arXiv雑要約
AI - 2026/08/03 公開
潜在世界モデルは何を知っているか：多次元予測表現における物理パラメータの識別可能性 [cs.LG, cs.RO]目的：潜在世界モデルにおける物理量の内包と，それが決定される要因の解明
- 将来予測は表現に環境の物理性を内包させるという前提があり，そのメカニズム理解が重要である。
- 潜在表現がどの物理量を学習し，それがどのように決定されるか不明確であった。
- 視覚情報と触覚情報など，多次元情報を用いた予測モデルにおける物理パラメータの識別可能性を評価する。
- 訓練された潜在表現は，オブジェクトの質量，抵抗，接触硬度などの物理量を内在化することが示された。
- 硬度は触覚予測の対象として設定された場合にのみ潜在表現に現れ，視覚情報のみではオブジェクトの状態さえも保持されない。
- 予測目標の構造が，潜在表現が獲得する物理パラメータを決定し，データ量の増加は既に獲得済みのパラメータのみを向上させる。
脳波に基づく疾患診断の再考：インスタンス表現学習と被験者レベルの教師信号の分離 [cs.CL, cs.IR, cs.LG, stat.ML]目的：脳波データを用いた疾患診断における表現学習の質の向上
- 脳波は，非侵襲的かつ高時間分解能な計測が可能であり，神経疾患の診断に重要な役割を果たす。
- 既存手法では，脳波データを短いインスタンスに分割し，被験者レベルのラベルを継承させて学習を行うため，信頼性の低いインスタンスも学習に影響する。
- インスタンスレベルのラベル継承の問題を解決し，被験者レベルでの診断精度を向上させることを目指す。
- 提案手法BridgeMILは，3つの脳波疾患データセットと5つの代表的なバックボーンにおいて，既存手法を上回る高い平均精度を達成した。
- BridgeMILは，インスタンス表現学習を被験者レベルの教師信号から分離することで，より構造化された表現空間を学習し，診断クラス間の分離を改善した。
- インスタンスのラベル信頼度に大きなばらつきがあること，被験者数が少ない状況下で性能が大きく変動することが示された。
確率演算子を用いた論理的推論におけるLLMの能力評価 [cs.CL, cs.AI]目的：確率演算子を含む文脈における論理的推論能力の評価
- 自然言語には不確実性の表現と推論が不可欠であり，医療や法律など重要な分野で妥当な推論が求められる。
- LLMの論理的推論能力評価において，表面的なパターンマッチングと真の推論能力の区別が困難である。
- 確率演算子を用いた推論ベンチマークを通して，LLMの論理的推論能力を正確に評価することを目指す。
- 29のLLMを評価した結果，ほとんどのモデルが論理形式に依存せず，Yes/Noのバイアスを示すことが明らかになった。
- モデルのYes正答率とNo正答率の低い方で決定される「能力下限」は，ランダムよりも高い性能を示すモデルはわずか9つだった。
- 質問形式，動詞句，名前の性別や起源など，様々な要素においてバイアスが確認された。
SE(3)-MeanFlow: Lie群上での少ステップタンパク質バックボーン生成 [cs.LG, cs.AI]目的：タンパク質バックボーンの生成
- タンパク質の構造と機能に基づいた新規設計は，創薬やバイオテクノロジーにおいて重要である。
- 既存手法は計算コストが高く，大量のサンプリングステップが必要とされる点が課題である。
- Lie群の幾何学を利用し，少ないステップで効率的なタンパク質バックボーン生成を実現することを目指す。
- 提案手法SE(3)-MeanFlowは，従来のflow-matchingモデルと同等またはそれ以上の性能を発揮する。
- 特に少ステップの領域において，修正による性能向上が顕著に現れる。
- 多様性の維持と計算効率のバランスが取れた生成が可能である。
OneShot：ニューラルスコアリングによるランキングインデックスの効率的な大規模検索 [cs.IR, cs.LG]目的：大規模検索におけるランキングインデックスの効率化
- 推薦システムにおいて，検索は候補アイテムを絞り込む重要な段階であり，その効率と精度がシステム全体の性能を左右する。
- ランキングの精度向上とインデックスの効率化は相反する課題であり，両立が困難であった。
- ランキングの目的とインデックス学習を統合し，両者の構造的なずれを解消することを目指す。
- OneShotは，ランキングの目的とインデックス学習を同時に最適化する包括的な検索フレームワークである。
- Instagramの短編動画推薦システムに導入された結果，ユーザーの利用時間，エンゲージメント，セッション数に大幅な改善が見られた。
- 運用時のランキングボリュームにおいて20%のリコール向上，同等のリコールレベルで10倍の効率改善を達成した。
LabEvolver：訓練不要な経験進化による安全で現実に基づいたウェットラボエージェント [cs.RO, cs.AI]目的：ウェットラボエージェントの安全性と現実適合性を高めるための経験進化手法
- 科学的発見の自動化は，実験の効率化と新たな知見の創出に不可欠である。
- 既存のロボットシステムは，複雑な環境や未知の状況への適応に課題がある。
- 実環境での実験を通して得られる経験を効率的に活用し，安全性を確保すること。
- LabEvolverは，訓練なしでウェットラボ環境においてpH調整の完了時間を48.2%短縮し，安全ゲートへの干渉を60.0%削減した。
- ALFWorld環境において，ReActと比較して，20ステップ以内の累積成功率を76.2%から91.4%に向上させ，汎用性を示した。
- 経験進化による学習は，閉ループ型自動科学的発見への実行可能な道筋となりうることを示唆する。
RIPPLE：位相を生成する，復元しない [cs.LG, cs.SD]目的：多チャンネル波形の位相生成手法
- 空間音響や地震波など，多チャンネル信号の物理的情報は位相関係に内在する。
- 既存手法はチャンネルごとに位相を復元するため，チャンネル間位相の情報を損失する。
- チャンネル間位相関係を考慮した位相生成により，信号の品質向上を目指す。
- RIPPLEはGriffin-Lim法を位相事前分布として再解釈し，チャンネル間構造を保存する。
- 空間音響と地震波の分野で，既存の復元手法と比較して一貫して高い性能を示した。
- 地震波におけるS波偏波誤差を，ランダムな水準から大幅に低減することに成功した。
借用された歴史を超えて：対話型ロールプレイング評価のための人物に合わせたユーザシミュレーション [cs.CL, cs.AI]目的：インタラクティブなロールプレイング評価のための人物に合わせたユーザシミュレーション
- 大規模言語モデルの応用範囲拡大に伴い，ロールプレイングエージェントの重要性が増している。
- 既存の評価手法では，ユーザの多様な経験や好みを考慮できていない。
- ユーザの個性に基づいた，より適切なロールプレイングエージェントの評価を目指す。
- PALATEは，300のキャラクタープロファイルを用いた，ユーザシミュレーションに基づくロールプレイングエージェントの評価ベンチマークである。
- 従来の一般的な評価基準よりも，パーソナライズされた評価基準の方が人間の判断とより一致することが示された。
- PALATEは，ロールプレイングエージェントのターンごとの品質，長期的な能力，そしてユーザごとの体験を個別に評価する。
TriShield：連合学習におけるプライバシーバックドアに対するユーティリティ損失なしの防御（直交勾配投影と最適化状態のエンタングルメントによる） [cs.LG, cs.CL]目的：連合学習におけるプライバシーバックドア攻撃に対する防御策の開発
- 大規模言語モデルの連合学習は，データ共有なしに協調学習を可能にするため，近年重要性が増している。
- NeuroImprintのような攻撃により，悪意のあるパラメータサーバがクライアントの学習データを再構築できるという問題がある。
- TriShieldは，モデルのユーティリティを損なわずに，NeuroImprintのような攻撃を完全に防止することを目的としている。
- TriShieldは，パラメータアーティファクト検出，状態仮想反復，およびゼロユーティリティ直交投影の3層から構成される。
- 理論的に，TriShieldを適用することで，アップロードされた勾配と個々の学習サンプルの間の相互情報量がゼロになることが証明された。
- GPT-2とLlama-Guard-3-1Bでの実験により，TriShieldがNeuroImprintによる再構築率を0%に削減し，学習精度を維持または向上させることが示された。
POSSE-kNN：バイナリ分類のための経路選択的Out-of-Bag選択部分空間アンサンブル [cs.CL, cs.RO, eess.SY, cs.SY, stat.ML, cs.LG]目的：バイナリ分類における経路選択的なk近傍法アンサンブルの性能評価
- 表形式データの分類において，近傍法は有効な手法の一つである。精度向上が期待できる。
- 固定された近傍範囲が局所的なクラス構造に従わない場合，近傍法は性能が低下しやすい。
- 局所的なクラス構造に適応的な近傍選択を行うことで，近傍法の精度向上を目指す。
- POSSE-kNNは，ブートストラップサンプリング，ランダムな特徴部分空間，OOBスクリーニング，選択的投票を組み合わせた手法である。
- 10個のバイナリベンチマークデータセットで評価した結果，POSSE-kNNは精度，Cohen's kappa，Brierスコアにおいて最高の集計結果を示した。
- k={3, 5, 7}において安定した性能を示し，経路の幾何学的な情報が有用な場合に有効であることが示された。
中枢神経系におけるニューロン集団の情報処理：データと演算の数学的構造に関する理論 [q-bio.NC, cs.AI, cs.LG, cs.NE]目的：ニューロン集団レベルでの活動を特徴づける凸錐代数の体系
- 中枢神経系の情報処理機構の解明は，認知科学や神経科学の根幹をなす重要な課題である。
- ニューロン集団がどのように情報を符号化し変換するか，そのメカニズムは未だ十分に解明されていない。
- ニューロン集団を情報処理の演算子として捉え，その代数的構造を明らかにすることを目指す。
- 本研究で提案された凸錐代数は，ニューロン集団活動の表現と処理を記述する自然な言語を提供する。
- ニューロン集団は，専門化，一般化，新規性検出，次元削減といった機能を実行できるコンパクトな代数表現を実現する。
- 行列埋め込みが，ベクトルベースのモデルを超える表現能力を拡張し，階層的コンセプト形成や構造化された情報処理を可能にする。
メカニズムスパース性による非パラメトリック部分的潜在変数分離：スパースな行動，介入，およびスパースな時間的依存性 [stat.ML, cs.LG]目的：潜在変数の分離
- 機械学習において，データの背後にある要因を理解することは重要である。潜在変数分離は，その理解を深めるための鍵となる。
- 既存手法では，潜在変数の完全な分離が困難であり，データの複雑な構造を捉えきれない場合がある。
- 観測データと潜在変数の関係性をスパース化することで，部分的な分離を実現し，データ構造の理解を深める。
- メカニズムスパース性正則化という新たな原理を導入し，潜在変数の分離を促進する表現学習手法を提案した。
- 潜在変数を回復させるためには，学習された因果グラフをスパースに正則化する必要があることを，非パラメトリック識別可能性の理論によって形式的に示した。
- 多ノード介入を利用して潜在変数を分離する方法や，指数族仮定との関連性など，メカニズムスパース性原理の範囲と前提条件を明確にした。
平均場ゲームおよび平均場制御問題に対する統一連続時間q学習 [math.OC, cs.LG, q-fin.CP]目的：平均場ゲームおよび平均場制御問題における連続時間q学習
- 社会全体の最適化が重要視される中，多数のエージェントが相互作用するシステムの解析が求められている。
- 集団分布への直接アクセスが困難な状況下での学習アルゴリズムが不足している。
- 集団分布へのアクセスを必要としないq学習アルゴリズムを開発し，理論的枠組みを提供する。
- 提案する分離型q関数は，平均場ゲームと平均場制御問題の両方に対して統一的な評価ルールを提供する。
- 代表エージェントの状態価値に基づいて集団分布を更新する学習手続きを導入した。
- テストポリシーと平均化されたマルチンゲール直交条件を利用した統一的なパラメータq学習アルゴリズムを開発し，その有効性を検証した。
深層学習と注意機構を用いた単一チャンネル移動脳波による睡眠研究における人工物検出と局在化 [math.CO, cs.DM, q-fin.TR, cs.SY, eess.SY, math.OC, eess.SP, cs.LG]目的：睡眠脳波における人工物の検出と局在化
- 睡眠研究は健康管理に不可欠であり，脳波はその重要な指標となる。
- 移動脳波は簡便だが，ノイズや人工物の影響を受けやすいという課題がある。
- ウェアラブル脳波における人工物の自動検出・局在化を実現し，睡眠研究の精度向上を目指す。
- 提案手法（CNN-CBAM）は，他の機械学習・信号処理手法と比較して，最も高いAUC（0.88），感度（0.81），特異度（0.86）を達成した。
- CNN-CBAMの注意機構は，検出された人工物エポック内の局在化において，感度0.61，特異度0.63を示した。
- 本研究は，ウェアラブル睡眠脳波における人工物検出・局在化の自動化の実現可能性を示唆している。
非線形再帰型ニューラルネットワークにおける相関統計 [q-bio.NC, cond-mat.dis-nn, cs.NE, hep-th, physics.bio-ph]目的：非線形再帰型ニューラルネットワークの相関統計
- 再帰型ニューラルネットワークは，複雑な時系列データの解析や予測において重要な役割を果たす。
- ネットワーク規模が大きくなると，相関統計の解析が困難になるという課題がある。
- 大規模ネットワークにおける相関統計の厳密解を導き出すことで，ネットワークのダイナミクス理解を目指す。
- 大規模ニューロン数Nの極限において，ガウス消去された乱雑さの条件下で，非線形再帰型ネットワークの相関統計の厳密式を導出した。
- 線形理論の不安定性を解消し，正の参加次元が得られるような，幅広い非線形活性化関数を一般化した。
- べき乗則活性化関数やパデ近似に基づいた活性化関数に対する解析的予測を提示し，数値シミュレーションにより理論結果が裏付けられた。
ベイズ逆問題に対する証明可能な拡散事後サンプル法 [stat.ML, cs.LG, cs.NA, math.NA, math.PR, math.ST, stat.TH]目的：ベイズ逆問題における事後分布からのサンプリング手法
- ベイズ統計は不確実性を定量化し，複雑なモデルの推論に不可欠である。
- 事後分布のサンプリングは高次元で困難であり，近似手法が求められている。
- 複雑な事後分布に対する効率的かつ正確なサンプリング手法の開発。
- 拡散モデルを用いることで，容易にサンプリング可能な分布から目的の事後分布への確率輸送を実現した。
- Langevin力学に基づくモンテカルロ推定器により，事後分布のスコアを近似し，ヒューリスティックな近似を回避した。
- 提案手法の収束性に関する非漸近的な誤差限界を確立し，理論的根拠と数値実験で有効性を示した。
再帰型ネットワークにおける低次元感覚ダイナミクスの埋め込み：神経表現の幾何学への示唆 [stat.AP, cs.MA, cs.SI, physics.soc-ph, q-bio.NC, cs.LG]目的：感覚ダイナミクスの埋め込みに関する幾何学的性質の解明
- 感覚皮質の神経活動は低次元多様体上に組織されていることが知られている。そのメカニズムの理解は重要である。
- 多様体がなぜ生じるのか，その幾何学を決定する要因が不明であり，神経表現の理解を妨げている。
- 低次元感覚ダイナミクスが再帰型ネットワークに埋め込まれるメカニズムと，予測が解像度に与える影響を明らかにすること。
- 収縮性のある再帰型ネットワークは，低次元の感覚ダイナミクスを埋め込む滑らかな内部多様体を生成的に発達させる。
- 予測性能と表現幾何学の関係が明らかになり，予測精度が状態分離を促進することが示された。
- 訓練されたRNN実験により，環状およびトーラス状の隠れ多様体が再現され，状態分離が2d+1閾値で急激に改善された。
信用リスクにおける生存時間分析へのデータドリフトの組み込み [stat.ML, cs.LG, q-fin.RM]目的：信用リスクにおけるデータドリフトの影響と，それに対するロバスト性の向上
- 信用リスク評価において，デフォルトまでの時間を予測する生存時間分析は重要な手法である。
- 既存手法はデータ生成過程が定常的であると仮定しているが，実際は様々な要因によりデータドリフトが発生する。
- 非定常環境下での生存時間分析モデルのロバスト性を向上させることを目指す。
- 提案モデルは，行動マーカーと離散時間ハザードモデルを組み合わせ，ランドマークワンホットエンコーディングと等方校正を適用する。
- シミュレーション実験の結果，提案モデルは古典的な生存時間分析モデルやドリフト適応学習器，勾配ブースティング法を上回る識別力と校正性能を示した。
- 提案モデルは，急激，漸進的，反復的なデータドリフトの全てのシナリオにおいて，優れた性能を発揮することが確認された。
hls4mlを用いた耐放射線FPGAにおける低遅延機械学習の実現 [q-bio.PE, cs.MS, hep-ex, cs.LG]目的：耐放射線FPGA上での低遅延機械学習アプリケーションの実現可能性
- 高エネルギー物理実験では，大量のデータをリアルタイムに処理する必要があり，高性能なハードウェアが不可欠である。
- 高エネルギー物理実験で使用されるFPGAは放射線環境に耐える必要があり，従来の機械学習ツールとの互換性が課題となっていた。
- hls4mlのサポートを追加することで，耐放射線FPGA上での機械学習モデルの自動生成を可能にし，実用化を目指す。
- 軽量なオートエンコーダを用いて，PicoCalカロリメータの32サンプルタイミング読み出しを2次元潜在空間に圧縮することに成功した。
- ハードウェアを意識した量子化戦略により，モデルの重みを10ビットに削減しても，性能劣化は最小限に抑えられた。
- Microchip PolarFire FPGA向けの新バックエンドをhls4mlに実装し，25nsの低遅延を実現した。
ELISA：シングルセルゲノミクスにおける表現に基づいた発見のための解釈可能なハイブリッド生成AIエージェント [quant-ph, cs.DC, cs.PF, q-bio.GN, cs.AI]目的：シングルセルRNA配列データからのメカニズムに基づいた生物学的仮説の創出
- シングルセルゲノミクス研究は，疾患のメカニズム解明や個別化医療の実現に不可欠である。
- 既存のAIシステムは，トランスクリプトーム表現への直接アクセスが難しく，解釈性に課題がある。
- 表現に基づいた発見と自然言語による解釈を統合し，生物学的仮説の創出を支援する。
- ELISAは，scGPT埋め込みとBioBERTベースのセマンティック検索，LLMによる解釈を組み合わせる。
- 細胞タイプ検索において，従来のレキシカル検索器やランダムベースラインを大幅に上回る性能を示した。
- 既知の生物学的知見の再現性も高く，LLMによる根拠に基づいた仮説生成を可能にした。
TimeRFT：強化学習による時間系列予測モデルの汎化性能向上 [math.OC, cs.SY, eess.SP, eess.SY, math.OC, cs.SY, eess.SY, eess.SP, cs.AI, cs.CV, cs.LG]目的：時間系列予測モデルの汎化性能向上
- 時間系列データは多様な分野で重要であり，正確な予測は意思決定に不可欠である。
- 既存の時間系列予測モデルは，データ分布の変化やデータ量の制約により汎化性能が低い場合がある。
- 本研究は，強化学習を用いて時間系列予測モデルの汎化性能を向上させることを目指す。
- TimeRFTは，予測ステップごとの貢献度を評価する報酬メカニズムと，汎化性能の高いデータを選択する戦略を導入する。
- 多様な実データによる実験の結果，TimeRFTは既存の教師ありファインチューニング法を上回り，高い予測精度と汎化性能を示すことが確認された。
- TimeRFTは，未知のデータ分布に対するロバスト性も向上しており，実用的な時間系列予測に貢献できると考えられる。
AI4BayesCode：自然言語記述から検証済みのモジュール化された状態を持つベイズサンプラーへ [stat.CO, cs.AI, cs.LG]目的：自然言語によるベイズモデル記述から実行可能なMCMCサンプラーの生成
- MCMCは現代統計の重要な手法であり，複雑なモデルの推定に不可欠である。
- 既存の確率プログラミングシステムは，モデルのサポート，拡張性，構成可能性に限界がある。
- AI4BayesCodeは，複雑なサンプリングアルゴリズムをゼロから実装する負担を軽減することを目指す。
- AI4BayesCodeは，自然言語によるベイズモデル記述からMCMCサンプラーを生成できる。
- モデルをモジュール化されたサンプリングブロックに分解し，既存のコンポーネントにマッピングすることで信頼性を向上させている。
- 生成されたサンプラーコードの事前・事後検証により，より信頼性の高いサンプリングを実現している。
確率的勾配降下法における統計的推論：有限分散を超える [stat.ML, cs.LG, stat.ME]目的：確率的勾配降下法の反復値からの信頼区間構築法
- 大規模統計学習や確率的最適化の基盤であり，その重要性は増している。
- 近年，確率的勾配が無限分散を示す場合があり，既存の推論手法が適用できない。
- 有限・無限分散の状況下で，信頼性の高い統計的推論を可能とする手法を開発する。
- Polyak-Ruppert平均化は，最速収束レートの最終反復値と同程度の漸近的指向性スケールを持つことが示された。
- Polyak-Ruppert平均化推定量と経験的二乗モーメント正規化器の同時中心極限定理が確立された。
- サブサンプリングにより，裾指数などの煩雑なパラメータの明示的な推定を回避し，簡便な実装と漸近的妥当性を実現した。
バッテリー文献の多角的マイニングによるX線吸収分光データ活用 [cond-mat.mtrl-sci, cs.AI, cs.CL, cs.DL, cs.IR]目的：バッテリー文献からのX線吸収分光データのデジタル化と構造化
- 材料の局所的な電子状態や原子構造を理解する上で，X線吸収分光法は不可欠である。
- 発表されたX線吸収分光スペクトルは図中に埋め込まれており，テキストによる説明も断片的で，データ駆動型分析が困難である。
- 文献中に埋め込まれた分散的なX線吸収分光データを構造化された数値データに変換し，大規模な分析を可能にすること。
- 論文からX線吸収分光の図を抽出し，スペクトル曲線をデジタル化，そして測定エッジや材料に関するメタデータと関連付けるパイプラインを開発した。
- バッテリー文献に適用した結果，66種類の吸収元素と多様なバッテリー化学を含む13,740本のX線吸収分光スペクトルからなるオープンデータセットを構築した。
- 専門家による検証により，スペクトルとメタデータの正確な抽出が確認された。
回帰問題における関連特徴部分集合と部分空間の同時共同学習について [stat.ML, cs.AI, cs.LG]目的：回帰問題における関連特徴部分集合と部分空間の同時共同識別
- 非定常かつ非線形な現象を扱う上で，適切な特徴量の選択と次元削減は重要である。
- 従来の機械学習手法では，高次元データや複雑な非線形関係への対応が課題となっていた。
- カオスや流体ダイナミクスといった難題に対し，効率的な学習と予測モデルの構築を目指す。
- 提案手法EOMRは，線形にスケーリングする反復とメモリ複雑度でロバストな学習を実現した。
- Lorenz-96システムやHasegawa-Wakataniモデルといった難易度の高い問題において，最先端のAI/ML手法を大幅に上回る予測精度を示した。
- Hasegawa-Wakataniモデルの例では，EOMRは主要な本質的直交関数（EOF）のダイナミクスを8パラメータの線形自己回帰過程で表現することに成功した。