arXiv雑要約
AI - 2026/08/03 公開
MOT-SR：大規模言語モデルを用いた多目的ツール拡張科学方程式探索 [cs.LG, cs.AI]目的：科学方程式の発見
- 科学的モデリングにおいて，観測データから解析的な方程式を発見する試みは不可欠である。
- 既存手法は，変数間の依存関係を明らかにするデータ分析機構に乏しく，効率が低いという課題がある。
- MOT-SRは，構造的複雑さと汎化性能を考慮し，より広範な方程式空間を探索することを目指す。
- MOT-SRは，外部ツールによる構造的知識の導入と多目的評価モジュールにより，既存の記号回帰手法を精度，汎化性能，効率の面で上回った。
- 特に，軌道計算誤差が蓄積しやすい極大質量比率インスパイラル問題において，解釈可能な修正項を発見し，優れた性能を示した。
- 本研究は，長期的な科学的ダイナミクスの信頼性の高いモデリングを可能にするMOT-SRの潜在能力を示す。
ダンジョンベンチ：ダンジョンズ＆ドラゴンズ戦闘におけるルールに基づいた戦術的推論のベンチマーク [cs.RO, cs.SY, eess.SY, cs.DC, cs.PF, cs.AI, cs.LG]目的：ダンジョンズ＆ドラゴンズ戦闘における戦術的推論を評価するためのベンチマーク
- ゲームやシミュレーターは意思決定を測定可能な結果に変換し，性能評価に役立つ。
- 既存のベンチマークは，複雑なルール，地形，時間，資源などを考慮した戦術的推論の評価が不十分である。
- ルールに基づいた戦術的推論能力を正確に評価できるベンチマークを提供すること。
- ダンジョンベンチは，ダンジョンズ＆ドラゴンズの戦闘ルールを網羅し，行動経済，地形，時間的制約などを考慮した戦術的判断を評価する。
- 「遭遇」と「日」の2つのトラックがあり，「日」では，HPや呪文スロットなどの資源管理や休息タイミングが重要となる。
- 最先端の言語モデルポリシーは，単独の戦闘では勝利するものの，資源配分やルールに基づいた戦術的規律に課題があることが示された。
TraceViT：視覚的抽象推論のための根拠に基づいたトレース監視 [cs.CL, cs.CV, cs.AI]目的：視覚的抽象推論におけるトレース監視の有効性
- AIの汎用的な問題解決能力を測る上で，抽象的な推論能力は不可欠である。
- 既存の視覚的推論モデルは，最終的な出力のみを学習対象としており，推論過程が最適化されていない。
- 視覚的推論の各ステップを，明確な根拠と制約のもとで学習させることを目指す。
- 提案手法TraceViTは，ARC-AGI-1で67.8%のpass@2，ARC-AGI-2で24.3%の精度を達成した。
- トレース監視は，タスクへの根拠付けと組み合わせることで初めて効果を発揮することが示された。
- プログラムの実装を検証・分解することで，意味的に単調な変換チェーンを構築した。
継続学習におけるタスク適応型分布外検出スコアの較正 [cs.CL, cs.CV, cs.LG]目的：継続学習システムの分布外検出性能低下とその緩和策
- 継続学習は，学習済みタスクの性能維持と新規タスクの学習を両立する重要技術である。
- 継続学習において，分布外検出能力の低下（分布外忘却）が課題となっている。
- 本研究は，分布外検出スコアの較正を通じて，継続学習における性能低下を抑制することを目指す。
- 分布外忘却は，既存タスクの分類性能とは相関が弱いことが示された。
- エネルギーベースおよび特徴ベースの検出器において，それぞれConfidence GapとManifold Crowdingが性能低下の原因であることが判明した。
- 提案手法TOODは，リプレイバッファ統計を用いた事後較正により，多くの設定で分布外検出性能を向上させた。
拡散環境下における多腕バンディット問題に対する方策勾配法の収束と後悔 [cs.LG, math.OC]目的：拡散環境下における多腕バンディット問題に対する方策勾配法の収束と後悔の解析
- 強化学習の応用範囲拡大に貢献する研究分野であり，実世界の問題解決への道を開く。
- 従来の解析手法では，拡散環境下における方策勾配法の収束性や後悔の評価が困難であった。
- 拡散環境下における方策勾配法の収束性証明と，最適な腕への収束を保証する学習率の閾値導出。
- ロジットパラメータ化を用いた場合，任意の定数学習率下で最適な腕にほとんど確実に収束することが示された。
- 定数学習率が時間不変の閾値以下であれば，後悔の上界は$O(\log T)$であることが導かれた。
- SDEのツールを用いて方策勾配法を分析する際の透明性を示す新しいLyapunov関数を構築した。
部分が全体を超える：効率的なマルチポリシーLLM学習のための自動タスクシーケンス [cs.RO, cs.LG]目的：マルチポリシーLLMの効率的な学習
- 大規模言語モデルの活用は，多様なタスクへの適応が不可欠である。
- 異質なタスクシーケンスへの適応において，知識の干渉や破滅的忘却が課題となる。
- 最適化経路の組織化により，タスク間の干渉を軽減し，効率的な学習を実現する。
- 提案手法は，従来のシングルポリシーPEFTと比較して，一貫して性能が向上する。
- 自動マルチポリシーフレームワークは，同じ学習可能なパラメータ数で最高の性能（44.78）を達成した。
- 最適化経路の組織化が，アダプター容量の単純な増加よりも有効であることが示唆される。
FriendBench：人間とマルチモーダル大規模言語モデルにおける対人的な親密度の推論ベンチマーク [cs.CL, cs.AI, cs.CV, cs.HC]目的：対人的な親密度の推論
- 社会状況の理解は言葉だけでなく行動からも行われるため，その評価法の確立が重要である。
- 既存の評価方法では，言葉以外の非言語的な要素が十分に考慮されていない場合がある。
- 対話の様子から親密度を推論するモデルの性能を客観的に評価し，その課題を明らかにすること。
- FriendBenchベンチマークにおいて，テキスト，音声，動画の各モダリティで26種類のモデルと人間パネルの比較を行った。
- 最良のモデルは各モダリティにおいて人間の精度と同等であったが，推論の傾向に違いが見られた（モデルは「見知らぬ人」に偏りやすい）。
- 人間は視覚情報から恩恵を受ける一方，モデルはそれほどではないことが示された。
QASP：クエリ適応型ロバストベクトル検索ポリシー [cs.IR, cs.LG]目的：ベクトル検索における再現率の安定化と計算コストの最小化
- 大規模データへの高速アクセスは，情報検索や機械学習の根幹をなす技術である。
- 固定パラメータではクエリによって性能が大きく変動し，平均再現率では個々の差異が隠蔽される。
- クエリごとに再現率の推移を予測し，最適な検索ポリシーを導くことで，性能変動を抑制すること。
- QASPは，単一の回帰モデルでクエリごとの再現率推移を予測し，様々なターゲット再現率に対応可能である。
- 事前推論により，QASPは再現率ターゲット，インデックス設定，データセット間で汎化性能を示す。
- 実験的に，QASPは再現率の分散を低減し，目標再現率からの逸脱を抑制し，データアクセス量を80%削減した。
説明可能性-性能係数の人間中心の検証 [cs.LG, cs.AI, cs.CV]目的：説明可能性の質の定量化
- 高リスク分野での深層学習利用拡大に伴い，信頼性のあるXAIの重要性が増している。
- 説明忠実度の客観的評価や，XAI指標と人間理解との整合性が課題となっている。
- 特徴選択の疎性とモデル性能のバランスを考慮したEPCスコアで説明可能性を評価する。
- EPCスコアは，ネットワーク活性化，データ次元，説明性能間の依存関係を明らかにする。
- EPCスコアが高いほど，人間の語彙感情判断や空間視覚注釈との整合性が高いことが確認された。
- 提案手法は，表形式，テキスト，画像といった様々なデータ形式で有効であることが示された。
オンポリシー相互作用はいつ役立つか？価値に基づく模倣学習における表現のトレードオフ [cs.LG, cs.AI, stat.ML]目的：価値に基づく模倣学習におけるオンポリシー相互作用の有効性に関する表現のトレードオフの解明
- ロボット工学や言語モデルなど，エキスパートの行動を学習する模倣学習は，様々な応用分野で重要である。
- 従来の行動クローニングは，誤差の蓄積や性能の停滞といった問題を抱えており，特にエキスパートのポリシーを完全に表現できない場合に顕著である。
- 本研究は，オンポリシー相互作用が学習者の表現能力の要求を緩和することを示すことで，これらの問題を解決することを目指す。
- エキスパートとの対話により，学習者はエキスパートのポリシー全体を表現する必要がなく，価値関数のみを表現できるようになる。
- 提案手法OVIは，学習者がエキスパートの価値関数を表現できる場合に統計的に効率的であり，線形最大化オラクルを利用できる場合に計算効率も高い。
- オフライン模倣学習アルゴリズムは，エキスパートの価値関数を表現できるだけでは不十分であり，エキスパートのポリシークラスの複雑さに比例する性能を示す。
CENDRe：自然なドメイン表現による概念抽出 [cs.LG, cs.AI]目的：時系列データに対するCNNの予測を駆動する時間的・分光的パターンを理解するための概念抽出手法
- 重要領域では，モデルの予測根拠の解釈可能性が不可欠であり，時系列データ分析におけるCNNの応用を広げる。
- 既存の手法は，時間領域のみに焦点を当て，概念数を事前に定義する必要があり，局在化の精度が低いという課題がある。
- 周波数領域の情報を活用し，自動的に概念数を決定し，モデルが利用する領域と一致する局在化を実現する。
- CENDReは，段階的なクラスタリングとシルエット分析により，概念数を自動的に決定し，高い表現の正確性を実現した。
- 提案手法は，入力の微分可能な変換を通じて，時間領域と周波数領域の両方で概念の局在化を可能にした。
- 実際のベアリング故障データにおいて，故障診断に利用される周波数帯域を抽出し，時間領域のみの手法では得られない知見を提供した。
ソクラテス・テストの理論的基礎：動的，多様式，対話的な試験 [cs.CY, cs.AI, cs.HC]目的：ソクラテス・テストの理論的基盤
- 教育評価において，学習者の能力をより正確に把握することの重要性が増している。
- 従来の評価方法は，学習者の潜在能力を十分に引き出せていない場合がある。
- 学習者の認知境界を積極的にマッピングし，より信頼性の高い評価を実現すること。
- ソクラテス・テストは，動的アセスメント，多様なワークスペース，ブルームのタクソノミー，SOLOタクソノミーを統合する。
- このテストは，学習者の近接発達領域を定量化するための段階的なスキャフォールディングの使用を形式化する。
- ペナルティよりも習得を重視し，人間とAIの整合性を確保する加法的な評価アーキテクチャを提供する。
AgentHPOBench：LLMエージェントを逐次ハイパーパラメータ最適化器として評価するためのベンチマーク [cs.RO, cs.AI]目的：LLMエージェントの実験実行能力の評価
- LLMが科学的探求を自律的に行う重要性が増しており，その能力評価が不可欠である。
- 既存のベンチマークは，コード生成や最終的な正答に焦点を当て，実験証拠に基づく判断能力を評価していない。
- 実験結果を解釈し，逐次的なハイパーパラメータ調整を行う能力を評価するベンチマークの提供。
- AgentHPOBenchは，7つの研究分野にわたる30の機械学習タスクで構成される。
- 現在のLLMエージェントは，実験的な最適化能力を示す一方，反復的な改善や複雑なログの診断に課題がある。
- エージェントは，報告されている基準性能への着実な進捗において限界が見られた。
VAV HVACシステム故障検知・診断のためのオントロジーFDD-ONの開発 [cs.AI]目的：VAV HVACシステムの構成要素，故障の種類，症状，影響，および関連属性の形式的な表現
- HVACシステムの信頼性，省エネルギー性，およびメンテナンス効率の向上に不可欠な分野である。
- 故障検知・診断(FDD)におけるデータ解釈や相互運用性の欠如が，情報サイロを形成している。
- 異種データソース間の知識の橋渡しと，診断結果の統合を可能にする基盤を構築すること。
- FDD-ONは，VAV HVACシステムの故障と症状に関する属性を包括的に表現するセマンティックフレームワークを提供する。
- FDD-ONは，故障の原因，症状，影響間の関係を明示的に記述し，診断知識の検索やFDD出力のマッピングを支援する。
- 公開されているVAV HVACシステムのデータセットを用いた評価により，FDD-ONの拡張性と相互運用性が実証された。
GQ-FSL：グリーン量子化連邦分割学習 [cs.LG, cs.DC, eess.SP]目的：モバイルデバイスにおける深層ニューラルネットワークの効率的な分散学習
- 無線エッジ環境での高度なDNN活用は，デバイスのエネルギー制約により課題がある。
- 従来のFSLは，サーバへのオフロードに伴うオーバーヘッドや通信コストが大きい。
- 量子化と非対称精度設定により，エネルギー効率と精度維持の両立を目指す。
- GQ-FSLは，クライアントとサーバのサブモデルに異なる量子化レベルを適用する。
- 統計的に不均一なデータ下での収束限界を理論的に導出し，エネルギーモデルを構築した。
- DNNの分割点と量子化レベルを最適化し，エネルギー消費を最小化しつつ目標精度を達成する。
凍結，そして選択：構造化場適応器と安定性検証付き弱選択による疎観測からのPDE発見 [cs.LG, cs.NA, math.NA]目的：疎観測からの偏微分方程式(PDE)発見のための手法
- 物理現象の数理モデル化は，科学技術の発展に不可欠である。
- 観測データが少ない場合，連続的な場を再構成し，正しい微分項を選択することが困難である。
- 方程式選択とニューラル最適化を分離し，正確な項のサポートを回復すること。
- 構造化場適応器と安定性検証付き弱選択(SVWS)を組み合わせた「凍結，そして選択」法を提案。
- この手法は，従来のPDE発見手法やニューラルネットワークベースの手法と比較して，最も高い正確な項のサポート回復率を達成。
- 特に，困難な倉本-志波林力学において，顕著な改善が見られた。
スキーマ誘導型企業ドキュメント抽出のためのベンチマークExtractBench [cs.AI]目的：スキーマ誘導型ドキュメント抽出の評価
- 企業の業務効率化にAIエージェントの活用が不可欠であり，正確な情報抽出が鍵となる。
- 既存の評価方法では，抽出精度，完全性，根拠，コストを包括的に評価できていない。
- 大規模かつ多岐にわたる企業ドキュメントに対して，スキーマに基づいた抽出性能を総合的に評価する。
- ExtractBenchは，4,869ページ，370ドキュメント，8分野，67種類のドキュメントを含む大規模ベンチマークである。
- 商用VLMsは短文では高い性能を示すが，長文ではリストの途中で途切れる傾向がある。
- LlamaExtract Agentic Plusは，コストを大幅に抑えつつ，コーディングエージェントに匹敵する精度を達成した。
証拠台帳を用いた主張・証拠のトレーサビリティ検証 [cs.RO, cs.AI, cs.CL]目的：主張と証拠の関連性の検証手法
- AIによる文章作成支援の普及に伴い，根拠の信頼性確保が重要となっている。
- AIが生成した主張を検証する際，証拠の裏付け確認が追いついていない現状がある。
- AIと人間が連携し，主張と証拠のトレーサビリティを向上させることを目指す。
- AIエージェントを用いた検証手法は，既存手法と比較して関連性精度で高い性能を示した。
- 矛盾，証拠不足，混合証拠の主張を適切に分類し，著者に再検討を促す能力が確認された。
- この手法は，AI支援による文章作成において，監査可能なトレーサビリティ層を構築する可能性を示唆する。
SVR：自己検証による改善と，適応的なテスト時計算のための共同判定-信頼性強化学習 [cs.AI, cs.CL, cs.LG]目的：適応的なテスト時計算のための自己検証による改善手法
- 言語モデルの推論能力向上には，テスト時計算量の調整が重要である。
- 固定的な計算量では容易な入力に無駄が生じ，外部からのフィードバックへの依存度が高い。
- 自己検証に基づく計算制御ポリシーを学習し，テスト時計算を効率化することを目指す。
- SVRは，Qwen3.5-2Bを用いた7つの数学的推論ベンチマークで，平均0.563の正答率を達成した。
- 平均推論ターン数は2.99回であり，標準的なGRPOや他のマルチターンベースライン，オラクルによる参照よりも少ないターン数で高性能を実現した。
- 学習された自己検証が，解答の保持と適応的なテスト時計算量配分に有効な内部制御信号となり得ることを示した。
HenTwin：産卵鶏における縦断的な生物学的状態モニタリングのためのマルチモーダルデジタルツインフレームワーク [q-bio.OT, cs.AI, stat.AP]目的：産卵鶏の縦断的な生物学的状態モニタリングのためのマルチモーダルデジタルツインフレームワーク
- 畜産における精密な飼養管理の重要性が高まっており，個体群の健康状態を正確に把握することが不可欠である。
- 従来のモニタリングは単一のモダリティに依存しており，個体群全体の包括的な状態把握が困難であった。
- 本研究は，複数のモダリティを統合し，個体群の生物学的状態を形式的に表現するデジタルツインを構築することで，この課題を解決する。
- デジタルツイン「HenTwin」は，孵化から25週齢までの期間における個体群のマルチモーダル生物学的状態を形式化する5層IoTアーキテクチャとして実装された。
- 推定された状態遷移行列は，モダリティ固有の持続性を示し，漸近的に安定であることが確認された。
- THIの変化に対する摂動分析により，環境要因が音響エントロピーに与える影響が示され，また，部屋間の構造的パラメータの転移可能性も確認された。
地理的に重み付けされた代理モデルによる，小地域慢性疾患迅速推定 [q-bio.QM, cs.LG, stat.AP]目的：小地域における慢性疾患の迅速な推定
- 健康格差の空間的な把握は，公衆衛生政策において重要である。
- 既存の調査に基づく小地域推定は，発表までにタイムラグが大きいという課題がある。
- 頻繁に更新されるデータを用いて，迅速かつ比較可能な推定値を生成することを目指す。
- 地理的に重み付けされた機械学習モデルが，慢性疾患の小地域推定の代替手段として有効であることが示された。
- 地理的に重み付けされたランダムフォレストや回帰モデルは，スケーラブルかつオープンデータを用いた代替手段を提供する。
- 本研究は，データに基づいた意思決定を迅速に支援する可能性を示す。
50歳以上の成人における骨折リスク予測：DXAおよびEHRを用いた従来モデルと機械学習モデルの比較 [stat.AP, cs.LG]目的：50歳以上の成人における骨折リスク予測モデルの開発と検証
- 骨粗鬆症管理において，正確な骨折リスク予測は極めて重要である。
- 既存の臨床ツールは，EHRやDXAレポートの情報を十分に活用できていない。
- EHRとDXAデータを活用し，より高精度な骨折リスク予測モデルを構築すること。
- 開発コホートでは，拡張CoxモデルはFRAXと比較して高い識別力(C-index 0.779 vs 0.653)を示した。
- 外部検証コホートにおいても，Coxモデル(C-index 0.714)がFRAX(0.590)を上回り，gradient-boosting survivalモデルが最も高い識別力(0.725)を示した。
- EHRとDXAデータを用いたモデルは，既存のFRAXスコアよりも優れた識別力を持つことが示された。
ガウスGraphicalモデルに対するデュアル正規因子グラフを用いた加速ランダムスウィープGibbsサンプリング [stat.ML, cs.IT, cs.LG, math.IT, stat.CO]目的：ガウスGraphicalモデルの収束特性に関する研究
- 高次元データの解析において，Graphicalモデルは変数間の依存関係を効率的に表現する手法である。
- 従来のGibbsサンプリングは，複雑なモデルや大規模データに対して収束が遅いという課題がある。
- デュアルモデルを用いることで，Gibbsサンプリングの収束速度を加速し，計算効率を向上させる。
- デュアルモデルにおいて，Gibbsサンプリングの収束速度が大幅に向上することが示された。
- 均一なk-regularグラフにおいて，正確な収束速度が導出された。
- プリマルモデルとデュアルモデルの共分散構造の間に明示的な関係が確立され，効率的な統計量の回復が可能となった。
幾何解析におけるPINNの利用ガイド：漸近的なプラトー問題からの教訓 [math.DG, cs.AI, hep-th, math.AP]目的：双曲空間における，無限遠で特定の結び目に漸近する近最小円板の構成
- 幾何解析は，多様体の形状や性質を研究する数学の重要な分野であり，物理学や宇宙論にも応用がある。
- 最小曲面の研究は困難を伴うため，数値計算によるアプローチが求められている。
- PINNを用いて効率的に最小曲面を近似し，幾何解析の問題解決に貢献することを目指す。
- 物理情報ニューラルネットワーク（PINN）に基づく機械学習フレームワークを開発し，双曲空間における近最小円板の構成に成功した。
- この手法により，ジョエル・ファインの予想（H⁴における最小曲面とHOMFLY多項式の係数との関係）の数値的証拠が得られた。
- モデルのアーキテクチャへの幾何学的情報の組み込みと，PDE残差の評価方法の工夫により，計算効率が大幅に向上した。
木構造に基づく拡散モデルとフローを用いた確率的表形式回帰 [quant-ph, cs.ET, stat.ML, cs.LG]目的：表形式データの回帰における柔軟な条件付き予測分布の推定
- 表形式データ分析は，様々な分野で重要であり，正確な予測モデルの構築が求められる。
- 既存のモデルは，ニューラルネットワークの設計に依存しており，表形式データに最適化されていない場合がある。
- 本研究は，表形式データに特化した拡散モデルとフローの設計を最適化し，予測精度を向上させることを目指す。
- DiffGBMは，ガウスパスフローマッチングトレーナーとスコア側のレシピを明示的にすることで，予測性能を向上させた。
- 11の表形式データベンチマークにおいて，既存手法を上回る結果が得られ，CRPSスコアも改善された (0.725 vs. 0.699)。
- フローマッチングは，サンプリング速度が速く，キャリブレーションも良好であり，スコア柔軟性は精度向上に貢献した。
構造化ニューラルカオス：関数的不確実性定量化とグローバル感度分析のための適応的代理モデルフレームワーク [stat.ML, cs.LG]目的：分散に基づくグローバル感度分析における不確実な入力の寄与度特定
- 不確実性定量化は，モデルの信頼性評価や最適化において不可欠な役割を果たす。
- 高次元入力や関数応答を持つシステムに対する，スケーラビリティと解釈性を両立した代理モデル構築が困難である。
- 本研究は，高次元・関数応答問題における効率的な感度分析を可能にする新しい代理モデルフレームワークを提案する。
- 提案手法である構造化ニューラルカオス（sNC）展開は，PCEの解釈性と直交性を維持しつつ，ニューラルネットワークの表現力を活用する。
- sNC展開は，各ANOVAサブスペースにおいて主要なモードを適応的に識別し，表現の有効複雑さを決定することで，効率的なモデル構築を実現する。
- sNC展開の係数から直接統計量や感度量を抽出できるため，計算コストを大幅に削減できる。
ランダム特徴ハミルトニアンニューラルネットワークによるハミルトニアンカオスの発生の予測 [nlin.CD, cs.LG, physics.comp-ph]目的：ハミルトニアンカオスの発生予測手法
- ハミルトニアン力学は物理学の基礎であり，その予測は重要である。
- 訓練データに存在しない領域の予測は困難であり，特にカオス領域の予測は課題である。
- 訓練データにないカオス領域を含む長期的なダイナミクスを予測すること。
- パラメータに依存するランダム特徴ハミルトニアンニューラルネットワークは，訓練データにないパラメータ領域でもカオス領域の発生を予測できる。
- 従来の手法と比較して，より不規則なダイナミクスを再現し，カオス領域の成長を捉えることができた。
- ハミルトニアン構造だけでなく，パラメータ依存性が予測の鍵となることが示された。
持続的畳み込み：AIアライメントテストと意味空間の特徴づけのためのトポロジー的枠組み [stat.ML, cs.LG]目的：AIアライメントテストと意味空間の特徴づけ
- 現代のAIモデルは性能を重視する傾向があり，解釈可能性が課題となっている。
- AIモデルの埋め込み空間の構造を評価する手法が不足している。
- 人間の知識構造を活用し，AIモデルのアライメントをテストする手法を開発する。
- 本研究では，トポロジーに基づく多Modalアライメントテストを開発し，AIモデルの解釈可能性向上に貢献する。
- 提案手法は，可能性理論と意思決定理論との直感的な繋がりを提供する。
- これにより，AIモデルのデプロイメント，選択，比較をより安全かつ効率的に行うことが可能となる。
スパース性バイアス付きClassifier-Free GuidanceによるscDiffusionの改善 [q-bio.GN, cs.AI]目的：単一細胞RNA配列決定データの生成における精度向上
- 単一細胞RNA配列決定は現代の細胞生物学において不可欠であり，合成データ生成の重要性が高まっている。
- 従来のguidance戦略は，真の周辺分布を近似する無条件ブランチに依存し，遺伝子特有の構造がguidance効果を制限する。
- スパース性バイアスを導入することで，より効果的なguidanceを実現し，生物学的に意味のある遺伝子発現パターンを捉える。
- SB-CFGは，5つの公開されているscRNA-seqデータセットで，標準的なCFGよりもマーカー遺伝子発現の忠実度，細胞タイプの一貫性，スパース性の維持において一貫した改善を示した。
- SB-CFGは，無条件ブランチに対して意図的に情報量の少ないスパースな参照を導入し，遺伝子同定を削除しつつ，粗いスパース性統計のみを保持する。
- この「悪い」参照は，条件付き予測と無条件予測のコントラストを増幅し，サンプリング中のより強く効果的なguidanceにつながる。
metasignal：包括的なメタ認知分析と意思決定のためのPythonパッケージ [q-bio.NC, cs.AI, stat.AP]目的：メタ認知分析と意思決定のためのPythonパッケージ
- 人間の認知プロセス理解は，より高度なAI開発や人間中心設計に不可欠である。
- メタ認知指標は複数存在するが，計算方法が分散しており，研究の比較が困難である。
- 複数のメタ認知指標を統一的に計算し，研究の効率化と再現性を高める。
- metasignalは，信号検出理論とメタ認知測定のためのオープンソースPythonパッケージである。
- 本パッケージは，17種類のメタ認知指標，d'やcなどの基準変数，平均確信度を計算できる。
- 二者択一課題に対応し，コマンドラインインターフェース，グループ要約，統計的検定等の機能を提供する。
InferQ：量子回路シミュレーションのためのデータベース指向ベンチマーク [quant-ph, cs.AI, cs.DB]目的：量子回路シミュレーションのためのデータベース指向ベンチマーク
- 量子コンピュータの研究開発は進展しているが，実用化にはシミュレーションによる検証が不可欠である。
- 既存のシミュレーション手法は，大規模回路に対してメモリ不足や計算時間増加といった課題を抱えている。
- データベース技術を活用することで，量子回路シミュレーションの効率化とスケーラビリティ向上を目指す。
- InferQは，多様な量子回路を生成し，データベースのSQLワークロードとして実行可能にするベンチマークである。
- 実験の結果，InferQで生成された回路の50%以上で，データベースがQiskit Aerよりもピークメモリ使用量を抑えた。
- InferQの特性を用いることで，SQL実行が有利な状況を高い精度で予測可能であり，データ中心のシミュレータ選択に貢献する。
量子回路最適化のための予測モデルによるトランスパイラ自動調整 [quant-ph, cs.LG, cs.SE]目的：量子回路のトランスパイラパス選択の自動化
- 量子ソフトウェア開発は，量子プログラミングを既存のソフトウェア環境に組み込む上で重要である。
- 従来のトランスパイラは固定設定に頼るため，回路最適化の機会を逸している場合がある。
- 機械学習を用いて，回路ごとに最適なトランスパイラパスを自動的に選択することを目指す。
- 提案手法は，Qiskitの最適化レベルを凌駕する性能を示すことが確認された。
- 平均して，2qubitゲート数を19.1％～32.4％削減することに成功した。
- 一部の回路では，最大95.8％の削減率を達成し，Qiskitでは削減が見られなかったケースでも効果を示した。
経頭蓋集中超音波における位相振幅収差補正のための少量学習型深層学習 [eess.IV, cs.LG]目的：経頭蓋集中超音波(tFUS)における位相と振幅の収差補正
- tFUSは非侵襲的な脳変調・治療法として期待されるが，頭蓋骨の不均質性により効果と安全性が制限される。
- 従来の収差補正法は計算コストが高く，リアルタイム処理や反復的な治療計画には不向きである。
- 患者固有のCT画像から位相と振幅の補正量を高速に予測し，個別化された治療を可能にする。
- 提案手法は，患者CT画像から位相と振幅の補正量を少量学習で予測する深層学習フレームワークである。
- 12個の頭蓋骨を用いた交差検証の結果，位相と振幅の誤差，焦点位置のずれはそれぞれ小さく，高い精度を達成した。
- 本手法は，従来のtime-reversal法と比較して約2535倍高速に収差補正が可能となった。
単純後悔率とマターンおよび二乗指数型RKHSにおける固定事前期待改善のミニマックス最適性 [math.CO, cs.CG, stat.ML, cs.LG, cs.NA, math.NA, math.ST, stat.TH]目的：決定論的目的関数fの最小化における期待改善（EI）方策の性能評価
- 最適化問題において，関数の形状が未知である場合，効率的な探索が重要となる。
- 期待改善方策は計算コストが高く，後悔（最適解からのずれ）の評価が難しい。
- マターン核および二乗指数型核を用いたEI方策の単純後悔率の上界を導出する。
- マターン核の場合，単純後悔率は$O(N^{-\nu/d})$で示される。
- 二乗指数型核の場合，単純後悔率は$O(\exp[-c_1\min\{N, N^{1/d}\log(eN)\}])$で示される。
- マターン核においては，EI方策はミニマックス最適性を持つことが示された。
低フレームレート高次元連続トークンによる安定的な自己回帰音声生成 [math.AC, cs.SC, math.AG, eess.AS, cs.AI, cs.LG, cs.SD]目的：自己回帰音声生成における系列長，表現能力，長期安定性のバランス
- 音声生成技術は，対話システムやコンテンツ制作など幅広い分野で重要性が増している。
- 高フレームレートでは分布ドリフトや誤差累積が課題となり，低フレームレートでは音質が制限される。
- 低フレームレートかつ高次元の表現と生成フレームワークの協調設計により，安定性を向上させる。
- 提案手法Locodecは，高次元表現空間の補間性と識別可能性を高め，トークンの予測精度を向上させる。
- MP-ELDは，多経路情報ルーティングとresidual classifier-free guidanceにより，誤差累積を軽減する。
- 8Hz，768次元のトークンを用いた実験で，高い再構成品質と安定性を実現した。
有限地平線バンディット問題における貪欲法の利点 [stat.ML, cs.LG]目的：有限地平線バンディット問題における貪欲法アルゴリズムの性能評価
- 組織における意思決定の改善において，逐次的な実験が重要視されている。
- 従来のバンディット問題の理論は漸近的な後悔保証に焦点を当てており，実用的な有限地平線への適用が課題である。
- 有限地平線における貪欲法アルゴリズムの後悔量を理論的に評価し，実用的なパラメータ調整法を提案する。
- 正規化された貪欲法アルゴリズムに対し，有限地平線における後悔量の上限を導出した。
- 後悔量は，探索コストと最適解への収束の遅れに分解され，正則化の強さに応じて指数的に減衰することが示された。
- 数値実験の結果，調整された正規化貪欲法は最先端のアルゴリズムと同等かそれ以上の性能を示した。
ダブルマシンラーニングの分析的信頼区間とブートストラップ信頼区間：シミュレーション研究と肥満有病率の都市・農村間差への応用 [math.OC, cs.DM, math.CO, cs.CG, math.MG, quant-ph, cs.CC, stat.ML, cs.LG, stat.AP]目的：ダブルマシンラーニングにおける信頼区間の分析と検証
- 因果推論は政策評価や医療分野で重要であり，より正確な効果推定が求められている。
- ダブルマシンラーニングでは，補足パラメータ推定に用いる機械学習アルゴリズムの選択が結果に影響するが，その影響は明確にされていない。
- 機械学習アルゴリズムの選択が信頼区間推定に与える影響を評価し，信頼性の高い推論を可能にすること。
- シミュレーション研究の結果，分析的信頼区間とブートストラップ信頼区間のカバレッジ率には，機械学習アルゴリズムの選択によって大きな変動が見られた。
- サンプルサイズが増加しても，分析的およびブートストラップ信頼区間のカバレッジ率が低下する現象が確認された。
- 実際のデータ分析では，都市部よりも農村部の方が郡レベルの肥満有病率を有意に増加させる効果が認められた。
MoPET：統一的な医用画像分類のためのパラメータ効率的な混合エキスパートモデル [eess.IV, cs.CV, cs.LG]目的：医用画像の多様な臨床的異質性への適応
- 医用画像診断の精度向上は，医療の質向上に不可欠であり，深層学習の活用が期待されている。
- 限られたデータで深層学習モデルを学習する場合，過学習が課題となる。既存のPEFTは課題を緩和するが，タスクごとに独立したアダプターが必要となる。
- 異なる医用画像データセットを統合学習する際に発生する，負の転移を抑制し，汎化性能を高める。
- PEFTは，完全なネットワーク更新と比較して平均精度を向上させ，過学習を防ぐことが示された。
- MoPETモデルは，異なる4つの医用画像データセットを1つのネットワークに統合し，単独のPEFTアダプターよりも高い平均精度を達成した。
- 補助データセットを用いた共同学習により，データ制約のある臨床ターゲットの精度が向上することが確認された。
グラフニューラルネットワークを用いた高エントロピーペロブスカイト酸化物における形成エネルギーおよびHOMO-LUMOギャップ予測のための秩序-無秩序転移学習 [math.PR, cs.DM, cond-mat.mtrl-sci, cond-mat.other, cs.LG]目的：高エントロピーペロブスカイト酸化物の形成エネルギーおよびHOMO-LUMOギャップ予測
- 材料開発において，組成空間の探索と物性予測の効率化が不可欠である。
- 高エントロピーペロブスカイト酸化物の組成多様性と構造的無秩序が，高精度な物性予測を困難にしている。
- 化学的秩序構造から得られた知識を，無秩序な高エントロピーペロブスカイト酸化物に転移させ，予測精度を向上させる。
- 形成エネルギーの予測は，秩序構造から無秩序構造への転移学習が有効に機能することが示された。
- HOMO-LUMOギャップの予測は，局所的な化学環境への依存性が高く，転移学習の性能が限定的であった。
- 高エントロピーペロブスカイト酸化物固有の学習データを取り込むことで，HOMO-LUMOギャップ予測が大幅に改善された。
ミューオンの符号圧縮：SignMuon，MuonSign，および誤差フィードバックの限界 [math.OC, cs.SY, eess.SY, math.OC, cs.LG]目的：ミューオン更新の符号化によるパラメータごとの1ビット圧縮
- 大規模な機械学習モデルの分散学習では，通信コストがボトルネックとなりやすい。
- 単純な符号化による勾配圧縮では，収束性が保証されない場合がある。
- 符号化の位置や誤差フィードバックの効果を検証し，最適な圧縮方法を模索する。
- SignMuonは，勾配符号化による単純な圧縮方法であり，SignSGDよりも優れた性能を示す。
- しかし，SignMuonは線形関数上でも上昇する可能性があり，誤差フィードバックではその問題を解決できない。
- 実験結果では，LMO後の符号化が最も優れた性能を示したが，理論的には発散することが証明されている。
微分プライバシー非パラメトリックモード学習：回帰とクラスタリングへの応用 [math.ST, cs.LG, stat.ME, stat.ML, stat.TH]目的：多峰性分布における密度モードの推定
- データ分析において，分布の形状を捉えることは重要であり，特に多峰性分布の解釈にはモードが不可欠である。
- 厳密な微分プライバシーを保証しつつ，密度モードを推定することは未だ困難な課題である。
- 微分プライバシー下での密度モードのロバストな推定手法を開発し，その性能評価を行う。
- 提案手法DP-GRAMSは，勾配クリッピングと調整されたガウスノイズを用いることで，微分プライバシーを保証しながら密度モードを効率的に推定する。
- 理論的な解析により，提案手法が漸近的な誤差率を持ち，既存手法と比較して最適な性能に近づくことが示された。
- 回帰とクラスタリングへの応用であるDP-PMS，DP-GRAMS-Cは，合成データおよび実データにおいて良好なプライバシー・ユーティリティのトレードオフを示す。
テンソルデータ散布とスライス不可能定理 [cs.LG]目的：疎テンソルの標準的な表現方法
- 深層学習におけるテンソル演算は重要であり，効率的な処理が求められている。
- テンソルデータの散布処理は計算コストが高く，最適化が課題となっていた。
- テンソルデータ散布におけるスライス不可能という現象の理論的解明を目指す。
- 本研究では，テンソルデータ散布の性能分析とアクセラレータ最適化に重要な定理を提示した。
- この定理は，テンソルデータ散布におけるスライス不可能という現象が起こりうることを示している。
- 疎テンソルのストレージ効率と並列処理の可能性を示すスパースネス測定式を提案した。
SATViz：節証明のリアルタイム可視化 [cs.AI]目的：SATインスタンスの節証明の可視化
- SAT問題の効率的な解決は，計算機科学や工学の様々な分野で重要である。
- SATインスタンスの構造が解決困難性に影響するものの，構造の把握が困難である。
- SATVizを用いて，インスタンスの構造と証明過程を可視化し，問題解決の洞察を得る。
- SATVizは，変数相互作用グラフと力指向レイアウトアルゴリズムを用いてCNF式を可視化する。
- 節証明をアニメーション化することで，最近学習された節に出現する変数を強調表示する。
- 必要に応じて，エッジの重みを調整した変数相互作用グラフの新しいレイアウトを生成可能である。
MDPにおけるQ値予測を用いた学習支援アルゴリズム：ブラックボックス助言を超えて [cs.DL, cs.SI, physics.soc-ph, cs.LG, cs.PF]目的：単一軌跡の時間変化マルコフ決定過程における一貫性と頑健性のトレードオフ
- 強化学習は，自律的な意思決定を行う上で重要な役割を果たす。
- 機械学習による助言は信頼性が低い場合があり，頑健性の確保が課題である。
- Q値予測を利用し，助言と頑健なベースラインを動的に選択することで性能向上を目指す。
- Q値に基づく助言を用いることで，一貫性と頑健性のトレードオフが実現可能となることが示された。
- 機械学習による助言と頑健なベースラインの動的な組み合わせにより，ほぼ最適な性能が保証される。
- ブラックボックス助言のみを用いた場合と比較して，性能向上が証明された。
関数空間における非定常ダイナミクスの転換点予測 [cs.LG, math.DS]目的：非定常・カオス的動力学系の転換点予測手法
- 気候変動など，急激かつ不可逆的な変化が社会に大きな影響を与えうるため，予測が重要である。
- 従来の予測手法では，非定常なシステムにおける転換点の正確な特定が困難であった。
- 物理制約を活用し，転換点予測の精度向上と不確実性の定量化を目指す。
- 再帰型ニューラル演算子(RNO)を用いて関数空間におけるダイナミクスを学習し，転換点を予測する枠組みを提案した。
- 物理的制約からの逸脱を監視する共形予測により，不確実性の評価と予測精度を高めている。
- ロレンツ63方程式やクルトモト・シバシンスキー方程式に加え，雲や翼型への応用も示し，未知のReynolds数に対しても汎化性を示す。
分散学習における通信効率の良い安全集約 [eess.SY, cs.SY, math.OC, cs.IR, cs.LG]目的：分散学習環境下での安全集約とスパース化の統合
- データ量の増加に伴い，プライバシー保護と効率的な分散学習の重要性が高まっている。
- 分散学習では，ピアツーピア通信コストが高く，特に安全集約とスパース化の組み合わせが困難である。
- 安全集約とスパース化を両立させ，プライバシーを保護しつつ通信コストを削減すること。
- 提案手法CESARは，パラメータの共通部分に対するマスクを調整することで，安全集約とスパース化を統合する。
- CESARは，ノードのドロップアウトや悪意ある参加者に対してもロバストなプライバシーを保証する。
- 実験結果から，CESARは既存手法と同等の精度を維持しつつ，通信量を最大66.7%削減できることが示された。
疎な幾何学的MPNNの表現力について [cs.LG, cs.AI]目的：幾何学的グラフに対する疎なメッセージパッシングニューラルネットワークの表現力
- 化学をはじめとする様々な科学分野において，グラフ構造データの解析が重要である。
- 既存のモデルは完全グラフを前提としており，現実の近傍ノードのみしか知らない状況への対応が課題である。
- 疎なグラフ構造においても表現力を保ち，より現実的な応用を可能にすることを目的とする。
- 回転不変な特徴量を持つメッセージパッシングネットワークにより，一般的な非同型幾何学的グラフを分離できることが示された。
- 不変な中間特徴量のみを用いる場合，一般的な分離は，一般的にグローバルに剛性のあるグラフに対して保証される。
- 提案アーキテクチャEGENNETは理論的保証を満たし，合成データおよび化学データセットで優れた性能を示した。
既約表現のレンズを通して多置換不変性を再検討 [cs.LG, cs.AI]目的：置換および関連する群の表現に対する不変な線形層の特性評価
- 機械学習における対称性の活用は，モデルの汎化性能向上や計算コスト削減に貢献する。
- 従来のパラメータ共有によるアプローチでは，表現力に限界があり，複雑な構造を持つデータへの適用が困難である。
- 既約表現とシューの補題に基づき，より柔軟で表現力豊かな不変層の設計を目指す。
- 既存モデル（DeepSets，2-IGN，DWS）の導出を，既約表現に基づく手法によって簡潔に行うことができた。
- 非整列対称集合における層の完全な特性評価を行い，従来のSiamese層に限定されていた状況を打破した。
- 実験的に，追加された非Siamese層がグラフ異常検知等のタスクにおいて性能向上に貢献することを示した。
生成AI時代におけるディープフェイクメディアの生成と検出：サーベイと展望 [cs.DM, cs.CV, cs.AI, cs.LG, cs.MM, cs.SD, eess.AS]目的：ディープフェイクの生成と検出技術に関する調査
- 社会における偽情報の拡散が深刻化しており，その対策が急務である。
- 既存のディープフェイク検出器は，未知の生成手法に対して汎化性能が低い。
- 未知の生成器によって生成されたディープフェイクに対する検出性能の向上。
- 画像，動画，音声，マルチモーダルコンテンツを含む，様々な種類のディープフェイクとそれらの生成・検出手法の分類を提示した。
- 一般的なデータセットにおける最良の検出器のランキングを更新し，新たなマルチモーダルベンチマークを開発した。
- 最先端の検出器は，未知の生成器によって生成されたディープフェイクに対して汎化性能が低いことが示された。
デュアルフォース：模倣制約下でのオフライン多様性最大化の強化 [cs.LG, cs.AI, cs.RO]目的：模倣制約下でのオフライン多様性最大化
- ロボットの強健性を高めるため，環境とのインタラクションなしに多様な行動ポリシーを獲得することが重要である。
- 既存のオフライン手法は，スキル識別器に依存し，交替ラグランジュ最適化による非定常報酬下で不安定になりやすい。
- スキル識別器を排除し，非定常な報酬下での学習を安定化させることで多様な行動の獲得を目指す。
- Dual-Forceは，後継特徴量から計算されるファンデルワールス力に基づくオフポリシー推定器を用いて多様性を最大化し，スキル識別器を不要にする。
- 事前に学習されたFunctional Reward Encoding (FRE)で価値関数とポリシーを条件付けすることで，非定常な内在的報酬下での学習を安定化させる。
- FREコードにより，関連する潜在表現を通じて遭遇したすべてのスキルをゼロショットで再現可能となり，固定されたスキル数を事前に指定する必要がなくなる。