arXiv雑要約
AI - 2026/06/16 公開
Clay-CNNハイブリッド：地形モデルを補助的文脈として活用した土砂災害検出 [cs.CV, cs.AI, cs.LG, eess.IV]目的：土砂災害検出におけるピクセルレベルセグメンテーションの性能向上
- 災害対応において，迅速な土砂災害マッピングは不可欠であり，自動化のニーズが高い。
- 土砂災害データセットはクラス不均衡が極端であり，自動化を困難にしている。
- 地形モデルをCNNに統合し，土砂災害検出の精度向上を目指す。
- U-NetとClayのハイブリッドモデルが，テストF1スコア64.5±1.8%を達成し，Clay単独（55.2±3.6%）およびU-Netベースライン（59.9%）を上回った。
- Clayを単独エンコーダーとして使用した場合，U-Netに劣る性能となったが，補助的文脈として注入することで一貫して性能が向上した。
- 地形モデルは，空間的に詳細なCNNアーキテクチャを補完することで，土砂災害検出において最も効果的であることが示唆された。
弱結合マルコフ決定過程における Lyapunov 関数に基づくサンプル複雑度解析 [cs.LG, math.OC, math.PR, stat.ML]目的：弱結合マルコフ決定過程およびレストレスバンディットの学習におけるサンプル複雑度
- 強化学習は，複雑な意思決定問題を解決するための重要な手法であり，その効率的な学習が求められている。
- 弱結合マルコフ決定過程は状態空間が指数的に増加するため，従来の学習手法では複雑度が高くなる。
- 弱結合構造を利用することで，多腕バンディット数に対して多項式時間で最適な方策を学習することを目指す。
- 弱結合マルコフ決定過程において，多項式時間で最適方策を保証する有限サンプルPAC保証を確立した。
- 同種レストレスバンディットでは，穏やかな構造的仮定の下で，より小さい最適性ギャップを達成できることを示した。
- Lyapunov 関数に基づく新たな解析フレームワークを導入し，真のモデルと経験モデル間のドリフト移動技術を用いた。
大規模言語モデルに基づく生成型推薦における暗黙的推論 [cs.CL, cs.AI]目的：大規模言語モデルを用いた生成型推薦の効率化と性能向上
- 推薦システムは，ユーザーの嗜好に合った情報を提示し，情報過多な現代社会において重要な役割を担う。
- 大規模言語モデルを推薦システムに適用する際，事前学習データに存在しないアイテムIDが推論を妨げる問題がある。
- 明示的な推論パイプラインの課題を克服し，より効率的かつ効果的な推薦手法を確立することを目指す。
- PauseRecは，従来の明示的なCoT手法と比較して，最大6.22%高い性能を示す。
- PauseRecは，学習コストを最大65%削減し，推論速度を最大71.3%向上させる。
- PauseRecは，明示的な根拠生成に代わる軽量な代替手法として，LLMに基づく生成型推薦の実用性を高める。
MeEvo：自然進化とメタ認知進化の組み合わせによる自動ヒューリスティック設計 [cs.NE, cs.AI]目的：自動ヒューリスティック設計の性能向上
- 複雑な問題解決において，効率的なヒューリスティック探索は不可欠である。
- 既存手法では，探索の効率性，安定性，解の質が十分でない場合がある。
- 自然進化とメタ認知進化を統合し，探索と洗練を相互に強化することを目指す。
- MeEvoは，自然進化とメタ認知進化を循環的に組み合わせた二層構造を持つ。
- 自然進化がヒューリスティックコードを探索し，メタ認知進化が履歴を分析して改善を行う。
- 5つの最適化問題で既存手法を上回り，特に制約のある複雑な問題で優れた性能を発揮した。
いつ，そしてどの程度：運転VLAのためのシナリオ固有の安全エンベロープ [cs.RO, cs.AI]目的：運転VLAの安全性を評価するためのシナリオ固有の安全域の特定
- 自動運転システムの安全確保は不可欠であり，ISO 21448(SOTIF)に基づく検証が重要である。
- 従来の安全評価は，全体の平均値に依存しており，個々のシナリオにおける安全性のばらつきを捉えきれない。
- シナリオごとの安全性評価により，より正確な安全域の定義と，SOTIF準拠のODD仕様の策定を目指す。
- 100億パラメータのオープンウェイト運転VLAであるAlpamayo R1の評価により，安全閾値の設定にシナリオ固有の検討が必要であることが示された。
- 説明の変化を分析した結果，同じ平均誤差でも，高重度(C4/C5)の故障率が大きく異なることが明らかになった。
- STOP_SIGNALシナリオはLANE_KEEPINGシナリオと比較して，より高いノイズ閾値を許容するにもかかわらず，高重度故障の割合が高いという結果が得られた。
専門家混合型Transformerにおけるタスクルーティングの理論モデル [cs.LG]目的：専門家混合型Transformerにおけるタスクルーティングの理論的解明
- Transformerモデルのスケーラビリティ向上が重要であり，計算コストを抑えつつ性能を向上させる必要性がある。
- 既存の理論研究では，自然言語を効果的にモデル化できない連続混合モデルが用いられているという課題がある。
- 離散モデルを用いて，Transformerにおける専門家混合のタスク特化を理論的に説明することを目指している。
- 構文テンプレートと有限のキーバリュー辞書を用いることで，単層MoE Transformerが知識を符号化可能であることを形式的に証明した。
- タスクの複雑さに応じた専門家サイズとなり，クエリが固有のタスク専門家へルーティングされることを示した。
- この構成は，MoEモデルにおける局所的な知識回路に関する実験結果を理論的に支持する。
近似ベイズ最適予測による情報漏洩の検出 [cs.CL, math.CO, cs.DM, stat.ML, cs.LG]目的：情報漏洩の正確な定量化と検出
- 現代社会はデータ駆動型であり，情報漏洩はセキュリティ上の重要な課題である。
- 従来の統計的手法は次元の呪い，収束，計算複雑性，相互情報量の誤推定に苦しむ。
- 未知のベイズ予測子の対数損失と精度を近似することで，相互情報量を正確に推定する。
- 本研究では，統計学習理論と情報理論に基づき，情報漏洩を正確に定量化する理論的枠組みを確立した。
- 自動機械学習を用いて，相互情報量を正確に推定できることを示した。
- 合成データおよびOpenSSL TLSサーバーのデータセットを用いた実験により，提案手法が最新の手法を上回る性能を発揮することが示された。
Wasserstein距離空間における正準変量 [math.CO, cs.DM, math.FA, math.OC, cs.SY, eess.SY, stat.ML, cs.AI, cs.LG]目的：分布で表現されたデータの分類
- データ解析において，個々の点ではなく分布としての表現が重要視されている。
- 分布間の距離の定義が困難であり，分類精度に影響を与える。
- Wasserstein距離空間における次元削減により，分類性能の向上を目指す。
- Fisherの比を最大化する正準変量軸を導出する手法を提案した。
- 提案手法は，クラス間分散とクラス内分散の平均二乗Wasserstein距離に基づいて最適化される。
- 実験の結果，次元削減が分類性能を大幅に向上させ，既存手法を上回る結果が得られた。
AI 기반キューイングシステムの設計とスケジューリング [math.OC, cs.LG]目的：サービスシステムにおける最適なスケジューリング決定
- 待ち行列理論は，通信，コンピューティング，サービスなど広範な分野で不可欠である。
- 予測モデルの誤りが，他のジョブの遅延を通じて混雑に影響を与えることが課題である。
- 予測誤りの混雑コストを考慮した，AIベースのキューイングシステムの最適化を目指す。
- 予測モデルの精度が待ち行列性能に与える影響を理論的に解析した。
- 予測されたクラス情報を活用するインデックスベースのポリシーを提案した。
- オンラインコメントの毒性分類タスクで提案手法の有効性を示した。
医療画像解析における分布シフトへの対応：サーベイ [math.CO, cs.DM, eess.IV, cs.CV, cs.LG]目的：医療画像解析における分布シフトへの対応手法の体系的なレビュー
- 医療画像解析は，臨床診断と個別化医療の向上に不可欠であり，現代医療において重要な役割を担っている。
- 深層学習モデルは，異なる病院や患者集団間でデータ分布が異なる場合に性能が低下することが課題となっている。
- 本研究は，現実的な臨床的制約下で深層学習モデルの適応性を高めるための手法を分類し，課題解決を目指す。
- 既存研究を，共同学習，連合学習，ファインチューニング，ドメイン汎化の4つのパラダイムに分類した。
- ドメイン情報が少なくなるにつれて，性能向上の限界が明らかになり，不確実性に基づいたモデリングへの焦点が移っていることが示唆された。
- 現実世界の医療画像解析における実用性を考慮した設計の必要性を示唆する。
個人情報保護された属性を用いた差別のない保険価格設定 [stat.CO, cs.CE, stat.ML, stat.ML, cs.CY, cs.LG, q-fin.RM]目的：差別のない保険料の推定
- 機械学習の保険利用増加に伴い，公平性は重要な課題となっている。
- 性別や人種などの機微属性へのアクセス制限が存在する。
- プライバシー保護下での公平な保険価格設定手法を開発する。
- 機微属性を直接利用せず，プライバシー保護された情報のみで差別のない保険料を推定する方法を提案。
- プライバシーメカニズムが既知の場合と未知の場合の両方に対して，推定量の理論的保証を確立。
- 数値実験と実証研究により，提案手法の有効性を示す。
重み付き積分勾配による視覚的特徴帰属の強化 [stat.ML, cs.LG]目的：視覚的特徴帰属の信頼性向上
- 説明可能なAIにおいて，モデルの判断根拠を理解することが重要であるため，特徴帰属手法の研究が進んでいる。
- 積分勾配法はベースライン画像に敏感であり，適切なベースライン選択が困難であるという課題があった。
- ベースライン画像の適切性を評価し，重み付けすることで，より信頼性の高い特徴帰属を実現することを目指す。
- 提案手法である重み付き積分勾配（WG）は，既存手法である期待勾配（EG）と比較して，画像データセットおよびモデルにおいて最大36%の改善を示した。
- WGは，ベースライン画像の適合度を評価する基準を導入し，入力ごとに適応的にベースラインを選択・重み付けすることで，より明確で信頼性の高い説明を提供する。
- WGは，計算コストが増加するものの，説明の忠実度と計算効率のトレードオフとして位置づけられる。
機械学習のための最適輸送 [stat.ML, cs.AI, math.OC]目的：機械学習における確率測度の操作に関する研究
- 機械学習は確率測度を繰り返し操作するが，その比較・解析には適切な手法が不可欠である。
- 既存の手法では，確率測度の差異を定量化し，それを学習に応用することが難しい場合がある。
- 最適輸送理論を用いて，確率測度の比較と学習アルゴリズムの設計に新たな視点を提供する。
- 最適輸送は，確率測度の差異を測るだけでなく，測度の間の変換方法も示す。
- 本研究では，有限割り当て，カントロビッチ結合，双対ポテンシャルなどの最適輸送の主要な技術を紹介する。
- これらの技術を機械学習の損失関数，生成モデル，ドメイン適応などに適用するための基礎を築く。
制御可能で粒度の細かい合成可能性制御による分子生成設計 [q-bio.BM, cs.LG]目的：制御可能かつ粒度の細かい合成可能性制御を伴う分子生成設計
- 医薬品開発において，目的とする特性と合成容易性を両立した分子設計は不可欠である。
- 既存手法では，合成可能性を考慮しても，反応経路の柔軟性や反応条件の制御が十分ではない。
- 合成経路の制約を組み込みつつ，大規模化学空間を効率的に探索できる手法を確立する。
- 本研究では，多パラメータ最適化と反応条件の制約を満たす分子生成フレームワークを開発した。
- BRD4を標的とした内部キャンペーンでは，選択された反応と構成要素を用いた合成可能な分子を設計し，2つのマイクロモラーバインダーを特定した。
- 大規模make-on-demand化学空間における反応制御は，特性最適化された候補の効率的な探索を可能にする。
RIDGECUT：リングと楔を用いたグラフ分割の学習 [math.OC, cs.AI, cs.LG]目的：グラフ分割における構造を考慮した分割の実現
- グラフ構造最適化は，様々な現実世界のネットワーク問題に応用可能な重要な研究分野である。
- 既存の強化学習手法では，大規模な行動空間と非効率な探索が課題となっていた。
- 都市道路ネットワークの構造的特徴を利用し，効率的なグラフ分割を目指す。
- 提案手法RidgeCutは，グラフを線形または円形表現に変換することで，Transformerベースのポリシーを使用可能にした。
- 実験結果から，RidgeCutは既存手法と比較して，より低い正規化カット値を達成した。
- RidgeCutは，グラフサイズにかかわらず，頑健な誘導的汎化能力を示すことが確認された。
MegaFold：クロスプラットフォームGPUにおける次世代3Dアテンションタンパク質モデルの効率的な学習 [q-bio.BM, cs.DC, cs.LG, cs.PF]目的：次世代3Dアテンションタンパク質モデルの効率的な学習システム
- タンパク質構造予測は，創薬や生命科学研究において不可欠であり，その重要性は高い。
- 3Dアテンションモデルは計算コストが高く，GPUメモリ容量に制約を受けやすいという課題がある。
- 本研究は，3Dアテンションモデルの学習効率を向上させ，より長い配列長のモデル学習を可能にすることを目指す。
- MegaFoldは，NVIDIA H200およびAMD MI250 GPUにおいて，最大3.36倍長い配列長の学習を可能にした。
- エンドツーエンドの実行時間は，NVIDIAで最大1.73倍，AMDで最大1.62倍短縮された。
- メモリ効率の良い3Dアテンションカーネル，通信効率の良いシャーディング戦略などを組み合わせた結果である。
銀河中心過剰源のエネルギー分布について [astro-ph.HE, astro-ph.CO, astro-ph.IM, cs.LG, hep-ph]目的：銀河中心過剰現象におけるエネルギー分布の解析
- 銀河中心付近のガンマ線過剰現象は，暗黒物質の消滅を示す可能性があり，宇宙論研究上重要である。
- 従来の解析では空間情報のみを使用し，スペクトル情報が活用されておらず，起源の特定に課題があった。
- スペクトル情報を加味することで，過剰現象の起源をより正確に特定し，暗黒物質の存在可能性を検証する。
- ニューラルネットワークを用いた解析により，空間情報とスペクトル情報を同時に分析することが可能になった。
- 過剰現象を説明する点源の明るさが大幅に低下し，拡散的な性質を持つか，または非常に多数の点源で構成されている可能性が示唆された。
- 暗黒物質からの放射として説明できる結果が得られ，点源による説明には10万個以上の点源が必要となる可能性が示唆された。
ReLUニューラルネットワークの出力を制約する [math.CO, cs.CG, cs.DM, math.AG, cs.LG, stat.ML]目的：ReLUニューラルネットワークの表現可能な関数
- 深層学習は画像認識や自然言語処理など幅広い分野で活用されている。
- ReLUネットワークの表現能力を理論的に理解する事は難しい。
- ReLUネットワークの出力が満たすべき制約を明らかにすること。
- ReLUニューラルネットワークの出力に関連する代数多様体を導入した。
- 活性化領域内での出力のランク制約から，ネットワークが表現可能な関数を特徴づける多項式方程式を導出した。
- これらの多様体が期待される次元に達する条件を調査し，ReLUネットワークの表現性と構造的性質に関する洞察を得た。
EEG-FM-Bench：EEG基礎モデルの体系的な評価と診断分析のための包括的ベンチマーク [eess.SP, cs.AI, cs.HC]目的：EEG基礎モデルの評価と診断分析のための標準化されたベンチマークシステム
- 脳波解析の発展に貢献する基礎モデルの性能評価は，神経科学研究において重要である。
- 既存の評価プロトコルは一貫性に欠け，モデル間の公平な比較が困難である。
- EEG基礎モデルの性能を客観的に評価し，その内部メカニズムを解明することを目的とする。
- マルチタスク学習は，データ不足の脳波解析において過学習を抑制する効果があることが示された。
- 事前学習の効率は，再構成目的と下流タスク間の勾配の競合によって制約されている。
- モデルまたはデータ規模だけでは，転移性能を十分に説明できず，目的の整合性や適応適合性が重要である。
離散最適輸送は強力な音声敵対的攻撃である [eess.AS, cs.AI]目的：現代の自動音声認証(ASV)および偽造防止対策(CM)システムに対するブラックボックス攻撃
- 音声認証技術は，セキュリティシステムや個人識別において重要な役割を担っている。
- 既存の音声認証システムは，巧妙に作成された偽造音声に対して脆弱性を持つことが課題となっている。
- 本研究は，新しい攻撃手法を用いて音声認証システムの弱点を明らかにし，その堅牢性を向上させることを目指す。
- 離散最適輸送(DOT)を用いた攻撃は，CMのEERを大幅に増加させ，ASVの性能を著しく低下させる。
- この攻撃はデータセット間で転移し，CMのファインチューニング後も有効であることが示された。
- DOT攻撃は，音声の類似性を最大化するのではなく，表現空間において源の音声を真正な音声領域へシフトさせることで成功する。
微細なギャップ依存後悔を持つQ学習 [stat.ML, cs.LG]目的：エピソード型テーブル型マルコフ決定過程における，モデルフリー強化学習の微細なギャップ依存後悔限界
- 強化学習は，複雑な環境下での最適な意思決定を可能にする重要な技術である。
- 既存のモデルフリーアルゴリズムは最悪の場合の後悔を最小化するが，ギャップ依存型の上界は粗く，最適でない状態を十分に捉えられない。
- 本研究は，UCBベースおよび非UCBベースアルゴリズムに対する微細なギャップ依存後悔限界を確立し，この問題を解決する。
- UCBベースアルゴリズムに対し，最適な状態と劣った状態の分析を分離する新しいフレームワークを開発し，UCB-Hoeffdingの微細な後悔上限を導出した。
- AMBに触発された新しいUCBベースアルゴリズムULCB-Hoeffdingを提案し，微細な後悔保証とAMBを上回る実験結果を示した。
- 非UCBベースアルゴリズムAMBの設計と分析における問題を修正し，厳密な微細なギャップ依存後悔を確立，性能改善を実験的に示した。
文脈内学習は確率的推論である：メタ学習の一般化理論 [stat.ML, cs.LG]目的：文脈内学習のリスク分解と理論的上限
- 近年の大規模言語モデルの性能向上により，少ないサンプルでの学習が注目されている。
- 文脈内学習の理論的基盤が未確立であり，その性能を予測・改善することが困難である。
- 文脈内学習のリスクを構成する要素を特定し，性能限界を明確にすることを目的とする。
- 文脈内学習のリスクは，ベイジアンギャップと事後分散の2つの要素に分解できることが示された。
- ベイジアンギャップは，事前学習データの量と文脈長に依存し，事後分散は真のタスクの難易度にのみ依存する。
- 少数の文脈例によってタスク混合による不確実性が指数関数的に減少することが確認された。
森林伐採感知のための光学・レーダー衛星データの融合 [stat.ML, cs.LG]目的：森林伐採検知パイプラインの構築
- 森林は地球環境において重要な役割を担うため，その変化を監視する必要がある。
- 雲の影響やデータ量の制約により，光学データのみでの森林伐採検知は困難な場合がある。
- 光学データとレーダーデータの融合により，よりロバストな森林伐採検知を実現すること。
- 本研究では，離散カルーネン・レーベ変換の残差空間を用いて光学データの異常マップを構築する手法を提案した。
- 提案手法は，Sentinel-1とSentinel-2データを用いたアマゾン森林の実験において，高い精度を達成した。
- 特に，雲量が多い地域において，光学データ単独の手法や既存手法と比較して，ロバスト性が向上することが示された。
AIRMap：無線デジタルツインのためのAI生成電波マップ [eess.SP, cs.AI]目的：無線ネットワークシミュレーションおよびデジタルツインにおける，高速かつ高精度な電波モデルの推定
- 無線通信システムの性能評価や最適化において，電波伝搬環境の正確な把握は不可欠である。
- 従来の光線追跡法は計算コストが高く，動的な環境変化への対応が困難であるという課題があった。
- 本研究は，AIを活用することで，リアルタイムかつ高精度な電波マップを効率的に生成することを目指す。
- AIRMapは，地形と建物高さを入力として，4msでRMSE 4dB以下のパス損失を予測可能である。
- 実測値20%を用いた較正により，誤差中央値は約5%に低減され，従来のシミュレータを大幅に上回る性能を示す。
- ColosseumエミュレータとSionna SYSプラットフォームへの統合により，スペクトル効率とブロック誤り率において実測値との誤差がほぼゼロとなることを確認した。
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：生成モデリングにおける新しいフレームワークの開発
- 近年，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重要性が高まっている。
- 従来の生成モデルは，状態内の要素数が事前に固定されている場合に最適化されており，可変長のシーケンス生成には課題があった。
- 本研究は，要素数の変動に対応可能な生成モデルを開発し，多様なデータ生成を可能にすることを目的とする。
- 分岐フローは，二分木の森林を通じて状態の要素を進化させることで，生成時にシーケンスの要素数を制御できる。
- 離散集合，連続ユークリッド空間，滑らかな多様体，混合型積空間など，様々な基盤プロセスと組み合わせることが可能である。
- 創薬，抗体配列生成，タンパク質バックボーン生成の各分野で有効性が示され，安定した学習と新しい機能を実現することが確認された。
継続学習における可塑性の内在的保存 [quant-ph, cs.LG]目的：継続学習における可塑性保存機構
- 動的な実世界環境でのAIには継続学習能力が不可欠である。
- 従来の深層学習は，新しいデータからの学習能力を失う可塑性喪失の問題がある。
- 量子学習モデルが可塑性を長期にわたって維持し，適応型AIの実現を目指す。
- 量子学習モデルは可塑性を維持し，古典モデルに比べて長期的な学習能力に優れることが示された。
- この優位性は，教師あり学習や強化学習など，多様なタスクとデータ形式で確認された。
- 量子モデルの物理的制約が，可塑性維持の起源であり，最適化をコンパクトな多様体に限定している。
プラズマにおけるモーメントクロージャ関係に対する機械学習的アプローチ：レビュー [physics.plasm-ph, cs.LG]目的：プラズマクロージャモデルの改善
- 宇宙および実験プラズマ物理学において，大規模なグローバルシミュレーションは不可欠である。
- 流体モデルに基づくシミュレーションでは，高次のプラズママ－メントに対するクロージャ関係が必須となる。
- プラズマ内の運動論的現象を捉えることのできる，機械学習によるクロージャモデルの開発を目指す。
- 機械学習によるクロージャモデルのアプローチとして，ニューラルネットワークとスパース回帰の2つの方法論がある。
- これらは，参照データに対するオフラインテストと，時間発展ソルバー内でのオンラインテストの2つの検証方法で評価されている。
- 非対角圧力テンソル精度，訓練分布外への一般化，大規模シミュレーションへの安定的な統合などが課題として挙げられている。
AdamW様式Shampooの収束レート解析：片側および二側事前条件付けの統合 [math.OC, cs.LG]目的：AdamW様式Shampooの収束レート
- 深層学習の効率的な学習は，大規模モデルの普及において不可欠である。
- 既存の最適化手法では，大規模モデルの学習において収束速度や汎化性能に課題が残る。
- 事前条件付けにより学習を加速し，Shampooの収束レートを理論的に解析する。
- 事前条件付けの指数和が1/2の場合，収束レートはSGDの最適レートと同等であることが示された。
- 核ノルムとフロベニウスノルムの関係から，提案手法の収束レートがSGDの理想的なレートに類似していることが示唆された。
- 指数和が1/2でない場合でも，明示的な収束レートを導出した。
ドライバー，受容体，動的連携：SDG相互依存性の方向性構造（2000-2024年） [q-bio.NC, cs.RO, math.CO, cs.DM, stat.AP, cs.LG, econ.EM, stat.ME, stat.ML]目的：SDG達成に向けた進捗を伝播させる目標と，その速度の特定
- 持続可能な開発目標（SDG）は世界的な課題解決の重要な枠組みであり，国際的な協力体制構築に不可欠である。
- 目標間の相互依存関係が複雑で，どの目標が他の目標の進捗に影響を与えるのか明確ではない。
- SDG間の方向性構造を明らかにし，効果的な政策立案のための知見を提供する。
- 17目標間の相互依存関係を分析した結果，84の関連性（40の相乗効果，44のトレードオフ）が確認された。
- 平和と強固な制度が最も重要な受容体であり，貧困削減が最も重要なドライバーである可能性が示された。
- 目標間の効果は4～5年の時間遅延を伴うことが示され，衛生改善と貧困削減が乳幼児死亡率の低下に寄与することが確認された。
人工知能時代における持続可能な材料探索 [cond-mat.mtrl-sci, cs.AI]目的：人工知能を活用した材料探索における，環境評価の統合
- 材料開発は，技術革新と社会発展の基盤であり，持続可能性が不可欠である。
- 材料探索において，性能向上ばかりに注力し，環境負荷への配慮が遅れている。
- 材料の性能と環境負荷を同時に最適化するフレームワークの構築を目指す。
- 機械学習とライフサイクルアセスメント（LCA）を統合したML-LCAフレームワークを提案する。
- 材料・環境知識ベースの構築，データベースの調和，多段階モデルの開発が重要となる。
- ポリマー，ガラス，フォトレジスト，セメント等の事例を通して，実現可能性と課題を示す。
拡散逆サンプリングによる音響・映像からの音声と背景雑音の分離 [eess.AS, cs.LG, cs.SD]目的：実世界の環境雑音下における単一マイクロホン音声分離・強調
- 音声処理技術は，コミュニケーションの円滑化や情報伝達の正確性向上に不可欠である。
- 実際の環境下では，雑音の影響で音声が劣化し，分離・強調が困難となる場合が多い。
- 本研究は，音声と雑音を分離し，より明瞭な音声を取得することを目指している。
- 提案手法は，拡散事前分布を用いた生成逆サンプリングに基づくものであり，教師なし学習においても優れた性能を示す。
- 混合音源数（1，2，3話者）の全てにおいて，主要な音声認識レート(WER)で既存の教師あり学習手法を上回る結果が得られた。
- さらに，本手法は，画面外話者の分離にも対応可能であり，分離された雑音成分は音響シーン検出にも利用できる。
マルコフ過程データに対する漸近最適逐次検定 [eess.IV, cs.MM, math.ST, cs.LG, stat.ML, stat.TH]目的：マルコフ連鎖から生成されるデータに対する逐次仮説検定の性能限界
- マルコフ過程は，時系列データや動的システムを記述する上で不可欠であり，幅広い分野で活用されている。
- マルコフ連鎖データに対する逐次検定の理論的限界は十分に解明されておらず，性能向上の余地が大きい。
- 未知のマルコフ連鎖の特性を考慮した，逐次検定の最適性能限界を導出し，それを達成する検定方法を提案する。
- マルコフ連鎖データに対する逐次検定の期待停止時間の非漸近的な下限を導出した。
- 提案した下限は，既存の結果よりも厳密であり，マルコフ連鎖の定常分布と遷移構造を考慮している。
- 下限を漸近的に達成する最適検定法を提案し，マルコフChain Monte Carloやマルコフ決定過程への応用を示した。
単調演算子平衡ネットワークの量子化に対する頑健性 [math.OC, cs.LG, cs.SY, eess.SY]目的：単調演算子平衡ネットワークの量子化における頑健性評価
- 深層学習モデルの低精度ハードウェアへの実装が重要視される中，量子化による性能劣化が課題となっている。
- 量子化は，モデルの精度や収束性を損なう可能性があり，理論的な保証が求められている。
- 本研究では，量子化が単調演算子平衡ネットワークの特性に与える影響を解析し，量子化の許容範囲を定める。
- スペクトルノルムによる重みの摂動が単調性マージンを下回る場合，量子化されたソルバーの収束が保証される。
- 量子化とフル精度解のずれは，摂動サイズとマージンによって制限され，量子化精度と前方誤差の関連性が明らかになった。
- MNIST実験では，予測された閾値で相転移が確認され，4ビット以下では発散，5ビット以上では収束が観察された。
HRIR-Former：空間符号化Transformerによるヘッド関連インパルス応答の時間領域再構成 [math.OC, cs.SY, eess.SY, eess.AS, cs.LG]目的：ヘッド関連インパルス応答の空間的アップサンプリング
- 個別化された音響体験の実現にはHRIRが不可欠であり，その精度が重要である。
- HRIRの測定にはコストがかかり，十分な密度で測定することが困難である。
- 疎な測定データから任意の方向のHRIRを高精度に再構成することを目指す。
- HRIR-Formerは，従来の周波数領域手法や固定グリッドの使用による問題点を克服する。
- SINUSOIDAL空間特徴，Conv1Dモジュール，ITD/ILDヘッドにより，高い再構成精度を実現した。
- SONICOMデータセットでの評価により，既存手法と比較してNMSE，コサイン距離，ITD/ILD誤差が改善された。
オムニマウス：1500億ニューロントークンにおけるマルチモーダル・マルチタスク脳モデルのスケール特性 [q-bio.NC, cs.AI]目的：脳活動のモデル化におけるスケール特性の解明
- AI分野の進歩はデータとニューラルネットワークのスケール拡大によって推進されており，脳科学への応用が期待される。
- 脳活動のモデル化において，大規模データセットとモデルサイズの適切なスケールが不明であり，性能向上のボトルネックとなっている。
- マウスの視覚皮質における大規模ニューロンデータを用いて，データ量とモデルサイズのスケール特性を調べ，脳活動モデルの性能限界を探る。
- オムニマウスは，ニューラル予測，行動デコード，ニューラル予測など，様々なタスクにおいて最先端の性能を達成した。
- 性能はデータ量の増加とともに安定的に向上するが，モデルサイズの拡大による効果は飽和する傾向が見られた。
- 言語モデル等のAI分野とは異なり，脳モデルはデータ不足が性能を制限していることが示唆され，大規模データセットの重要性が示された。
条件付きスコアに基づく有効なランジェバン力学のモデリング [stat.ML, cs.LG, nlin.CD]目的：複雑系の有効力学の確率的低次元モデルのドリフト係数と拡散係数の推定
- 複雑系の解析には低次元モデルが不可欠だが，その精度が重要な課題となっている。
- 高次元システムや粗い時間サンプリングデータでは，従来の推定手法は信頼性や計算コストに問題がある。
- 有限時間遷移密度とモデル係数の関係を利用し，ドリフトと拡散構造を直接推定することで，この問題を解決する。
- 提案手法は，ドリフトと拡散構造を有限のラグ統計から直接制約することで，効率的なモデル推定を実現した。
- 3つのシステム（Cox-Ingersoll-Ross拡散，2次元非平衡拡散，周期ソフトスピン確率的Landau-Lifshitz鎖）の検証において，推定されたモデルは不変統計量を保持し，有限ラグの動的相関を再現した。
- 本手法は，統計的および動的特性を再現する確率的低次元モデルをデータから学習するためのスケーラブルな経路を提供する。
CRC-Screen：分類学的変化下におけるDNA合成ハザードの認定スクリーニング [q-bio.GN, cs.AI]目的：DNA合成注文のハザードスクリーニング手法の開発
- バイオセキュリティ上の脅威から生命科学研究を保護することが重要である。
- 既存のスクリーニング手法は，参照データベースに存在しないハザードシーケンスに対して誤検知率が高くなる。
- 分類学的な変化に対応可能な，認定された誤検知率を持つスクリーニング手法を構築する。
- 本研究では，k-mer類似度，LLMによる評価，埋め込みベクトル類似度を組み合わせたスクリーニング手法を提案した。
- Conformal Risk Controlを用いて校正することで，テストデータの分布シフト下でも認定された誤検知率を保証した。
- 実験結果から，提案手法は高い精度と堅牢性を示し，実用的なDNA合成スクリーニングの実現に貢献する。
制約下における不均衡分類 [stat.ML, cs.LG, math.ST, stat.TH]目的：少数クラスの観測検出
- 不正検知や医療診断など，実用的な応用において少数クラスの検出は重要である。
- クラス間の不均衡が激しい場合，少数クラスの検出精度が低下しやすい。
- 少数クラスの検出率を最大化しつつ，運用上の制約を満たす分類器を構築する。
- 提案手法は，少数クラスへのラベル付け比率の上限制約下での最適分類器を導き出した。
- この分類器は，事前確率の再重み付けによる古典的なベイズ分類器と同等であることが示された。
- 台湾のクレジットカード不正利用データセットでの実験により，制約下分類器の有効性が確認された。
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 [stat.ML, cs.LG]目的：純粋状態アンサンブルの生成
- 量子機械学習は純粋状態表現に依存しており，量子表現空間での生成モデルが求められている。
- 既存のリーマン幾何に基づく生成モデルは，遷移密度を扱うのが困難であった。
- 複雑射影多様体上の拡散過程と逆時間サンプリングを学習し，生成性能を向上させる。
- 確率的シュレーディンガー拡散モデル(SSDM)は，従来のモデルよりも高い精度で目標とする純粋状態アンサンブルを生成した。
- SSDMは，MMDや観測統計量において，ユークリッド空間およびリーマン空間ベースラインよりも大幅に性能が向上した。
- SSDMは，ダウンストリーム量子カーネル法のための表現レベル診断を改善した。
事前学習を用いた適応カーネル密度推定 [stat.ML, cs.LG, stat.ME]目的：高次元における適応カーネルを用いた密度推定法
- 高次元データ分析において，確率密度関数の推定は重要な課題である。
- 従来のカーネル平滑化法は，高次元空間では適切なカーネルの選択が困難である。
- 事前学習により，各データ点に適応したカーネルを効率的に推定することを可能にする。
- 事前学習済みニューラルネットワークを用いて，高次元データにおける密度推定の精度を向上させた。
- ターゲット分布が事前学習データの分布に近い場合，特に高い効果が認められた。
- ターゲット分布が大きく異なる場合は，追加のファインチューニングにより効果が回復する。
スケール不変ニューラルネットワーク最適化：ノルム幾何学と重尾ノイズ [math.OC, cs.LG]目的：ニューラルネットワーク最適化における次元依存性の理論的限界と，スケール不変最適化手法の性能評価
- ニューラルネットワークの最適化において，最適化手法はモデルのパラメータ化方法を考慮すべきであるという認識が高まっている。
- 深層学習における確率的勾配ノイズは，しばしばサブガウス分布に従わず，重尾を示す場合がある。
- ノルム幾何学と重尾ノイズという2つの要素が組み合わさった場合に，勾配法が避けられない次元依存性を明らかにすること。
- スペクトルノルムに基づく問題クラスにおいて，任意の勾配法は$\Omega(\min\{m, n\}\epsilon^{-\frac{3p-2}{p-1}})$オラクルを必要とする次元依存性の下限を証明した。
- スケール不変なScion法が，この下限と一致する上限$O(\min\{m, n\}\epsilon^{-\frac{3p-2}{p-1}})$を達成することを示した。
- ヘッセ行列のLipschitz連続性を利用したTransported Scion法を提案し，上限を$O(\min\{m, n\}\epsilon^{-\frac{5p-3}{2p-2}})$に改善，様々なアーキテクチャで有効性を示した。
物理情報ニューラルネットワークの加速：ハイブリッド量子古典有限基底アーキテクチャを用いた全波形反転 [stat.ME, cs.PF, math.PR, physics.geo-ph, cs.LG, quant-ph]目的：全波形反転におけるヘテロな物質特性の再構成
- 地球物理探査において，地下構造を正確に把握することは資源探査や災害予測に不可欠である。
- 従来の全波形反転は計算コストが高く，複雑な速度構造の表現に課題が残る。
- 量子計算と古典機械学習を融合し，効率的かつ高精度な反転手法を確立することを目指す。
- 提案手法は，古典的FBPINNと比較して，約8倍少ない訓練イテレーションでより低いL1速度誤差を達成した。
- パラメータ数は約33％削減されながら，従来の古典的ハイパーパラメータ変種15個を上回る性能を示した。
- チェッカーボードベンチマークにより，本アーキテクチャの汎用性が確認された。
エミュレーション理論に基づく生物学的妥当性のあるニューロモーフィック外乱オブザーバ：拡張版 [math.FA, cs.DM, math.PR, q-bio.NC, cs.NE]目的：ニューロモーフィック外乱オブザーバ及び制御フレームワーク
- 不確実な環境下での堅牢性・適応性は重要であり，生物の神経システムはその模範となる。
- 従来の制御手法では，スパースなイベント駆動型処理や適応的な制御が困難である。
- スパイクタイミング符号化を用いた外乱オブザーバにより，生物学的特性を備えた制御を実現する。
- 提案手法は，ニューロンに着想を得た堅牢性と適応性を示すことがシミュレーションで確認された。
- 適応閾値スパイク機構は，固定閾値の場合と比較してスパイク発生を約42.6％削減できる。
- イベント駆動型の更新を本質的に実現し，ノイズ環境下での性能を向上させる。
プロトタイプ適応と擬似クラス変数訓練による少サンプルクラス可変増分音声分類 [eess.AS, cs.AI, cs.LG]目的：少サンプルクラス可変増分音声分類における手法
- 音声分類は，様々な応用分野において重要な役割を担う技術である。
- 既存手法はクラス数の減少に対応できず，実用的なシナリオとの乖離がある。
- クラス数の増減に対応可能な，より実用的な音声分類手法を開発すること。
- 提案手法は，プロトタイプ適応ネットワークと擬似クラス変数訓練を組み合わせることで，クラス数の変化に対応。
- 3つの公開データセットでの実験により，提案手法が既存手法を平均精度で上回ることを示した。
- 動的に構造が変化する分類器によって，新たなクラスへの適応能力を高めている。
層化分類のための同時潜在予算木 [stat.ML, cs.LG, stat.ME]目的：層化された分類問題における同時潜在予算木モデルの構築
- 説明可能なAIへの関心の高まりから，解釈性の高い単一の決定木が注目されている。
- 既存の決定木アルゴリズムは，層化変数（制御変数）を考慮した条件付き分割ルールを最適化できない。
- 層化変数を考慮した決定木構造を構築し，より正確な分類と解釈を可能にすることを目的とする。
- 同時潜在予算木モデルは，潜在混合モデルに基づき，層化変数ごとに異なるノードへの観測値の割り当てを制御する。
- モデルパラメータは，ニューラルネットワークの観点から最小二乗法で推定される。
- 本手法をALSの疾患進行における男女差の調査に適用し，有効性を検証した。
アルツハイマー病診断のためのグラフマッチングネットワーク：テスト時ドメイン適応による多施設構造MRI [eess.IV, cs.AI, cs.CV]目的：アルツハイマー病診断のためのグラフマッチングネットワーク
- アルツハイマー病は高齢化社会において患者数増加が予想され，早期診断が重要である。
- 従来のグラフベースの手法は，モダリティや施設間での異質性に弱く，診断性能が制限される。
- 脳グラフ間の関係性を捉え，ドメインシフトを軽減することで，診断精度向上を目指す。
- 提案手法GMN4ADは，3つの公開ADデータセットにおいて，最先端手法と比較して優れた性能を示した。
- グラフマッチングにより，異種脳グラフ間の相互作用をモデル化し，診断精度を高めることに成功した。
- テスト時ドメイン適応戦略により，推論時のドメインシフトの影響を軽減し，汎化性能を向上させた。