arXiv雑要約
AI - 2026/08/04 公開
不確実なマルコフ決定過程における少数の方策集合によるミニマックス後悔の最適化 [cs.AI, cs.LG]目的：不確実なマルコフ決定過程における，事前に準備された少数の方策集合から最適な方策を選択することによるミニマックス後悔の最適化
- 現実世界の意思決定は環境のモデルに対する不確実性を伴うため，ロバストな方策の設計が重要である。
- 全ての方策を個別に最適化すると，準備・展開可能な方策数に制約が生じ，実用上の課題となる。
- 実行直前に不確実性が解消される状況下で，事前に準備された少数の方策集合で後悔を最小化する。
- 本研究で提案する$k$-適応型方策合成は，NP困難である。効率的な厳密解法であるKAPSアルゴリズムを開発した。
- 実験結果から，最も大きな後悔の減少は，1つから2つの方策を増やす場合に一貫して見られた。
- 単一の方策設定では，KAPSは既存手法と同等の解質を持ち，最適性をより頻繁に証明できた。
LiveMem：長期間のLLM推論におけるメモリ状態の連続性維持 [cs.HC, cs.CL, cs.LG]目的：長期間のLLM推論におけるメモリ状態の連続性
- 対話型AIの性能向上には，過去の文脈を考慮した一貫性のある応答が不可欠である。
- 既存手法では，文脈の長さ制限により，長期間の対話における状態の維持が困難である。
- 文脈の切り替わりにも耐えうる，独立した持続的なメモリ状態の実現を目指す。
- LiveMemは，LLMに固定容量のメモリ状態を付与することで，文脈の切り替わりにも関わらず，過去の情報を保持し，状態の連続性を実現する。
- 実験の結果，LiveMemは既存システムや他のメモリ手法と比較して，総合的な性能で優位性を示した。
- LongMemEvalの実験では，LiveMemは現在の文脈から証拠が削除されても，メモリ状態に基づいて質問に答えることができた。
Magnet：能力蓄積を通じたAI悪用検出 [cs.AI, cs.CY]目的：AIの能力蓄積による悪用検出手法
- AI技術の高度化に伴い，その悪用のリスクも増大しており，監視・検出技術の重要性が高まっている。
- 既存のAI悪用検出手法は，単一セッションに焦点を当てており，複数セッションにわたる巧妙な攻撃に対応できない。
- 複数セッションにまたがる攻撃を検出し，AIの能力蓄積を考慮した新たな検出手法を開発すること。
- 本研究では，攻撃者が有害な目的を複数のセッションに分割し，検出を回避する手法を実証した。
- 提案手法Magnetは，時間経過とともに蓄積された能力をモデル化し，セッション間での関連性を考慮することで，AI悪用を効率的に検出する。
- Magnetは，無害なセッションの中から有害な証拠を抽出し，コンパクトな形で検出器に提供することで，効率的な検出を実現する。
不確実性下におけるモーメント閉包を用いた解析的計画 [cs.LG, cs.AI]目的：確率的環境における効果的なモデルベース強化学習のための計画
- 確率環境下での計画は，予測の不確実性を考慮する必要があり，その重要性が増している。
- 従来の手法は，計画を実行可能な状態にするために，ポリシーや報酬構造に制限を設けていた。
- この研究は，そのような制限なしに分布を意識した計画が可能かどうかを検討する。
- 二次的な行動価値パラメータ化を用いることで，ベルマンバックアップを状態価値関数のみの期待値に還元した。
- 予測遷移分布と価値関数クラスの適合性原理により，期待値を分布のモーメントで解析的に表現することが可能になった。
- ガウス遷移モデルと基底関数による価値関数を組み合わせることで，予測平均と共分散の両方を伝播する閉形式バックアップが得られた。
不確実性だけでは不十分：LoRAエキスパート混合のための情報価値ルーティング [cs.LG]目的：LoRAエキスパート混合における情報価値ルーティングの確立
- 大規模言語モデルの効率的な拡張性が重要視されており，パラメータ効率の良い手法が求められている。
- 従来の動的ルーティングは，不確実性を有用な計算と等価視しており，無駄な計算が生じる可能性がある。
- 情報価値に基づいたルーティングにより，不確実性と有用な情報を区別し，計算資源を効率的に配分することを目指す。
- 提案手法VI-MoLEは，各エキスパートのプレフィックス後の残余リスクを評価し，リスク削減効果に基づいてアダプター予算を配分する。
- 同時証明書の有効性が証明され，減価する証明利益の下での貪欲な配分が最適であることが示された。
- 実験結果から，提案手法は固定型および動的MoE-LoRAルーティングと比較して，計算効率と精度において優れていることが確認された。
最適曖昧性を持たないDNFとAlon-Saks-Seymour [eess.SY, cs.SY, cs.CC, cs.DM, cs.LG]目的：曖昧性を持たないDNFの構造と複雑性
- 計算複雑性理論において，DNFは基本的な表現形式であり，その複雑性解析は重要である。
- DNFの証明の複雑性と近似次数との間にギャップが存在し，効率的な表現が困難である。
- Alon-Saks-Seymour予想の反証と，Clique vs Independent Set問題の通信複雑性下界の改善。
- 曖昧性を持たないDNFを構築し，その幅をO(n)，0-証明複雑性をΩ(n^2)と示した。
- このDNFの特殊な構造を利用して，証明複雑性の分離を通信複雑性の分離に変換するlifting theoremを確立した。
- これにより，Alon-Saks-Seymour予想を反証し，Clique vs Independent Set問題の通信複雑性下界を改善した。
誰が生成されるべきか：オープンエンド生成における人口統計学的目標の正当化 [cs.CY, cs.AI, cs.CL]目的：オープンエンド生成における人口統計学的目標設定の正当化
- 生成AIの公平性評価は重要であり，社会における偏見の増幅を防ぐために不可欠である。
- 既存の公平性指標は入力側の属性に焦点を当てており，出力側の人口構成の偏りを評価する枠組みが不足している。
- 公平性評価の基準となる目標設定のプロセスを明確化し，正当性の根拠を提示することを目指す。
- 生成モデルの出力における人口構成は，地理的分布との乖離が大きく，0.508から0.606の範囲で観測された。
- 地理的分布を均等なカテゴリ分布に置き換えることで，モデル固有のJSD2の変化が0.279から0.355の範囲で生じた。
- 目標設定は公平性評価の前提ではなく，評価プロセスの一部として不可欠である。
生成・自律型AIにおける認知能力のギャップの分類 [cs.AI]目的：生成・自律型AIにおける認知能力のギャップの分類
- AIは，言語生成を超え，高度な推論や自己制御を含む，より知的なシステムへと進化する必要がある。
- 現在の生成・自律型AIは，長期的な運用において信頼性を損なう，認知機能の断片化や未発達が課題である。
- 本研究は，認知AI開発を阻害する認知能力のギャップを明確化し，今後の研究を導くことを目指す。
- 本研究では，永続的な状態モデリング，目標指向の自律性，自己モニタリング，環境との相互作用，学習と適応という5つの次元に基づき，認知能力のギャップを体系的に分類した。
- 提示された分類は，既存研究を整理し，未解決の課題を特定し，将来の認知能力を備えたシステムの設計を支援するための統一的なフレームワークを提供する。
- 適応認知知能アーキテクチャ（ACIA）の概念的枠組みと，認知中心の評価の新たな方向性を示し，より適応的で信頼性の高いAIシステムの開発への道筋を提示する。
帰納的タスクのためのSheaf Neural Networkのベンチマーク [cs.CL, cs.IR, cs.LG]目的：帰納的タスクにおけるSheaf Neural Networkの性能評価
- グラフ構造データの解析は，社会ネットワークや分子構造など様々な分野で重要である。
- 既存のGraph Neural Networkは，一般化性能に課題があり，未知のデータへの対応が難しい場合がある。
- Sheaf Neural Networkの帰納的な学習能力を検証し，最適な構成要素を特定すること。
- 制限写像が設計において最も重要な要素であり，汎用的な写像がより良い性能を示すことが明らかになった。
- ノードの次元を大きくすると表現力は向上するものの，長距離的な関係の学習には寄与しないことが示唆された。
- Sheaf Neural Networkは，設定によっては帰納的な設定においても良好な性能を発揮するが，既存の強化学習ベースラインには及ばない場合がある。
エッジ言語モデルのための構造化メモリ：O(1) SSM状態注入による持続的なコンテキストとコーパス検索 [cs.LG, cs.AI, cs.IR]目的：エッジ言語モデルにおける効率的なコンテキスト処理と知識検索機構
- 言語モデルの性能は，学習データとコンテキストの質に大きく依存するため，大規模な知識ソースへのアクセスが重要である。
- 従来の検索拡張生成（RAG）は，検索されたコンテキストの長さとKVキャッシュの増大により，計算コストが高いという課題がある。
- SSMの特性を活用し，コンテキストの事前エンコードと状態注入によって，RAGの計算コストを削減し，高速化することを目指す。
- 提案手法PRECOGは，SSMの固定サイズの隠れ状態を利用して，コンテキストの事前エンコードと注入をO(1)で行い，従来のRAGと比較して大幅な高速化を実現した。
- TENNs-LLMを用いた実験により，PRECOGはエッジデバイス上で〜27秒から<6ミリ秒へ，約4500倍の高速化を達成し，インタラクティブな応答を可能にした。
- 構造化メモリ統合（SMC）機構は，短期的なエピソード状態を長期的なセマンティックメモリに統合し，効率的な知識管理を実現する。
AtumAI：データセンター制御プレーンポリシーの能動的生成のための原理的なフレームワーク [cs.MM, cs.AI, cs.DC, cs.OS]目的：データセンター制御プレーンポリシーの生成
- データセンターの効率は制御プレーンポリシーに依存するため，その設計は重要である。
- ハードウェア・ソフトウェアの進化が速く，設計空間が広大で複雑であるため，ポリシー設計が困難である。
- エージェントAIを用いて，ポリシー設計の自動化と効率化を目指す。
- AtumAIは，平易な言葉で記述された目標から，自律的にポリシー候補を提案，テスト，改良する。
- Datacenter Task Compilerにより，タスクの目的，制約，変数を形式化し，検索可能な仕様に変換する。
- 生成されたポリシーは，専門家が設計したベースラインよりも一貫して優れた性能を示した。
拡散モデルにおける擬似乱数ストリームは学習可能な入力として機能し，生成品質に影響を与える [eess.SY, cs.SY, cs.RO, cs.LG, stat.ML]目的：拡散モデルにおける擬似乱数ストリームの学習可能性と生成品質への影響
- 拡散モデルは画像生成などで広く用いられ，その性能向上は重要な課題である。
- 拡散モデルは乱数に依存するが，実際には決定的な擬似乱数を使用しており，その影響が不明確である。
- 擬似乱数の軌道構造が学習可能な入力となり，生成品質に影響を与える可能性を検証する。
- 擬似乱数軌道の過去履歴から次の値を予測するMLPは，一般的な系列の予測可能性を測定した。
- 拡散プローブは，拡散モデルのアーキテクチャと学習目標を維持しながら，実画像をオンライン乱数テンソルに置き換えることで，軌道構造の利用可能性を測定した。
- MNISTとCIFAR-10において，軌道構造は拡散損失と生成品質に顕著な差を生み出し，両方の指標は生成品質の低下と強い相関関係を示した。
単体積空間上の関数の滑らかな再パラメータ化：確率的テンソル分解と関数データ登録への応用 [cs.LG]目的：単体積空間上の最適化問題
- 機械学習や統計における確率モデルの構築において，制約付き最適化が頻繁に現れるため。
- 単体積空間上の最適化は，制約条件が複雑で，効率的な解法が確立されていない。
- 単体積空間を滑らかな表現に置き換えることで，より効率的な最適化アルゴリズムを開発すること。
- 単体積を滑らかな再パラメータ化に置き換えることで，制約なしの最適化問題に変換できることが示された。
- 滑らかな多様体上の二階Karush-Kuhn-Tucker（KKT）点は，単体積上の弱い二階KKT点にマッピングされることが示された。
- 提案手法であるRiemannian Gradient Descent（RGD）が，Projected Gradient Descent（PGD）よりも優れた性能を示すことが確認された。
CoWAM：WAMを用いた選択的ポリシー介入のための協調契約 [cs.RO, cs.AI, cs.LG]目的：二足歩行ロボットの協調動作における選択的ポリシー介入
- ロボットの自律的な協調動作を実現するためには，環境の変化に対応し，安全性を確保する必要がある。
- 既存手法では，予測される将来の状態だけでは，行動変更の妥当性を判断することが困難である。
- 協調契約を通じて，安全性と効率性を両立する保守的なポリシー介入手法を確立すること。
- CoWAMは，協調動作の妥当性検証において，従来の契約のみの手法と比較して16.7%の改善を達成した。
- 閉ループ成功率は，最も強力な選択的ベースライン手法よりも9.6%向上し，危険な介入は1%以下に抑えられた。
- これらの結果は，協調契約が協調動作の多い二足歩行タスクにおいて，予測された世界の状態証拠を用いた保守的なポリシー介入のための効果的なインターフェースであることを示している。
UEmbed：統一された疎・密マルチモーダル埋め込み [cs.CV, cs.AI, cs.CL, cs.IR]目的：疎・密マルチモーダル埋め込みモデルの構築
- 現代の検索システムは，ウェブ検索から検索拡張生成まで，疎な検索に依存している。
- 既存の疎な検索手法は，語彙的マッチングに限定され，より豊かな意味表現が課題である。
- テキストとマルチモーダル入力を統合し，疎・密埋め込みを統一するモデルを開発する。
- UEmbedは，テキストとマルチモーダル入力を単一の因果的フォワードパスで処理し，疎な表現と密な表現を同時に生成する。
- UEmbed-9BはMMEB-v2で71.8（密），71.0（疎）を達成し，公開データで訓練された既存のマルチモーダル埋め込みモデルを上回る性能を示した。
- BEIRにおいても，強力な疎・密ベースラインと同等の競争力がある。効率性，実用性，エージェントアプリケーションにおいても有用性が確認された。
GradCuit：クレジット割り当て勾配フローによる堅牢かつ解釈可能なテスト時潜在的推論 [cs.LG, cs.CL]目的：テスト時に連続的な状態を最適化することで，大規模言語モデルの出力を改善する手法
- 大規模言語モデルの性能向上は，自然言語処理分野における重要な課題である。
- 既存手法では，潜在状態と推論経路の関連付けが間接的であり，解釈性が低いという問題がある。
- 本研究は，より直接的なクレジット割り当てにより，堅牢性と解釈性を向上させることを目指す。
- GradCuitは，5つの命令調整済みバックボーン，3つの推論ベンチマーク，2つの回答形式において，平均精度64.5%を達成した。
- これは，Chain-of-Thoughtプロンプティングよりも6.6%，最も強力な競合手法よりも2.4%高い結果である。
- また，GradCuitは学習率設定に依存せず，LatentSeekよりも高い精度と安定性を示し，解釈性においても有用な知見が得られた。
疎な最小二乗問題における条件数障壁 [cs.DS, cs.LG]目的：疎な凸最適化における条件数依存性の下限
- 機械学習等で利用される疎な最適化問題は，計算効率が重要である。
- 既存手法では，条件数に依存した計算時間がボトルネックとなる場合がある。
- この研究は，条件数依存性を改善できるアルゴリズムが存在しないことを示す。
- AxiotisとSviridenkoの予想を，最小二乗問題において，Small-Set Expansion Hypothesisのもとで証明した。
- 特定の$\gamma$に対して，確率2/3以上で，スパース度$s$が$O(k \kappa_{s+k}^{1-\gamma})$を満たす解$x$を見つける多項式時間アルゴリズムは存在しない。
- この結果は，行列$A$がフルランクの場合でも成立する。
onepot-Bench 0：実験に即したin silico化学ベンチマークに向けて [cs.CC, quant-ph, cs.LG]目的：言語モデルの合成化学能力の評価
- 実験科学における言語モデルの役割増大に伴い，その能力を正確に評価する必要がある。
- 既存の評価は，実際の実験室での意思決定に必要な能力を十分に測定できていない。
- 実験室での信頼性のある性能に必要な基礎能力，信頼性，深い知識を評価する。
- onepot-Bench 0は，実験に即した合成化学能力を評価する独自のベンチマークスイートである。
- ChemAbacusは，ツールを用いない化学情報学の知識と数値推論を測定する。
- SynthRefusalは，様々なターゲットにおける安全性と拒否行動を特徴づける。SynthBenchは，実験データを用いた反応結果の予測と触媒選択を評価する。
人工知能と電力システム教育の架け橋：実践的な実行可能フレームワーク [eess.SY, cs.AI, cs.SY]目的：電力システムにおける人工知能の導入障壁の低減と，実践的な学習機会の提供
- 電力システムは，効率化と信頼性向上のため，人工知能の活用が不可欠となっている。
- 既存の研究は特定用途に偏りがちで，初心者や異分野学習者にとって再利用可能な教材が不足している。
- エンジニアリングの基礎に基づいた人工知能（EGAI）のフレームワークを通じて，学習を促進し，導入を容易にする。
- 本研究では，電力システムに特化した人工知能の実行可能モジュールライブラリを開発し，オープンソースで提供している。
- 提供されるモジュールは，難易度順に整理されており，基礎的なニューラルネットワークから高度な最適化，強化学習までカバーする。
- IEEEオンラインコースやウェビナーを通じて広く展開された結果，高い参加者数とリポジトリへのアクセス数を示し，需要の高さが確認された。
3D頸動脈MRIにおけるプラーク脆弱性自動診断のための，テキストガイダンス型変分マルチモーダル知識蒸留ネットワーク(VMD) [cs.CV, cs.LG]目的：頸動脈プラーク脆弱性の自動診断
- 近年，多様なモダリティのデータ活用が注目され，診断精度の向上が期待されている。
- 3D頸動脈MRI画像からのプラーク脆弱性診断は，専門医にとっても困難な課題である。
- 限られた画像アノテーションと放射線科医の知識を活用し，診断精度を向上させる。
- 提案するVMD戦略は，限られたデータからクロスモーダルな事前知識を効果的に活用できる。
- 内部データセットを用いた実験により，VMD戦略の有効性が確認された。
- 放射線科医の専門知識を組み込むことで，3D MRI画像の診断精度を向上させることができた。
ツール構造化LLM推論のための振幅限定FFN介入法：ゲート評価プロトコルとクロスモデル実証結果 [cs.CL, cs.AI, cs.LG]目的：ツール構造化LLM推論における出力の改善
- 大規模言語モデルがツール利用エージェントとして活用され，その性能が重要視されている。
- LLMがツールを使用する際，わずかな形式や関数呼び出しの誤りが，それまでの妥当な応答を無効にする場合がある。
- 再学習なしで，推論時のFFN介入により，構造化された出力を改善することを目指す。
- 振幅ゲーティング（AG）は，事前学習済みのFFN重み方向を維持し，活性化の大きさを調整する非破壊的な手法である。
- Qwen3.5-9Bにおいて，カテゴリレベルの学習ゲートは，ツール/構造化/エージェント的性能を38.66%から42.92%に向上させた（+4.27%）。
- ツール構造化推論は，安全なFFNレベルの推論最適化の最初のターゲットとして最も有望であることが示された。
事後分散は制約マップであり，誤差マップではない：疎視点CTにおける放射ガウススプラッティングの閉形式不確実性 [cs.CV, cs.LG, eess.IV]目的：疎視点CTにおける放射ガウススプラッティングの不確実性評価方法の改善
- CT画像再構成は医療診断に不可欠であり，より正確な不確実性評価が求められている。
- 既存の不確実性マップは，必ずしも真の誤差を反映しているとは限らないという課題がある。
- 事後分散を制約マップとして捉え，誤差をより正確に評価する手法を確立することを目指す。
- 事後分散は，データ制約を示すマップであり，誤差を示すマップではないことが示された。
- 提唱手法は，公式ベンチマークにおいて真の誤差との相関が15シーン中14シーンで確認された。
- ポスターの温度スプレッドを削減する再パラメータ化により，シーン間の汎化性能が向上した。
一回の試行における修正可能な支援：プラグマティック・教育的最適反応 [cs.RO, cs.AI]目的：非対称情報下における人間とロボットの協調
- 人間とロボットが協力し，効率的なタスク遂行を実現する重要性が高まっている。
- ロボットは人間の意図を正確に理解することが難しく，誤った支援をしてしまう可能性がある。
- プラグマティック・教育的推論を用いて，迅速な意図推定と最適行動の選択を目指す。
- 特定の支援ゲームにおいて，プラグマティック・教育的推論が目標不確実性を一回のステップで解消できることを示した。
- 従来の逆最適制御には推論の限界が存在するが，本手法はそれを克服し，目標を明確化する。
- 単純なブロック積み上げタスクで理論的結果と提案手法の有効性を検証した。
非公開の情報を持つ受信者を説得するための学習 [cs.GT, cs.LG]目的：ベイズ説得における受信者の行動への影響
- 情報開示戦略は，経済学，政治学，マーケティングなど幅広い分野で重要である。
- 受信者が外部の情報源も参照する場合，送信者の情報開示戦略設計は困難となる。
- 受信者の未知のシグナリングスキームを学習し，最適な説得戦略を見つけることを目指す。
- 本研究では，受信者のシグナリングスキームを学習するアルゴリズムを開発した。
- このアルゴリズムは，後悔 bound が $\widetilde{O}(T^{3/4})$ を達成する。
- 問題の本質を，一次元の変更点検出問題に帰着させることで，効率的な学習を実現した。
Salsaを用いた電磁結合データ拡張によるATRモデル学習のための代表的な合成データセットの高速生成 [eess.SP, cs.AI]目的：自動標的認識（ATR）モデルの学習に用いる代表的な合成データセットの高速生成
- 実測データが不足する状況下で，シミュレーションによるATRモデルの学習が重要である。
- シミュレーションは，実測データの多様性を網羅する必要があり，計算速度と物理的妥当性の両立が課題である。
- Salsaシミュレータを用いることで，高速かつ現実的な合成データセットを生成し，ATRモデルの性能向上を目指す。
- Salsaシミュレータは，Nvidia GeForce RTX 4090 GPUを用いて21,600枚の合成画像を10分以内に生成可能である。
- Salsaで生成されたデータを用いて学習したATRモデルは，MSTARデータセットで86%の精度を達成し，最先端の結果に匹敵する。
- 電磁結合の影響を考慮しない場合，ATRモデルの精度は4%以上低下するが，Salsaを用いて電磁結合の多様性を学習データに含めることで，87%の精度を達成できる。
GoogleのAIと経済ATLAS v1.0：Gemini利用状況の経済地図 [econ.GN, cs.AI, q-fin.EC]目的：Geminiの利用状況に関する経済活動の現状把握
- AI技術は経済活動に大きな影響を与えつつあり，その影響を定量的に評価する必要がある。
- AIの利用状況は断片的な情報しかなく，包括的な経済分析が困難であった。
- AIの利用状況を詳細に分析し，経済への影響を明らかにすること。
- Geminiの利用データから，AIの導入はアメリカの雇用の約88%をカバーするものの，現時点では協調的な利用が中心である。
- 個人レベルでは，アメリカ人の非睡眠時間の約98%でAIが利用されており，特に政府機関や専門サービスとのやり取りで利用頻度が高い。
- AIの導入は国の富と相関があり，言語的な分布も広く，英語での利用は全体の約3分の1に過ぎない。
覚醒・価価次元におけるウェアラブル多重モダリティに基づく嗅覚誘発感情認識 [eess.SP, cs.AI]目的：嗅覚誘発による感情認識の精度向上
- 感情計算は，日常生活や注意を要する場面における人間とコンピュータのより自然なインタラクションを可能にする上で重要である。
- 既存の嗅覚感情研究は，価価次元に偏重しており，覚醒次元への注目が不足している。また，生理学的反応の多重モダリティデータセットが欠如している。
- 本研究は，覚醒と価価の両次元を考慮した多重モダリティデータセットを構築し，感情認識の精度向上を目指す。
- 大規模な多重モダリティ嗅覚感情データセットを構築し，脳波，心電図，光血容積波を同期して記録した。
- 提案手法STF-HFNetは，AMIGOSデータセットで88.34%，本研究で構築したデータセットで92.40%の最先端の認識精度を達成した。
- STF-HFNetは既存手法をそれぞれ8.27%，5.07%上回り，優れた性能を示した。
光ネットワークにおけるグローバル特徴を用いた検索ベースのクロスドメイン汎化 [eess.SP, cs.CV, cs.IR, cs.LG, cs.NI]目的：光ネットワークにおけるクロスドメイン品質推定
- ネットワークの自動化は重要であり，そのためにはロバストな品質推定が不可欠である。
- 既存手法は，特定のドメインに依存した決定境界に頼り，汎化性能が低いという課題がある。
- ドメイン固有の決定境界に頼らず，転移可能な特徴表現を活用することで汎化性能を高める。
- 提案手法は，ゼロショットおよび少量ショット適応をモデルの再学習なしに実現できる。
- クロスドメイン品質データセットでの実験により，従来の機械学習ベースラインやコントラスト学習アプローチと比較して，汎化性能が向上することが示された。
- 検索ベースの推論が，ロバストな光ネットワーク自動化に貢献する可能性が示唆された。
全ての脳波時点が等しいわけではない：位置適応型時間計画による脳波生成 [eess.SP, cs.AI, cs.LG]目的：脳波生成のための適応的フレームワーク
- 脳波は脳コンピュータインタフェース応用のための重要なデータである。
- 既存手法は，脳波の各チャネルと時間セグメントを等しく扱うため，精度が制限される。
- 脳波の異質性を考慮した，より高精度な生成手法を開発すること。
- 提案手法は，位置適応型時間計画により，チャネルごとの再構成誤差を追跡し，時間進行を調整する。
- 3つの脳波データセットにおいて，最先端のベースラインと比較して，TS-FIDを最大62.2％削減し，下流の分類精度を最大6.77％向上させた。
- 本研究は，実用的な脳コンピュータインタフェース応用におけるスケーラブルで高精度なデータ拡張への有望な一歩である。
都市規模の対流拡散システムにおける識別可能性を考慮した発生源特定 [eess.SP, cs.CE, cs.LG]目的：都市部の大気質センサーからの発生源特定
- 都市の大気汚染は健康被害が大きく，発生源の特定は対策に不可欠である。
- センサー配置や風の影響，背景濃度変動，ノイズにより，発生源の特定は困難である。
- 発生源候補群の識別可能性を考慮し，より正確な特定を目指す。
- 本研究では，識別可能性を考慮した発生源特定フレームワーク(IASA)を提案した。
- IASAは，ノイズに強く，識別できない発生源の不確実性とグループ化を報告する。
- ニューデリーのデータを用いた評価により，IASAの有効性が示された。
XL-RIS支援ミリ波MIMOシステムにおけるハイブリッドフィールド疎チャネル表現と復元 [eess.SP, cs.LG]目的：XL-RIS支援システムにおけるハイブリッドフィールドチャネル推定手法
- 次世代6Gネットワークの実現には，大規模再構成可能インテリジェント表面(XL-RIS)が不可欠である。
- XL-RIS支援システムでは，高次元カスケードチャネルと遠方界・近方界伝搬の共存により，チャネル推定が困難である。
- 従来の全次元疎回復法が抱える計算・記憶負荷を軽減し，効率的なチャネル推定を実現する。
- 提案手法は，疎辞書表現と復元を分離する二重時間スケールチャネル推定フレームワークを採用している。
- 基地局・RIS側では，Dirichletカーネルに基づくオフグリッド辞書圧縮(DK-ODC)により辞書次元を削減し，角度オフグリッド誤差を抑制する。
- ユーザー側・RIS側では，低次元部分空間と閾値処理を用いた部分空間認識型増分変分ベイズ学習(SI-VBL)により，疎チャネルの効率的な学習を可能にする。
画像圧縮のための高速学習可能な多線形基底 [eess.IV, cs.CV, cs.LG, math.OC, quant-ph]目的：画像圧縮における多線形基底の探索と最適化
- 画像・動画圧縮は，データ容量の削減と効率的な伝送に不可欠であり，その重要性は高い。
- 従来の変換基底は固定されており，データセットに最適化されていないため，圧縮効率に限界がある。
- データセットに合わせて最適化された多線形基底を学習することで，圧縮効率の向上を目指す。
- 提案手法は，既存の固定変換基底と比較して，自然写真や線画の圧縮性能を改善した。
- Quick Drawの線画圧縮において，同じ再構成品質でJPEGの8x8ブロックコサイン変換よりも約20%少ないバイト数で画像を保存可能となった。
- 多線形基底は，パラメータ数を画像サイズに対して対数的に抑えつつ，可逆性と高速性を維持している。
協調的知覚のためのドメイン汎化適応意味通信 [eess.SP, cs.LG, eess.IV]目的：ドメイン汎化された意味通信フレームワーク
- V2X通信は，自動運転や安全運転支援システムにおいて重要な役割を担う技術である。
- 従来のV2Xシステムでは，環境変化や無線チャネルの状態変化に対応した適応が課題であった。
- 本研究は，環境変化と無線チャネルの変化に頑健なV2X協調的知覚システムの実現を目指す。
- 提案手法RSTAは，事前学習による送信安定化と，展開後軽量デコーダ適応により，ドメイン汎化性能を向上させた。
- RSTAは，AWGN環境で学習し，見えないRayleighフェージング環境でテストすることで，既存手法と比較してAP@0.7で+7.2%の性能向上を達成した。
- 展開時には，パラメータのわずか0.21%のみを更新し，エージェント間の同期オーバーヘッドをゼロに抑えた。
高速フーリエ畳み込みResNetを用いた自動心電図間隔測定と波形同定 [eess.SP, cs.AI, cs.LG]目的：心電図PR間隔，QRS波幅，QT/QTc間隔の正確な測定
- 心臓診断において，心電図間隔の正確な測定は不可欠である。
- 既存研究では，臨床データを用いた大規模な間隔測定精度の評価が不足している。
- 大規模臨床データに対する心電図間隔測定精度の評価手法を確立すること。
- 臨床心電図10,646件に対し，QT間隔の平均絶対誤差(MAE)は17.5ms，QRS波幅は14.8msであった。
- QT間隔のバイアスは+8.5ms，QRS波幅のバイアスは+12.6msであり，統計的に有意差が認められた。
- 頻脈時(SVT, AVRT)では洞調律に比べてQT間隔の誤差が大きくなることが示された。
ヨーロッパの温暖化における空間的な持続性勾配：北大西洋寒冷斑の影響との整合性 [physics.geo-ph, cs.LG, physics.ao-ph]目的：ヨーロッパの温暖化加速の空間的組織化の解明
- 地球温暖化は世界的な課題であり，地域ごとの温暖化傾向の把握が重要である。
- ヨーロッパの温暖化の空間的なばらつきは十分に理解されていない。
- 北大西洋寒冷斑がヨーロッパの気温に与える影響を検証する。
- ヨーロッパの温暖化速度と，過去の気温変動の持続性の間には強い負の相関が認められた。
- 北大西洋に近い地域ほど持続性が高く，温暖化が緩やかである傾向が確認された。
- 地中海の海面水温はヨーロッパの気温予測において高い精度を示すことが示された。
世界規模の火山熱活動認識のためのハイブリッド量子CNN [physics.geo-ph, cs.LG]目的：世界規模の火山熱活動認識のためのハイブリッド量子AlexNetアーキテクチャ
- 地球観測データ量は爆発的に増加しており，古典的深層学習モデルの計算・ストレージに課題が生じている。
- 既存手法は，異なるセンサーや火山環境への汎化が難しく，大規模なラベル付きデータと計算資源を必要とする。
- 限られた計算資源やデータで，センサーや環境に依存しない火山熱活動の認識を可能にすること。
- 提案手法は，古典的な畳み込みバックボーンと量子回路層を組み合わせることで，識別能力の高い特徴表現を獲得する。
- 量子層が学習した特徴表現は，古典モデルよりも転移学習性能とロバスト性が向上する。
- より少ないパラメータと学習データで，高い認識精度を実現できる。
SymNet：無線マップ再構成と送信機位置特定のためのマルチタスクネットワーク [math.CO, cs.DM, math.PR, eess.SP, cs.AI]目的：無線マップと送信機位置の同時予測
- 無線通信の発展には，正確な無線環境の把握が不可欠である。
- 従来の技術では，指向性信号や複雑な環境下での位置特定精度に課題があった。
- 指向性信号における無線マップと送信機位置の同時予測による高精度化を目指す。
- 提案手法SymNetは，無線マップの再構成と送信機位置の特定を同時に行うことで，それぞれのタスクの精度向上を実現した。
- 複雑な無線環境下において，SymNetは最先端の技術を凌駕する性能を示した。
- 無線マップと送信機位置の情報の相互活用により，より一貫性のある予測を可能とした。
全吸収ガンマ線分光デコンボリューションの再考：教師あり機械学習と応答行列法の比較 [eess.SP, cs.SY, eess.SY, physics.data-an, cs.LG, nucl-ex]目的：全吸収ガンマ線分光におけるβ崩壊分布の抽出
- 核物理学において，原子核構造を理解する上で，放射性崩壊過程の精密な解析は不可欠である。
- 複雑な崩壊スキームを持つ原子核では，観測されるスペクトルが多数の検出器応答関数の重なり合いとなり，解析が困難となる。
- 本研究は，複雑な原子核の崩壊分布をより正確に決定するための手法を確立することを目指す。
- 教師あり機械学習は，個々の崩壊強度を再構成する精度において，応答行列法を上回る結果を示した。
- 応答行列法は，物理的に整合性の取れた初期解を提供するという利点がある。
- 応答行列法による初期推定を，機械学習で洗練させるハイブリッド戦略が，全体的な精度向上に有効であると考えられた。
保存則が物理的学習が記憶する内容を決定する [cond-mat.soft, cond-mat.dis-nn, cs.AI, cs.LG]目的：物理的学習規則の学習における保存則の役割の解明
- 物理的学習は，従来のバックプロパゲーションに代わる有望な手法であり，エネルギー効率の良い学習が可能である。
- 物理的学習規則は，初期値依存性や汎化性能の低下といった課題を抱えている場合がある。
- 本研究は，物理的学習規則における保存則が，学習の記憶，速度，汎化性能に与える影響を明らかにする。
- 平衡伝播法や結合学習などの物理的学習規則は，ある種の保存則に従うことが示された。
- 保存則に従う規則は，初期値依存性が高く，学習された関数が初期値スケールに影響を受けることが明らかになった。
- 一方，非保存則に従う規則は，学習速度は速いが，汎化性能が劣る傾向があり，その差は回路規模が大きくなるにつれて小さくなる。
GRAIN: 分子レベルは適切な粒度ではない - 安全な薬剤推奨のための有効成分モデリング [q-bio.QM, cs.AI]目的：電子カルテからの薬剤推奨における，予測精度とポリファーマシー下での有害な薬剤間相互作用のリスクのバランス
- 薬剤推奨は医療の質を向上させる上で重要であり，患者の安全性を確保することが不可欠である。
- 従来の薬剤推奨システムは，薬剤コードや分子構造といった粒度で相互作用を評価しており，実際の薬理学的知識との整合性が課題である。
- 有効成分を粒度とすることで，より正確な薬剤推奨と薬剤間相互作用の低減を目指す。
- GRAINは，薬剤コードや分子構造と比較して，複数の評価指標（Jaccard, PRAUC, F1）においてMambaHealthを上回る性能を示した。
- 薬剤レベルの薬剤間相互作用の発生率を0.1875から0.0948に低減し，安全性を向上させた。
- 有効成分レベルでの評価により，薬剤コードレベルの集約によって失われた予測信号を回復できることが示された。
LLMBDC：遺伝子オントロジーの生物学的ドメイン指向クラスタリングのための言語モデル [q-bio.GN, cs.AI]目的：遺伝子オントロジー項目の生物学的ドメインへのクラスタリング
- ゲノムデータ解析において，GOエンリッチメント解析は生物学的知見を得る上で不可欠である。
- 既存手法は固定的な類似度や遺伝子重複に基づいており，生物学的文脈を考慮できない。
- LLMを活用し，生物学的文脈を考慮した解釈可能なGO項目のクラスタリングを実現する。
- LLMBDCは，アルツハイマー病および脆弱X症候群において，既存手法と比較して高い精度，再現率，クラスタリング性能を示した。
- REVIGOと比較して，LLMBDCはARIをADで9.7%から73.3%，FXSで15.7%から66.6%に向上させた。
- 集約された生物学的ドメインは，統計的に有意な機能シグナルを保持することが確認された。
FDIR：損失圧縮画像復元における忠実性と人間・機械の好みの調和 [eess.IV, cs.CV, cs.LG]目的：損失圧縮画像復元における，忠実度，人間知覚，機械の好みのトレードオフの解消
- 画像復元技術は，画像処理の基礎であり，様々な応用分野で重要性が増している。
- 既存手法は，忠実度，知覚，機械の好みのいずれか一方に偏り，バランスが課題である。
- 忠実度，知覚，機械の好みの三要素を同時に最適化する新しい手法を開発すること。
- FDIRは，潜在空間で大域的な意味構造を回復するQO-Flowと，ピクセル空間で高周波テクスチャを復元するFCDRの二段階構造を採用している。
- 実験の結果，FDIRは既存手法よりも優れた忠実度，知覚と忠実度のバランス，機械の好みを実現した。
- FDIRは，生成的な幻覚を抑制し，ダウンストリームタスクの精度を向上させることに貢献する。
EEG-JEPA：EEGファウンデーションモデルのための構造化された潜在的予測 [eess.SP, cs.AI]目的：EEGファウンデーションモデルにおける転移可能な表現学習
- 脳活動の解明には，大規模な脳波データの活用が不可欠であり，その効率的な学習が求められている。
- 従来の脳波データ学習法は，ノイズやアーチファクトの影響を受けやすく，本質的な神経構造の学習が困難である。
- 脳波データの構造化された文脈から潜在状態を推論することで，より汎用性の高い表現を獲得することを試みる。
- EEG-JEPAは，従来の波形再構成アプローチと比較して，14タスクの凍結マクロバランス精度を大幅に向上させた。
- マルチソース継続学習により，EEG-FM-BenchにおけるEEGファウンデーションモデルの中で最高の平均精度を達成した。
- 完全なファインチューニングにおいても，9タスクの平均バランス精度が向上し，EEG-JEPAの有効性が確認された。
合成可能で化学的にリサイクル可能なポリマーの宇宙 [cond-mat.soft, cs.AI]目的：化学的にリサイクル可能なポリマー構造のデータセット
- ポリマーは現代社会に不可欠だが，廃棄物問題が深刻である。
- 従来のポリマーはリサイクルが難しく，環境負荷が高い。
- 環状モノマー開環重合によるリサイクル可能なポリマー探索。
- 仮想前方合成とポリマー専門言語モデルを組み合わせ，100万のポリマー構造を生成した。
- 生成されたポリマーは，新規性，妥当性，データ品質に関して厳格なフィルタリングを施した。
- 本データセットは，持続可能なアプリケーション開発に貢献するリソースとなる。
悪天候下におけるMIMOチャネルのモデル化と合成のための生成モデル [eess.SP, cs.LG]目的：悪天候下におけるMIMOチャネルの現実的な合成
- 次世代セルラーネットワークの広範囲なカバレッジ確保には，信頼性のあるサービスが不可欠である。
- 極端な気象条件では，チャネル測定へのアクセスが制限され，カバレッジ評価が困難となる。
- 低・中程度の気象条件下のデータを用いて，悪天候下のチャネルモデルを構築し，環境変化への対応を目指す。
- 拡散モデルを用いることで，限られたデータからでも悪天候下のチャネルを生成可能となった。
- 生成されたチャネルを用いて，下り回線のビット誤り率とアウトエイジ確率を評価した結果，良好な性能が確認された。
- 本研究は，過酷な環境下でのチャネルモデリングにおいて，スケーラブルでデータ駆動的な代替手段を提供する。
MedSAM2-Anatomy：訓練不要な推論時最適化による筋骨格セグメンテーション [eess.IV, cs.CV, cs.LG]目的：筋骨格セグメンテーションの精度向上
- 外科手術計画において，高精度な3Dセグメンテーションが不可欠である。
- 既存のセグメンテーションモデルは，ドメインの変化に弱く，汎用性に課題がある。
- 推論時に最適化を行うことで，既存モデルの性能を改善し，手動での調整を不要にすること。
- 推論時最適化により，股関節MRIのDice係数が0.71から0.92に，肩関節CTでは0.89から0.92へと向上した。
- 股関節MRIのHD95距離は，22.0mmから5.0mmへと大幅に減少した。
- TotalSegmentatorベンチマークにおいて，専門家モデルが依然として最良の結果を示すことから，最適な融合戦略は専門家モデルの信頼性に依存することが示唆された。
競合リスク生存モデルのベンチマークのための再現可能かつ拡張可能なフレームワーク [quant-ph, cs.CC, stat.ML, cs.LG]目的：競合リスク生存モデルのベンチマークフレームワーク
- 生存時間解析は医療分野において重要な役割を担う。疾患の予後予測や治療効果の評価に不可欠である。
- 競合リスクを考慮した生存時間解析におけるモデルの比較評価は，体系的なフレームワークの欠如により困難であった。
- 本研究は，様々なデータセットと評価指標を用いた，再現可能で拡張可能なベンチマークフレームワークを提供することを目指す。
- 提案フレームワークは，モデルの較正，識別力，予測誤差，臨床的有用性を多角的に比較することを可能にする。
- 競合リスクに対するSHAP値の拡張を導入し，時間経過に伴う共変量の寄与をモデル非依存的に解釈できる。
- 本研究で開発したコードはGitHubにて公開されており，研究コミュニティへの貢献が期待される。
デジタルツインを用いた観測条件付き不確かさスコアリングによる位置推定 [eess.SP, cs.LG, cs.RO]目的：屋内環境における位置推定の精度向上
- ロボットナビゲーションや災害救助など，屋内での正確な位置推定は不可欠である。
- 複雑な屋内環境では，電波の反射や遮蔽により，複数の尤度を持つ可能性があり，単一推定では不十分である。
- デジタルツインを活用し，観測データとシミュレーションを比較することで，よりロバストな位置推定を実現する。
- 提案手法LOCUS-DTは，デジタルツインを用いて候補位置におけるマルチパスプロファイルを生成し，実測値と比較する。
- 学習されたスコアリング関数により，デジタルツインのモデル誤差や物理チャネル推定誤差に対してロバストな推定が可能となる。
- シミュレーション結果から，LOCUS-DTは従来のガウスモデルやガウス混合モデルよりも，屋内環境特有のシャープな多峰性を持つ事後分布をより正確に捉えることが示された。
再帰的ガウス過程とベイジアンブレイン [eess.IV, cs.MM, q-bio.NC, cs.LG, stat.ML]目的：予測符号化と再帰的ガウス過程の形式的な繋がり
- 皮質計算の枠組みとして予測符号化は重要だが，大規模実装が課題であった
- 従来の深層ガウス過程では表現崩壊が起きやすく，生物学的な制約との整合性も課題であった
- 予測符号化と再帰的ガウス過程を繋ぎ，神経回路における計算基盤を明らかにすること
- 再帰的ガウス過程は，層間依存性を学習可能な形で表現し，階層的ベイズ推論を自然に実装する
- 再帰的ガウス過程の構成要素は，皮質の典型的な微小回路にマッピング可能であり，神経ダイナミクスとの関連性を示唆する
- 再帰的ガウス過程における推論は，変分自由エネルギーを最小化することと形式的に等価であり，ベイズ力学と神経ダイナミクスの関係を明確にする
不確か性に基づいたアクティブラーニングによるストリーム仕上げ摩耗領域の代替予測 [quant-ph, cs.ET, cond-mat.mtrl-sci, cs.LG, physics.data-an]目的：ストリーム仕上げにおけるワークピースの摩耗領域予測手法
- ストリーム仕上げの品質はワークピースの向きに大きく依存するため，均一な摩耗を実現するには正確な摩耗予測が不可欠である。
- 従来のDEMシミュレーションは高精度だが，多数の向きに対する計算コストが課題となっている。
- 不確か性に基づいたアクティブラーニングにより，効率的なDEMシミュレーションと高精度な摩耗予測を実現することを目指す。
- 深層アンサンブルを用いた代替モデルは，ワークピース形状から摩耗に関わる３つの場（法線方向衝撃速度，接線方向衝撃速度，粒子衝撃フラックス）を高精度に予測する。
- 全696の可能な向きのうち13%のみのDEMシミュレーションデータで学習した代替モデルは，高い相関関係を示した（法線方向：0.93，接線方向：0.89，粒子衝撃フラックス：0.93）。
- 予測される不確か性は良く校正されており，予測誤差や再構成された摩耗領域の忠実性を信頼性高く予測する。