範囲を拡大できる。
結晶構造ノイズ除去，相分類，および秩序パラメータのための確率的フレームワーク [cond-mat.mtrl-sci, cs.AI]目的：結晶構造データのノイズ除去，相分類，秩序パラメータ抽出を統合的に行う確率的フレームワーク
- 物質科学において，原子レベルでのシミュレーションは材料特性を理解する上で不可欠である。
- シミュレーションデータにはノイズが多く含まれており，正確な相分類や秩序パラメータの決定が困難である。
- 既存の手法は限定的な結晶構造にしか適用できず，ノイズ除去と相分類が分離されている問題を解決する。
- 本研究で開発されたフレームワークは，ノイズ除去後の結晶構造の同定を可能にする。
- バイン経路やバーガース経路といった連続的な相転移を追跡することができる。
- 欠陥や相境界など，信頼性の低い領域を特定し，原子レベルシミュレーション解析の新たな道を開く。
信頼性の高いLLMベースのエッジ-クラウド-エキスパートカスケードによる通信知識システム [eess.SP, cs.LG]目的：通信分野における知識システムの意思決定支援
- 通信分野では，自動化による効率化が求められており，LLMはその重要な役割を担う。
- LLMの導入には，コスト，遅延，信頼性のバランスが課題となる。
- LLMのコストと信頼性を両立するカスケード型システムの最適化。
- 提案手法は，従来のカスケード型システムと比較して，コスト効率が優れていることをTeleQnAデータセットで実証した。
- 知識と信頼性に基づくクエリ処理メカニズムにおいて，多仮説検定に基づく厳密な閾値選択法を提案した。
- 誤った回答のリスクを有限サンプルで保証し，信頼性を確保しながら平均処理コストを最小化する最適化問題を定義した。
ランクフリー結合と外部磁場を組み込んだ，非コヒーレント変調空間光子イジングマシン [physics.optics, cond-mat.dis-nn, cs.LG, math-ph, math.MP, physics.app-ph]目的：空間光子イジングマシンにおける最適化とスピンモデルシミュレーションの実現
- 最適化問題やスピンモデルのシミュレーションに，新しい光学的プラットフォームとして注目されている。
- 従来の方式では，高ランク結合や外部磁場のエンコードに補助スピンや多重化が必要で，速度やスピン数の制約がある。
- 高ランク結合や外部磁場を直接的にエンコードし，スケーラブルな光子イジングマシンを実現することを目指す。
- 振幅変調のみを用いることで，797スピンの完全結合イジングモデルと外部磁場を9ビット精度でプログラム可能であることを実験的に示した。
- ゼロ値の積項を除去することで，疎な問題にも対応でき，424,108頂点のメビウスラダーグラフにおけるMax-Cut問題を解いた。
- シャーリントン・カークパトリックモデルの相転移を観測し，低ランク結合に限定されないプログラマブルな光学的シミュレーションを実証した。
AQUA-Bench：音声質疑応答における回答の有無の認識を超えて [eess.AS, cs.AI, cs.CL, cs.LG, cs.SD]目的：音声質疑応答における回答不能な質問の評価
- 音声情報処理は，人間と機械のより自然なコミュニケーションを可能にする上で重要である。
- 既存のベンチマークは回答可能な質問に偏っており，回答不能な質問への対応が課題となっていた。
- 音声と質問の適合性を評価し，より信頼性の高い音声言語システムを開発することを目指す。
- AQUA-Benchは，回答の欠如，選択肢の不適合，音声と質問の関連性の欠如という３つのシナリオを評価する。
- 実験結果から，既存モデルは回答可能な質問には優れるものの，回答不能な質問には課題があることが示された。
- このベンチマークは，モデルの信頼性評価と，より堅牢な音声言語システムの開発を促進する。
統計的保証付きLLM性能の効率的な評価 [astro-ph.HE, cs.SY, eess.SY, gr-qc, physics.comp-ph, stat.ML, cs.LG]目的：LLM性能評価における効率化
- LLMの急速な発展に伴い，その性能を正確に評価する重要性が増している。
- 網羅的な評価は計算コストが高く，現実的な制約がある。
- 限られた評価予算内で信頼性の高い性能指標を得ることを目指す。
- 提案手法FAQは，過去の情報を活用し，効率的な質問選択を行うことで，既存手法と比較して最大5倍のサンプルサイズ相当の効果を実現した。
- FAQは，均一サンプリングと同等の信頼区間幅を，最大5分の1の質問数で達成可能である。
- 再現性を確保するため，ソースコードとデータセットを公開した。
LLMの事前知識を信頼するタイミングの学習：意味的事前知識統合のための検証済みフレームワーク [stat.ML, cs.LG]目的：LLM由来の意味的事前知識を信頼するタイミングの学習
- 大規模言語モデルは有用な知識を持つ。しかし，その活用法には課題がある。
- LLMの出力はノイズや誤りを含み，そのまま統計的仮説として用いるのは危険である。
- データに基づきLLM由来の事前知識を検証し，信頼性の高い学習を実現することを目指す。
- Statsformerは，LLM由来の特徴量を多様な予測モデルに統合するフレームワークである。
- 交差検証を用いて各モデルの重みを適応的に調整し，信頼性の低い事前知識の影響を抑制する。
- 理論上，最適なモデルの組み合わせと同等の性能を保証し，実験的にもLLMの有用性が示された。
ネストスライスサンプリング：GPUアクセラレーションのためのベクトル化ネストサンプリング [stat.CO, cs.LG, stat.ML]目的：パラメータに関する積分
- モデル比較や不確実性定量にはパラメータ積分が不可欠であり，複雑な対象では効率的な推論が課題。
- 従来のネストサンプリングは逐次処理が基本であり，GPUなどのアクセラレータへの実装が困難。
- GPU上で効率的に動作するネストサンプリングのベクトル化手法を開発し，複雑な問題への適用を目指す。
- 提案手法であるネストスライスサンプリング（NSS）は，GPUフレンドリーなベクトル化されたネストサンプリング。
- NSSは，難しい多峰性問題において，既存の最先端手法よりもロバストな結果を示す。
- スライス幅の設定に関するチューニング分析により，高次元での性能向上と並列実行の予測可能性の向上が確認された。
大規模言語モデルによる行動パラメータの較正 [econ.GN, cs.AI, q-fin.EC]目的：行動パラメータの測定
- 資産価格モデルにおいて，行動パラメータは中心的役割を担うが，正確な測定は困難である。
- 既存手法では，行動パラメータの信頼性のある測定が課題となっている。
- 大規模言語モデルを用いて，行動パラメータの測定精度向上を目指す。
- 大規模言語モデルには，損失回避，群集行動，外挿において，人間との系統的な合理性の偏りが見られた。
- プロファイルに基づいた較正により，損失回避，群集行動，外挿，アンカリングなどのパラメータが理論的に整合性のある範囲にシフトした。
- 較正されたパラメータをエージェントベースの資産価格モデルに組み込むことで，経験的な証拠と一致する短期モメンタムと長期反転パターンが生成された。
RIR-Former：座標誘導型Transformerによる室内インパルス応答の連続再構成 [eess.AS, cs.LG]目的：室内インパルス応答の再構成
- 音響信号処理において，室内インパルス応答は重要な役割を果たす。
- 空間的に高密度な測定は現実的に困難であるという課題がある。
- 任意の位置での補間を可能にする再構成手法を提案する。
- 提案手法RIR-Formerは，既存の最先端手法と比較して，正規化平均二乗誤差(NMSE)およびコサイン距離(CD)において一貫して優れた性能を示した。
- マイクロホン位置情報を効果的に組み込むことで，様々な欠損率とアレイ構成下で高い精度を実現した。
- 複雑なアレイ形状や動的な音響環境への拡張が期待される。
標的合成統制法 [stat.ML, cs.LG]目的：因果効果の推定
- パネルデータ分析において，単一の介入単位に対する因果効果を評価する手法は重要である。
- 従来の合成統制法では，事前期間の適合性が不十分であったり，不安定な重みが生じることが課題となっていた。
- 本研究は，重みのバイアスを低減し，より安定した合成統制を可能にする新たな手法を提案することを目的とする。
- 提案手法（TSC）は，重みを標的に絞り込むことで，初期重みを改良し，安定性を向上させる。
- TSCは，最終的な反事実推定が観察された統制結果の凸結合となるように保証し，重みの解釈を容易にする。
- 広範な実験の結果，TSCは最先端の合成統制法と比較して，推定精度を継続的に向上させることが示された。
構成的条件付き正規化フロー [math.OC, cs.DC, math.OC, cs.LG, math.AP, math.PR]目的：条件付きサンプリングにおける近似手法
- 確率モデルは，多様な応用分野で重要な役割を担っている。
- 高次元データの確率密度関数の近似は困難な課題である。
- ニューラルネットワークを用いた効率的な近似手法の確立。
- 連続方程式の速度場を，区分的に定数重みを持つパーセプトロンニューラルネットワークで表現する構成を提案。
- ラグランジュ補間を極分解することで，圧縮成分と非圧縮成分を分離し，それぞれを効率的に実装する方法を示した。
- より正則な写像に対しては，モーレー経験的手法に触発された確率的構成を提案し，次元の呪いを回避。
多重ヒット癌遺伝子ドライバーの特定：CP，MIP，および列生成フレームワーク [eess.IV, cs.MM, q-bio.GN, cs.CL, math.AP, cs.MA, nlin.AO, math.OC, cs.LG]目的：多重ヒット癌遺伝子ドライバーセットの最適選択
- 癌の発生メカニズム解明と標的治療開発には，癌を推進する遺伝子変異の組み合わせの特定が不可欠である。
- 既存手法は網羅的な列挙と大規模並列化に依存し，計算資源と時間がかかるという課題があった。
- 本研究は，少ない計算資源で効率的に癌遺伝子ドライバーの組み合わせを特定することを目指す。
- 制約プログラミングと混合整数計画法に基づく高速ヒューリスティックにより，単一の標準CPUで最先端のスーパーコンピューティング手法と同等の性能を達成した。
- 価格と分枝ヒューリスティックを用いて，ベンチマークインスタンスの過半数に対して初めて厳密最適解を得ることに成功し，高速ヒューリスティックのほぼ最適性を示した。
- 実際の癌ゲノムデータにおいて，多重ヒット癌遺伝子ドライバーセットカバー問題は，従来考えられていたよりも計算負荷が低いことが示された。
SDiaReward：対話報酬のモダリティと口語性をモデル化・評価するためのベンチマーク [eess.AS, cs.CL, cs.LG]目的：対話報酬のモダリティと口語性を考慮したモデルの構築と評価
- 対話システムの高度化には，テキスト情報に加え，音声に含まれる感情や抑揚といった非言語情報を活用することが不可欠である。
- 既存手法では，音声のモダリティや自然な会話における口語表現の違いを捉えることが困難である。
- 対話のモダリティと口語性を統合的に評価可能な報酬モデルを開発し，より人間らしい対話システムの実現を目指す。
- SDiaRewardは，モダリティと口語性の両方を考慮したエンドツーエンドの多岐対話報酬モデルであり，高いペアワイズ選好精度を達成した。
- 一般的な音声LLMと比較して，顕著な性能向上を示し，対話の表現力を捉え，ドメインや録音環境への汎化性能も改善されることが示唆された。
- SDiaReward-DatasetとESDR-Benchという新たなデータセットとベンチマークが，対話システムの評価に貢献する。
AIが核融合エネルギー実現に貢献するための課題と機会 [math.OC, cs.RO, cs.SY, eess.SY, math.CO, cs.DM, physics.plasm-ph, cs.AI]目的：核融合エネルギー研究におけるAIの活用可能性
- 地球温暖化対策として，クリーンエネルギー源である核融合エネルギーの実現が喫緊の課題である。
- 核融合研究は複雑であり，データ解析や制御に高度な技術が求められる。
- AI技術を核融合研究へ適切に導入するための課題と対策を明らかにすること。
- AIの活用には課題も存在するが，適切な手法を構築することで克服可能である。
- 核融合研究の専門家とAI開発者の緊密な連携が，AIの有効活用に不可欠である。
- 核融合研究の全ての課題がAIで解決できるわけではないという認識が必要である。
ADP-FL-MedSeg：多様なモダリティにおける連合医療セグメンテーションのための適応的差分プライバシー [eess.IV, cs.AI, cs.CV]目的：連合医療画像セグメンテーションにおけるプライバシーと実用性のトレードオフの最適化
- 医療データはプライバシー規制により共有が難しく，有効活用が課題となっている。
- 中央集権的な学習では，異なる臨床環境への汎化性能が低いという問題がある。
- 差分プライバシーを連合学習に組み込む際の精度低下と不安定性を解消すること。
- 提案手法であるADP-FLは，プライバシー保護とセグメンテーション精度の両立に貢献する。
- 多様な画像モダリティとセグメンテーションタスクにおいて，既存手法を上回る精度を達成した。
- トレーニングの安定性，収束速度，境界の鮮明さも向上し，実用的な連合学習の可能性を示した。
Transformerを用いたHadamard行列の生成 [math.CO, cs.LG]目的：Hadamard行列の構成手法
- 暗号理論や符号理論など，様々な分野でHadamard行列の応用が期待されている。
- 大規模なHadamard行列の効率的な構成が課題であり，既存手法では限界がある。
- Transformerモデルと局所探索を組み合わせ，効率的なHadamard行列の構成を目指す。
- 本手法は，特にGoethals-Seidel型Hadamard行列に対して有効であり，高速な評価と最適化を可能にする。
- 100次から200次の行列に対し，多数の非同値なHadamard行列を生成することに成功した。
- 実験の結果，Transformerが探索空間における隠れた対称性を発見し，活用できることが示された。
因果推論のための生成的な合成データ：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妥当性確保
- データ駆動型の意思決定の重要性が増す中，因果推論は政策やビジネス戦略の最適化に不可欠である。
- 既存の合成データ評価指標は，予測性能に偏重し，因果推論に必要な妥当性を保証しないという課題がある。
- 因果推論に特化した合成データ生成フレームワークを開発し，因果効果推定の精度向上を目指す。
- 完全生成モデルでは予測性能を維持しつつも，平均処置効果(ATE)推定に歪みが生じることが示された。
- 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の保存において完全生成モデルよりも優れた性能を発揮した。
- LLMベースのハイブリッド合成データは，CTGANと比較してATEの保存と有限サンプル推定量のベンチマーキングにおいてより高い忠実性を示した。
BandRouteNet：脳波アーチファクト除去のための適応的バンドルーティングニューラルネットワーク [eess.SP, cs.AI]目的：脳波アーチファクト除去の性能向上
- 脳波は神経学的診断や脳コンピュータインターフェース等に応用され，医療・福祉分野において重要である。
- 脳波信号は，眼球電図や筋電図などのアーチファクトの影響を受けやすく，信号品質が低下しやすい。
- 周波数帯域ごとの特性を考慮し，適応的なアーチファクト除去を実現することで，脳波信号の信頼性を高める。
- BandRouteNetは，EOG，EMG，混合アーチファクト条件下において，既存手法を上回る性能を示した。
- 相対二乗平均平方根誤差（RRMSE）と信号対雑音比改善（SNRimp）の両方で優れた結果が得られた。
- 学習パラメータ数が0.2Mと少なく，リソース制約のある環境下での利用に適している。
非線形構造力学のための方程式フリーデジタルツイン [eess.SP, cs.LG, cs.SY, eess.SY]目的：非線形構造力学におけるデジタルツインの構築
- 極限環境下の高次元構造物のモニタリングは重要であり，安全性向上に貢献する。
- 従来のモデルベースやデータ駆動型手法は，非定常励起や非線形性に対応が難しい。
- 本研究は，センサー故障時や部分的観測下でも構造状態をリアルタイムで再構成する。
- ランク最適化されたクープマン-ハンケル多様体が，構造共振と決定論的3Pローター高調波を分離した。
- ローリングホライズン仮想センシング戦略により，重要構造箇所で高い忠実度での再構成が可能となった。
- 物理的リアプノフ時間を約1.0秒と推定し，システムの予測限界を定義した。
純粋状態アンサンブル生成のための確率的シュレーディンガー拡散モデル [quant-ph, cs.DC, stat.ML, cs.LG]目的：純粋状態アンサンブルの生成
- 量子機械学習において，古典データを量子状態にエンコードする手法が重要視されている。
- 量子純粋状態アンサンブルに対するスコアベース拡散モデルの拡張は，幾何学的な複雑さから困難である。
- 複雑な幾何学的問題を解決し，効率的な純粋状態の生成を可能にすること。
- 確率的シュレーディンガー拡散モデル(SSDMs)を提案し，複素射影空間上の拡散過程を実現した。
- SSDMsは，観測可能量，オーバーラップカーネルMMD，エンタングルメント指標などの統計量を正確に捉えられた。
- 生成された量子表現は，表現レベルのデータ拡張により，下流の量子機械学習の汎化性能を向上させた。
多重尺度ユークリッドネットワーク軌跡：第2モーメント幾何学，帰属，変化点 [stat.ML, cs.LG, math.ST, stat.TH]目的：動的ネットワークの時間的変化の幾何学的意味と統計的識別可能性を両立する表現
- ネットワークの時間変化分析は，社会構造の変化を理解する上で不可欠である。
- 既存手法では，潜在位置の曖昧性により幾何学が歪み，時間比較が困難になる場合がある。
- 第2モーメント幾何学に基づく軌跡表現で，歪みを抑制し，時間構造の解釈を可能にする。
- MENTフレームワークは，等方性正規化により，軌跡の幾何学的構造を歪みなく保持する。
- モードごとの変動距離と多次元尺度構成により，時間経過に伴う変化を詳細に捉える。
- 実験結果は，MENTが時間構造を安定的に再現し，変化点検出においても高い性能を示すことを示唆する。
半双対最適輸送におけるモンジュ写像の安定性 [math.OC, cs.LG]目的：半双対最適輸送問題におけるモンジュ写像の収束条件
- 最適輸送は，確率分布間の距離を測る上で重要であり，機械学習等への応用が進んでいる。
- 数値解法では，輸送写像と双対ポテンシャルの更新回数に差が生じることが課題となっていた。
- 双対ポテンシャルの最適性条件を必要とせずに，モンジュ写像の収束条件を明らかにすること。
- 半双対最適輸送問題が退化した鞍点構造を持つことが示された。
- 数値解法は，制約付き最適化問題の解法と同等であることが明らかになった。
- モンジュ写像の収束に必要な条件が導かれ，輸送写像の更新回数が多い理由が説明された。
カテゴリデータのサンプリングのための球面フロー [stat.ML, cs.CL, cs.LG]目的：離散系列の生成モデル学習
- 離散データ生成は，機械学習における重要な課題であり，様々な応用分野で求められている。
- 既存手法はユークリッド空間や確率シンプレックスで動作し，複雑な離散データの分布を捉えるのが困難である。
- 球面上のフローを用いて，より効率的に離散データの分布を学習し，生成性能を向上させる。
- 提案手法では，von Mises-Fisher分布を利用し，球面上の自然なノイズ過程と閉形式の条件スコアを実現した。
- 連続方程式を簡約化し，コサイン類似度に関するスカラーODEを解くことで，効率的なサンプリングを可能にした。
- Sudokuと言語モデリングの実験において，vMFとPCサンプリングの組み合わせが大幅な性能向上を示した。
非線形因果探索のためのフーリエ特徴量法：FFMLスコア，TRFFスコア，およびFFCI検定（混合データ） [stat.ML, cs.AI, cs.LG]目的：非線形因果関係の探索手法
- 複雑なシステム理解には，変数間の因果関係を明らかにすることが不可欠である。
- 既存の非線形因果探索手法は計算コストが高く，大規模データへの適用が困難である。
- 効率的な計算手法を開発し，大規模データにおける非線形因果探索を可能にすること。
- フーリエ特徴量を用いたFFMLスコア，TRFFスコア，FFCI検定を提案し，実用的なツールキットを構築した。
- TRFFスコアは高精度，FFMLスコアは高再現率を示し，両者は互いに補完的な性能を発揮する。
- BOSS+FFMLは非線形データにおいて最低のSHDを，BOSS+TRFFは最高の精度を示すことが確認された。
極端多クラスに対するコントラスティブ表現学習の一般化誤差分析の改良 [stat.ML, cs.LG]目的：極端多クラスのコントラスティブ表現学習における一般化誤差の上界
- 機械学習の分野において，表現学習は性能向上に不可欠であり，その理論的な理解が重要である。
- 既存の研究では，データの独立性を仮定しているため，実用的なデータセットにおける依存関係が無視されている。
- 極端多クラス問題における過剰なリスクの上界を改善し，より現実的な設定での学習効率を高める。
- 本研究では，クラス数のオーダーに依存しないサンプル複雑度の上界を導出した。
- リスクのクラス間集中を捉える新たな推定子を提案し，特に長尾分布を持つデータセットにおいて，より鋭い上界を実現した。
- サンプル複雑度は，各タプルあたりのサンプル数kに比例する $\mathcal{O}(k)$ であることが示された。
漸近的に対数最適なベイズ支援信頼系列：有界平均値の場合 [stat.ML, cs.LG]目的：有界な独立同一分布観測値の平均値に対する時間一様確実性定量化
- データ分析において，分布を仮定しない信頼性の高い不確実性評価が重要である。
- 既存の信頼系列構築法は，事前情報を活用しておらず，効率が低い場合がある。
- 事前分布を利用したベイズ支援フレームワークにより，信頼区間の幅とサンプリング努力を削減する。
- 提案手法は，予測分布がWasserstein一貫性を持つ場合，真の分布を知るオラクル法と同等の漸近的対数最適性を達成する。
- Dirichlet過程混合とベイズ指数付き傾斜経験尤度を用いたロバストな予測に基づき，フレームワークを具体化した。
- 合成データ，LLM評価のための逐次最良腕識別，予測駆動型推論の実験により，事前情報が有効であることが示された。