arXiv雑要約
AI - 2026/06/05 公開
近赤外分光法における前処理選択の再構築：モデル内部校正としてのオペレーター適応型PLSおよびRidgeモデルの大規模ベンチマーク [stat.ML, cs.LG, eess.SP]目的：近赤外分光法における前処理選択の効率化と精度向上
- 近赤外分光法は，多様な分野で迅速かつ非破壊な分析を可能にする重要な技術である。
- 従来の前処理選択は計算コストが高く，効率的な分析のボトルネックとなっている。
- モデル内部校正により前処理探索を効率化し，計算時間を大幅に削減することを目的とする。
- 提案手法AOM-PLSは，従来のPLSやハイパーパラメータ最適化PLSと比較して，予測精度を維持しつつ計算時間を大幅に短縮した。
- AOM-Ridgeも同様に，Ridge回帰において高い予測性能と大幅な計算時間短縮を実現した。
- オペレーター適応型分類器AOM-PLS-DAは，分類精度を向上させ，効率的なデータ分析を可能にした。
適応的バッチスケーリングによるスケーラブルな強化学習 [stat.ML, cs.AI, cs.LG]目的：強化学習におけるスケーラブルな学習手法
- 強化学習は，複雑な問題を自律的に解決する可能性を秘めており，ロボティクスやゲームなどの分野で重要である。
- 従来の強化学習では，バッチサイズを大きくするとデータ分布の非定常性により性能が低下する問題があった。
- 学習初期の可塑性と，学習終盤の安定した収束を両立させることで，スケーラブルな強化学習を実現することを目指す。
- 本研究では，学習の安定性に応じてバッチサイズを動的に調整する適応的バッチスケーリング（ABS）を提案する。
- ABSは，行動レベルの変化を定量化する行動ダイバージェンスという新しい指標を用いて，バッチサイズをポリシーの変動に反比例してスケーリングする。
- 実験結果から，ABSを用いることで，より大きなネットワークとバッチサイズを用いて高い性能を実現できることが示された。
ASE-LSE不一致の状況：極端なケースと構造的要因の包括的特徴づけ [stat.ML, cs.LG, cs.SI]目的：ASE-LSE間の潜在的空間の不一致
- グラフデータ分析は，ネットワーク構造の理解に不可欠であり，様々な分野で応用されている。
- ASEとLSEは広く使われる手法だが，同じグラフに対して異なる結果を生むことがあり，その理由は不明確である。
- ASE-LSE間の不一致の構造的要因を特定し，その程度を予測することを目指す。
- ASEとLSEは，ラプラシアンが隣接行列の定数倍である場合に一致し，その条件はグラフが正則または二部双正則である場合に成り立つことが示された。
- 不一致の最大値は存在せず，不一致の度合いは常に理論上の上限を下回ることが証明され，次数分布の不均一性と固有ギャップが不一致の主要な要因であることが示された。
- 実験的検証により，次数分布の不均一性は不一致を増加させ，固有ギャップは抑制することが確認され，その比率がASE-LSE不一致の予測因子として機能することが明らかになった。
AutoDFT：自律的DFT計算のための閉ループマルチエージェントフレームワーク [cond-mat.mtrl-sci, cs.AI, cs.CE]目的：自律的なDFT計算の実現
- 材料科学や化学において，計算による物質探索は不可欠であり，DFTはその基盤である。
- 従来のDFT計算は，収束の調整や計画の修正など，多くの人的介入を必要とする。
- AutoDFTは，計算過程における計画と実行のループを閉じることで，専門家でなくても信頼性の高い結果を得ることを目指す。
- AutoDFTは，GPT-5.2を用いてVASPBenchの34タスクと9種類のDFT計算で94.1%の成功率を達成した。
- 確立された材料データベースにおいて，電子状態，磁性，エネルギーなどの物性予測において定量的に信頼性の高い結果が得られた。
- AutoDFTは，計算計画と実行の間にフィードバックループを設けることで，計算過程の適応性を高めている。
勾配フロー最適化：動的ランダム効果推論としての解釈と，深層学習への応用 [stat.ML, cs.LG]目的：勾配フロー最適化の訓練軌跡に対する統計的推論フレームワーク
- 深層学習の性能向上には，効率的な最適化手法が不可欠である。過学習を防ぎ，汎化性能を高めることが重要課題。
- 従来の訓練期間の決定は，検証データや経験則に頼っており，客観性や最適性に課題が残る。
- 訓練時間選択を統計的推論問題として捉え，客観的かつ最適な訓練期間決定を目指す。
- 勾配フロー最適化を，時間不変な正定値訓練演算子を持つ固定演算子二乗誤差勾配フローとして表現した。
- 訓練時間は分散成分パラメータと解釈され，制限最尤法（REML）による早期終了ルールを導出した。
- 提案手法は，検証データの分割への依存を減らしつつ，競争力のある予測精度を達成することを示した。
軌道を考慮したノード貢献度と静的制御可能性の限界 [stat.ML, cs.LG]目的：複雑ネットワークにおける個々のノードのシステム行動への貢献度
- 複雑なシステムの挙動理解には，個々の要素の役割解明が不可欠である。
- 既存手法は静的なグラフ構造や線形時不変モデルに依存し，非線形かつ時間変動する現実系に対応できない。
- 動的なシステムの軌跡に沿ったノードの貢献度を定量化し，静的制御可能性との差異を明確にすること。
- 新しい指標「創発的貢献度(EC)」は，ノードのインパルス応答エネルギーを軌跡に沿って累積することで動的な影響力を評価する。
- ECは線形時不変系では平均制御可能性と一致するが，永続的な状態遷移下で乖離し，特に符号反転が強い場合に顕著になる。
- 実世界のシステム分析から，ECは静的制御可能性では捉えきれない情報を提供し，その計算コストを正当化する場面が存在することが示された。