arXiv雑要約
AI - 2026/08/04 公開
推進用熱音響解析のための効率的な非線形燃焼応答モデリング：限定的な数値データを用いた手法 [cs.LG, cs.CE]目的：推進用燃焼器における熱音響不安定性の予測
- 推進システムの性能向上には，燃焼過程の安定性が不可欠である。
- 高精度な燃焼応答特性の把握は計算コストが高く，現実的な時間内での解析が困難である。
- 限られた数値データから効率的に非線形燃焼応答モデルを構築し，熱音響安定性を迅速に評価する。
- 提案手法は，周波数スイープと振幅変更を組み合わせたデータセットを用いて，効率的に非線形な入出力関係を学習する。
- 時間領域の二重パス代理モデルにより，燃焼応答の時間変化を精度良く表現し，全体的な傾向と局所的な非線形特性を捉える。
- 検証の結果，平均相対誤差6.69%で非線形単一周波数応答を高精度に予測でき，学習データの多様性向上により，より強い非線形応答も捉えられることが示された。
多原子複合体：原子論的系のためのトポロジー情報に基づく学習表現 [cs.LG, physics.comp-ph]目的：原子論的系の学習表現
- 物質科学や化学において，分子や材料の正確な記述は，その物性予測や設計に不可欠である。
- 既存の記述子は，物理的対称性への不変性と，分子の識別能力の両立が難しく，特にキラリティーの区別が課題であった。
- 幾何学的写像の符号化と多対称的な集約により，上記課題を克服し，より表現力豊かな記述子を構築することを目指す。
- 提案された表現$\Phi$は，フルオルトゴナル群$O(3)$の符号的性質を利用し，キラリティーを区別しつつ物理的対称性への不変性を満たす。
- 距離行列，符号付き体積，原子種から構築される完全な記述子$\Phi^\star$は，幾何学的変換と置換作用に対して注入性を有することが示された。
- セル複合体としての基盤構造により，従来の記述子では捉えられない，グローバルな環状構造やケージ構造を反映するトポロジー的特徴量$\Psi$が得られる。
スパース共分散ニューラルネットワーク [cs.LG, stat.ML]目的：入力データの共分散行列に対するグラフ畳み込みによる相関情報の活用
- 脳科学，金融予測，センサーネットワークなど，多様な応用分野で相関情報の活用が重要である。
- 経験共分散行列には不要な相関が含まれ，VNNの性能と計算効率を低下させる問題がある。
- サンプル共分散行列のスパース化により，VNNの性能と計算効率を改善することを目的とする。
- 提案手法S-VNNは，真の共分散行列がスパースな場合と密な場合の両方で有効であることが示された。
- S-VNNは，従来のVNNやスパース主成分分析よりも有限サンプル共分散推定に対する安定性が高いことが示された。
- 脳データやヒューマンアクション認識など，様々な応用シナリオで，タスク性能，安定性，計算時間の改善が確認された。
プライバシーを考慮したスパース性調整によるメンバーシップ推論攻撃への防御 [cs.LG, cs.AI]目的：メンバーシップ推論攻撃に対する防御
- 過大パラメータモデルは，データ漏洩のリスクを孕んでおり，プライバシー保護が重要である。
- 既存の正則化手法は，全てのパラメータに均一なペナルティを課し，プライバシーと性能のトレードオフが最適化されていない。
- プライバシーリスクに大きく影響するパラメータに焦点を当て，スパース性を促進することで防御を強化する。
- 提案手法PASTは，プライバシー感度に基づいてパラメータへの適応的なペナルティを導入する。
- PASTにより，メンバーと非メンバー間の損失差が縮小し，プライバシー攻撃への耐性が向上する。
- 実験結果から，PASTはプライバシーと性能のトレードオフにおいて最先端の結果を達成することが示された。
NetDiff：モバイルネットワークトポロジ生成・更新のための改良されたグローバル能力を持つグラフ拡散 [cs.SI, cs.LG, cs.NI]目的：モバイルアドホックネットワークにおける有向リンクトポロジと送信/受信パリティの生成
- 無線通信におけるスループット向上は重要であり，特にモバイルネットワークの設計が不可欠である。
- 有向アンテナの利用は高スループットをもたらす一方，セクタ，干渉，接続性などの制約下での一貫性確保が課題である。
- グローバルな整合性を高め，効率的な再構成を実現することで，モバイルネットワークの性能向上を目指す。
- NetDiffは，絶対的クロスアテンティブモジュレーション（ACAM）トークンにより，グラフレベルの一貫性を向上させている。
- 本手法は，既存のヒューリスティックや全方向性ベースラインを上回り，Diffusion Graph Transformerベースラインと比較しても主要指標で優れている。
- NetDiffは，一定の推論時間で目標性能の95%以上を達成し，移動に伴う迅速な再構成を可能にする。
信念収縮駆動型アクティブ逆源局所化と特性評価 [cs.LG, cs.AI]目的：動的場におけるアクティブ逆源局所化と特性評価のメカニズム
- 環境認識技術は，ロボット工学やセンシング分野において，状況把握と自律行動の基盤となる重要な要素である。
- 不完全な観測下での逆問題解決は，ノイズや観測点の偏りにより，精度と効率が課題となる。
- ベイズ推論と強化学習を統合し，効率的な探索と高精度な局所化を両立させること。
- 提案手法は，粒子フィルタと注意機構を組み合わせることで，ベイズ更新の安定化と効率的な探索を実現した。
- ７種類の場モダリティにおける実験により，既存手法よりも高い完成度，高速な収束，高精度な局所化性能が確認された。
- 信念収縮を報酬関数に組み込むことで，距離に基づく形状整形なしで強化学習が可能となり，計算効率も向上した。
深層学習に基づく動的腎不全予測モデルの開発と検証：リアルワールドデータを用いた外部検証 [cs.LG, stat.AP]目的：腎不全の動的予測モデルの開発と検証
- 慢性腎臓病は世界的な健康問題であり，罹患率と死亡率が高い。
- 既存のモデルは静的であり，疾患の進行における時間的変化を捉えきれない。
- リアルワールドデータに基づき，より精度の高い動的予測モデルを構築する。
- 本モデルは，内部検証および3つの外部検証コホートにおいて高い性能を示した (AUROC 0.8141-0.9359)。
- 動的な予測精度が時間経過とともに向上し，良好な較正性と解釈可能性が確認された。
- KFDeepはオープンアクセス可能なウェブサイトとプライマリケア現場に導入されている。
ApplE：応用倫理とイベント状況のモジュール化オントロジー - 倫理的意思決定モデリングに向けて [cs.CY, cs.AI]目的：応用倫理とイベント状況のオントロジー
- 倫理的ジレンマは多岐にわたり，専門知識と体系的な分析が不可欠である。
- 倫理的判断は抽象的で文脈に依存し，形式的なモデリングが困難である。
- 倫理的概念を機械可読な構造に変換し，倫理的推論を支援すること。
- 本研究では，応用倫理とイベント状況を統合的にモデル化するオントロジー「ApplE」を提案した。
- ApplEは，倫理理論とイベント状況を結びつけ，倫理原則，主体，行動，結果などの関係性を捉える。
- 医療分野における事例を通して，オントロジーの表現力と推論能力を実証した。
勾配安定化器：勾配そのものではなく，ノルムを修正する [cs.CY, cs.LG, cs.AI]目的：深層学習システムの訓練における不安定性の軽減
- 深層学習は高性能だが，訓練が不安定になりやすいという課題がある。
- 勾配ノルムの急激なスパイクが，最適化器の状態を破壊し，学習の遅延や発散を引き起こす。
- 勾配ノルムの統計的安定化により，スパイク時の更新幅を抑制し，訓練を安定化させる。
- GradientStabilizerは，勾配の方向を維持しつつ，実行時の勾配ノルム統計量に基づいた安定化された更新幅を用いる。
- これにより，スパイクステップにおける更新幅が常に一定範囲内に収まり，最適化器の状態の変化を制御できる。
- 様々なタスクにおいて，GradientStabilizerはクリッピングよりも安定性を向上させ，学習率の範囲を広げた。
パラメータ学習における部分的な励起 [eess.SY, cs.AI, cs.SY, eess.SP, math.OC]目的：部分的な持続的励起 (PPE) 下でのパラメータ学習
- 制御理論や機械学習において，システムのパラメータを正確に推定することは重要である。
- 従来の持続的励起 (PE) 条件では，システムの励起が不十分な場合があり，パラメータ推定が困難になる。
- 部分的な励起 (PPE) 条件を用いることで，より広範なシステムに対して安定したパラメータ推定を目指す。
- 提案されたオンラインアルゴリズムは，PEと非PEの部分空間を計算し，最小二乗法で最適なパラメータ推定値を得る。
- ノイズがない場合，PE部分空間内での学習誤差は指数関数的にゼロに収束する。
- PPE条件は，局所回帰変数が十分に励起されない分散型パラメータ学習問題への新たな視点を提供する。
小規模言語モデルは，脱獄攻撃に対して信頼できるか？ 包括的評価 [cs.CR, cs.AI]目的：小規模言語モデルの脱獄攻撃に対する脆弱性の評価
- 近年，低コストでプライバシー保護に優れる小規模言語モデルが注目されている。
- 大規模言語モデルと比較して，小規模言語モデルのセキュリティ研究は十分に進んでいない。
- 本研究は，小規模言語モデルの脱獄攻撃に対する脆弱性を定量的に明らかにする。
- 評価された小規模言語モデルの61.0%が，脱獄攻撃に対して40%を超える攻撃成功率を示した。
- 37.3%のモデルは，有害なクエリに対して50%を超える攻撃成功率を示した。
- モデルの脆弱性はサイズではなく，学習データや方法と強く関連していることが示唆された。
MUSS：関連性と多様性を考慮した多段階サブセット選択 [cs.LG]目的：関連性と多様性を考慮したサブセット選択
- レコメンデーションシステムや検索拡張生成など，幅広い応用分野が存在する。
- 制約付きサブセット選択はNP困難であり，既存手法は貪欲法に基づくことが多い。
- 大規模データにおけるスケーラビリティと性能向上を目指す。
- 提案手法MUSSは，レコメンデーションシステムにおいて，精度を最大4パーセントポイント改善する。
- MUSSは，既存手法と比較して20倍から80倍高速に動作する。
- また，検索拡張生成における質問応答の精度においても既存手法を上回る結果が得られた。
サンプリング決定：物理情報に基づいた生成サンプリングのための正確な経路空間制御 [cs.LG, cond-mat.stat-mech, cs.AI, cs.SY, eess.SY, stat.ML]目的：物理制約を尊重した，局所的な決定をグローバルに相関したサンプルへと変換する生成モデルの構築
- 科学分野における生成モデルは，複雑な物理現象のシミュレーションやデータ生成に不可欠であり，その重要性が増している。
- 従来の生成モデルでは，物理制約を正確に満たしつつ，効率的にサンプルを生成することが困難であった。
- 物理情報に基づいた経路空間制御を通じて，生成サンプリングの精度と効率を向上させることを目指す。
- 本研究で提案する「サンプリング決定」フレームワークは，構造化されたオブジェクトを状態グラフ上で組み立て，正確な経路空間制御則によってグローバルに修正する。
- 二値グラフィカルモデルにおける構造的キャンセル定理が証明され，シングルトン積事前分布が母集団補正から消失し，生成ダイナミクスを改善することが示された。
- Local-Boltzmann事前分布と経路空間制御を組み合わせることで，サンプルサイズの有効性を向上させ，生成サンプリングの性能を大幅に改善することに成功した。
回路ファウンデーションモデル：VLSI回路設計とEDAのための基盤AIモデル [cs.AR, cs.LG]目的：VLSI回路設計とEDAにおける回路ファウンデーションモデルに関する調査
- 現代の集積回路設計は複雑化の一途を辿っており，AIによる効率化が不可欠となっている。
- 既存のAI技術は特定のタスクに特化しており，汎用性や学習データへの依存性が課題であった。
- 回路の特性を学習し，多様な設計課題に柔軟に対応可能な基盤モデルの確立を目指す。
- 本調査では，130件以上の関連研究を網羅的にレビューし，回路ファウンデーションモデルの最新動向を明らかにした。
- 既存モデルをエンコーダー型とデコーダー型に分類し，入力モダリティ，モデルアーキテクチャ，事前学習戦略などを詳細に分析した。
- 回路特有のデータ特性が，汎用AI技術との差別化要因となっていることを議論した。
モード連結の視点を通じた機械的アンラーニングの理解 [cs.HC, cs.MM, cs.LG, cs.AI, cs.CL, cs.CV]目的：機械的アンラーニングにおけるモード連結の検証
- 機械学習モデルのプライバシー保護やモデル更新において，不要な情報を効率的に削除することは重要である。
- 従来のアンラーニング手法では，モデルの性能劣化や計算コストの問題が残存している。
- アンラーニングの最適化挙動を理解し，より効果的かつ安全なアンラーニング手法を開発すること。
- アンラーニングされたモデルの多くは，滑らかな保持/忘却挙動を示す連結された領域に存在することが示された。
- 訓練ダイナミクスの変化が，モデルを異なる領域へと移動させることが明らかになった。
- モード連結に基づくアンサンブル学習は，汎化性能と再学習攻撃に対する頑健性を向上させることが示唆された。
推論時スケーリングの再考：効率の限界と言語的シグナル [cs.AI]目的：推論時計算による大規模言語モデルの能力向上に関する研究
- 大規模言語モデルの性能向上は，その実用化において重要な課題である。
- 推論時計算のスケーリングと推論に最適化された重みの相互作用は未解明である。
- 推論時計算のスケーリング限界を明らかにし，効率的な推論手法を開発すること。
- 推論時計算の増加が，モデルパラメータのスケーリングと同等の効果を発揮するとの従来の考え方に対し，推論能力の限界が存在することが示された。
- 汎用モデルは，推論に最適化されたモデルと比較して，推論時計算を大幅に増やしても精度が向上しないことが確認された。
- 正答は簡潔であり，あいまいな表現や思考マーカーの密度が低いという「正しさの言語的シグナル」が特定され，応答品質のゼロ計算プロキシとして利用できる可能性が示された。
拡張グラフ学習における公平性：サーベイ [cs.RO, cs.LG, cs.AI]目的：拡張グラフ学習における公平性の問題点の体系的な調査
- グラフ学習は様々な分野で活用が拡大しており，その重要性は増している。
- 従来のグラフニューラルネットワークのバイアス軽減手法は，拡張グラフ学習特有の課題に対応できない。
- 拡張グラフ学習における新たなバイアスの源泉を特定し，公平性を考慮したシステム開発の指針を示す。
- 拡張グラフ学習は，連合学習やグラフTransformerなどの技術を取り入れ，モデルの性能を向上させる一方で，新たな公平性の課題を生じさせている。
- 本サーベイでは，これらの課題を体系的に整理し，技術統合と公平性の目標に基づいた分類法を提案している。
- 今後の研究の方向性として，拡張グラフ学習のための新たな公平性指標や，公平性とプライバシーの両立などが挙げられている。
マルチエージェント強化学習における影響範囲に基づく信用割り当てと効率的な探索 [cs.OS, cs.LG]目的：マルチエージェント強化学習における信用割り当てと効率的な探索手法
- 複数エージェントの協調学習は，複雑な課題解決に不可欠であり，その重要性は増している。
- 報酬が希薄な環境下では，適切な信用割り当てと効果的な探索が困難である。
- エージェントの影響範囲を考慮することで，信用割り当ての精度向上と探索空間の絞り込みを図る。
- 提案手法では，エージェントが状態に与える影響範囲を定量化し，それに基づいて信用割り当てと探索範囲を決定する。
- 様々な希薄報酬のマルチエージェント環境において，提案手法は既存手法を大きく上回る性能を示した。
- エージェント間の相互依存関係を利用することで，より効率的な学習が可能となることを確認した。
深層形態学的ニューラルネットワークを汎用近似器として訓練すること [cs.RO, cs.LG]目的：深層形態学的ニューラルネットワークの表現力と学習可能性の向上
- 深層学習は，画像認識など多様な分野で高い性能を発揮し，その応用範囲は拡大している。
- 既存の深層形態学的アーキテクチャは，汎用近似器とならず，最適化の限界を抱えている。
- 制約のある線形活性化と平均化を取り入れ，パラメータ数を抑えつつ汎用近似性能を実現すること。
- 提案アーキテクチャは，従来の線形ネットワークと同程度のパラメータ数で汎用近似が可能であることが証明された。
- 活性化層のパラメータはO(N)に抑えられ，残りのパラメータは形態学的演算に制約される。
- 残差結合と重みドロップアウトは汎化性能を向上させ，ネットワークの学習とコンパクト性を実現した。
DeepConvContext：ヒューマンアクティビティ認識における多スケール時系列分類アプローチ [cs.LG, cs.HC, eess.IV]目的：ヒューマンアクティビティ認識のための多スケール時系列分類フレームワーク
- 人々の活動を認識することは，健康管理や生活支援など，幅広い応用が期待される重要な研究分野である。
- 従来のHARでは，時系列データの長期的な依存関係のモデリングが難しく，活動認識の精度向上のボトルネックとなっていた。
- DeepConvContextは，ウィンドウ間の学習を取り入れることで，より一貫性のある活動セグメントを生成し，認識精度を向上させることを目指す。
- DeepConvContextは，6つの一般的なHARベンチマークにおいて，F1スコアが平均5%向上し，mAPは最大18ポイント改善された。
- 先行研究と比較して，遅延やスループットは同等であり，効率的な活動認識を実現している。
- ウィンドウ間の学習が重要であり，オンライン予測シナリオにおいても，より一貫性のある活動セグメントを生成することが示された。
網膜変性評価のための深層学習：MICCAI 2024 MARIOチャレンジの包括的分析 [cs.CV, cs.AI]目的：加齢黄斑変性（AMD）の自動検出とモニタリング
- 高齢化社会において，AMD患者の増加が医療負担増大の一因となっている。
- OCT画像からのAMD病状変化の正確な定量化には，熟練した医師の専門知識が不可欠である。
- AIによるAMD進行度評価の自動化と，将来予測精度の向上が求められている。
- MARIOチャレンジの結果，AIはAMDの進行度測定（Task 1）において医師と同等の性能を示した。
- しかし，将来のAMDの進行予測（Task 2）においては，AIはまだ医師のレベルには達していない。
- 本チャレンジは，OCT画像を用いたAMDモニタリングにおけるAIのベンチマークとして貢献する。
長距離両手タスクと動作計画のためのグラウンデッドな視覚言語インタプリタ [cs.RO, cs.AI]目的：長距離両手タスクと動作計画における，検証可能で解釈可能な自律的なロボット行動の実現
- ロボットの自律性は重要であり，特に人間と協調する場面では安全性と信頼性が不可欠である。
- 従来のプランニング手法は専門知識が必要であり，最近のビジョン言語モデルは安全性の保証が難しい。
- 本研究は，ビジョン言語モデルと記号プランニングの利点を組み合わせ，両手操作の課題を解決することを目指す。
- ViLaIn-TAMPは，マルチモーダル入力をPDDL形式の問題仕様に変換する視覚言語インタプリタを含むハイブリッドプランニングフレームワークである。
- 実験結果から，ViLaIn-TAMPはVLMをプランナーとして直接使用するベースラインよりも平均成功率が17.5%向上することが示された。
- 修正プランニングモジュールを組み込むことで，成功率がさらに32.9%向上し，物理的な二腕ロボットシステムでも検証された。
EHR2Path：多角的電子カルテデータに基づく患者経過の経路レベルモデリング [cs.LG, cs.CL]目的：電子カルテデータから患者の長期的な経過経路をモデル化すること
- 患者ケアの質向上には，病状の進展予測と個別化されたケアが不可欠である。
- 既存手法は，予測タスクの限定性や短い時間窓のため，患者全体の経路を捉えきれていない。
- 本研究は，多様な電子カルテデータを統合的に解析し，患者経過の包括的な予測を目指す。
- EHR2Pathは，多様な臨床データを統合し，患者の経路を予測・シミュレーションするフレームワークである。
- Masked Summarization Bottleneckにより，長期的な情報を効率的に圧縮し，予測精度と効率を向上させている。
- MIMIC-IVデータを用いた実験で，既存手法を上回る予測性能と経路レベルモデリングの実現可能性を示した。
品質多様性レッドチーム：大規模言語モデルに対する高品質かつ多様な攻撃者の自動生成 [cs.LG, cs.AI, cs.NE]目的：大規模言語モデルの安全性と堅牢性を評価するための，高品質かつ多様な攻撃者の自動生成
- 大規模言語モデルの安全性確保は，AIの責任ある展開のための重要な前提条件である。
- 従来のレッドチーム手法では，攻撃戦略の多様性を十分に捉えられていない場合がある。
- 攻撃手法の多様性と質を向上させ，広範囲なリスクを網羅するレッドチーム手法を開発する。
- QDRTは，行動条件付き学習と行動リプレイバッファにより，多様な攻撃を生成する。
- QDRTは，複数の専門的な攻撃者を訓練することで，多様なスタイルとリスクカテゴリに対応する。
- 実験結果から，QDRTは既存手法よりも多様かつ効果的な攻撃を生成することが示された。
MGDFIS：小物体検出のためのマルチスケールグローバル-詳細特徴統合戦略 [cs.CL, cs.CV, cs.AI, cs.LG]目的：小物体検出における性能向上
- UAV画像における小物体検出は，監視や自動運転等の応用において重要である。
- 既存手法では，小物体検出において背景との識別が難しく，誤検出が多いという課題がある。
- 本研究は，小物体と背景の識別を改善し，検出精度を向上させることを目指す。
- 提案手法MGDFISは，YOLO26mにおいてAP50:95を25.7から30.2へ，AP50を37.2から44.2へ改善した。
- UAVDTデータセットではAP50が38.9，AP50:95が21.9，CARPKデータセットではAP50が97.4を達成した。
- MGDFISは，グローバルコンテキストの活用，詳細特徴の復元，ピクセルレベルでの再調整を組み合わせている。
嗜好に基づく強化学習における集団ベース手法による嗜好空間探索 [cs.AI, cs.LG]目的：嗜好空間の探索
- 人間のフィードバックから行動を学習する手法として，報酬関数の定義が不要な嗜好に基づく強化学習が注目されている。
- 既存手法では，嗜好空間の探索が不十分で，限られた嗜好にしか合致しない劣った方策に早期収束しやすい。
- 集団ベース手法を用いて，より広範な嗜好空間の探索と，人間が識別しやすいクエリ生成を可能にすること。
- 集団ベース手法は，単一エージェントアプローチと比較して，嗜好空間の探索において多様性を維持し，より包括的な探索を可能にする。
- 本手法は，教師が類似した軌跡を誤ってラベル付けした場合でも，頑健な性能を発揮し，嗜好空間の探索能力が大幅に向上する。
- 実験結果から，既存手法は局所最適解に陥ったり，過剰なフィードバックを必要としたりすることが示され，現実的なシナリオでの課題が明らかになった。
大規模言語モデルが文章作成と情報生態系に与える影響に関する計算論的アプローチ [cs.CL, cs.AI, cs.CY, cs.HC, cs.LG]目的：大規模言語モデルの影響に関する理解
- 文章作成や情報伝達のあり方が変化しており，社会全体で急速に導入が進んでいる。
- AI検出器の導入による，言語の多様性に対するバイアスが生じている。
- 研究論文のフィードバックへのアクセスが困難な研究者への支援を目指す。
- AI検出器の制度的採用が，特に非主要言語話者に対して不利なバイアスを生み出すことが示された。
- 学術査読，科学論文，消費者苦情など，様々な分野でLLMの利用が増加していることが明らかになった。
- LLMが研究論文のフィードバックを提供できる可能性が，大規模な分析によって示唆された。
物理的攻撃下におけるUAV制御のためのロバストな強化学習ベース制御：ARMOR [cs.LG, cs.CR, cs.RO]目的：UAVが物理的攻撃下でも安全に運用できるロバストな制御手法の開発
- UAVはセンサに依存して動作するため，その安全性が重要である。近年，UAVの利用が拡大している。
- UAVのセンサは，GPSスプーフィング等の物理的攻撃に脆弱であり，安全な飛行を脅かす可能性がある。
- 既存の安全な強化学習手法では，物理的攻撃への対応が困難であるため，ロバストな制御手法が求められている。
- ARMORは，攻撃に強い潜在表現を学習することで，物理的攻撃下でもUAVの安全性を確保する。
- ARMORは，教師あり学習と強化学習の二段階で学習を行うことで，攻撃に関する特別な情報なしでも実用的な性能を発揮する。
- 実験により，ARMORは従来の制御手法よりも性能が優れ，未知の攻撃への汎化性能も高いことが示された。
生成AI時代におけるグループ推薦システムの再考：一括推薦からエージェント型グループ意思決定支援へ [cs.IR, cs.AI]目的：グループ推薦システムの新たな方向性
- 個人向け推薦は普及したが，複数人での意思決定を支援するグループ推薦は実用化が遅れている。
- 既存研究では，グループ内のコミュニケーションや意思決定プロセスに関する仮定が現実と乖離している可能性がある。
- 生成AIを活用し，より自然なグループ意思決定環境を構築することで，実用的なグループ推薦システムを実現する。
- 従来のグループ推薦システム研究の仮定に疑問を呈し，現代の生成AIの能力を活用した新たなアプローチを提唱している。
- 生成AIを「エージェント」としてグループの意思決定を支援する，チャット形式のインタラクションを将来の方向性として提案している。
- このアプローチにより，グループ推薦システムの自然な意思決定環境の実現と，実用化の促進が期待される。
自己修正ベンチ：大規模言語モデルにおける自己修正の盲点の解明と対処 [cs.CL, cs.AI, cs.LG]目的：大規模言語モデルの自己修正能力に関する盲点の特定と，その改善
- 大規模言語モデルはAIを大きく変えたが，安全性確保には誤りの修正が不可欠である。
- モデルが誤りを修正しない原因が，能力不足なのか，認識不足なのかが不明であった。
- 自己修正の盲点を特定し，改善策を提案すること。
- 自己修正ベンチを用いて，モデルは外部からの誤りは修正できるが，内部で発生した同等の誤りは修正できないことを示した。
- この盲点は，教師データに誤り修正のパターンが不足していることが原因であることがわかった。
- 「Wait」のような簡単な介入が盲点を大幅に軽減することから，自己修正の活性化は単一のメカニズムに還元されないことが示唆された。
LLMアシスタントがソフトウェア開発者の生産性に与える影響：系統的レビューとマッピング研究 [cs.SE, cs.AI, cs.HC]目的：LLMアシスタントによるソフトウェア開発者生産性への影響に関する知見の体系化
- ソフトウェア開発は経済活動の基盤であり，その効率化は社会全体の発展に不可欠である。
- LLMアシスタントの導入は進んでいるが，その効果に関する体系的な分析が不足している。
- LLMアシスタントがソフトウェア開発者の生産性に与える影響を多角的に評価し，課題を明確化する。
- LLMアシスタントの導入は，開発の加速，コード検索の削減，単純作業の自動化といった恩恵をもたらすことが示された。
- 一方で，認知負荷のオフローディングやチームコラボレーションの低下といったリスクも指摘されている。
- LLMアシスタントがコード品質に与える影響は一様ではなく，コンテキストや評価基準によって結果が異なる点が明らかになった。
トポロジー強化MARLによるCAVのマルチエージェント協調意思決定 [cs.CC, cs.CE, cond-mat.mtrl-sci, cs.AI]目的：CAVのマルチエージェント協調意思決定のための手法
- 自動運転車（CAV）の普及には，安全で効率的な協調運転が不可欠である。
- 連続環境における分散型マルチエージェント協調意思決定は，次元の呪いにより最適解に到達しにくい。
- トポロジー構造を活用することで，効率的な探索と協調性を実現し，実環境での汎化性能を高める。
- トポロジー強化MARL（TPE-MARL）は，マルチエージェント探索を構造化されたトポロジー空間のトラバースとして再構築する。
- ゲームトポロジーテンソルは，連続的な物理空間を離散的な空間に射影し，戦略的協調と環境ノイズを分離する。
- 実験により，TPE-MARLがモンテカルロ木探索（MCTS）の理論的限界に近い最適な意思決定分布を達成し，実環境でのゼロショット汎化性能が確認された。
農業分野における多言語LLMを用いた質問応答のための合成データ活用 [cs.CL, cs.AI]目的：農業分野における多言語LLMを用いた質問応答のための合成データ活用
- 農業の成功には，農家が母語で正確かつタイムリーな情報を得る事が不可欠である。
- 汎用LLMは一般的な農業アドバイスしか提供できず，地域や言語の文脈における精度に欠ける。
- インドの農業関連文書から多言語（英語，ヒンディー語，パンジャーブ語）の合成データセットを生成し，LLMをファインチューニングする。
- ファインチューニングされたLLMは，人間の作成したデータセットにおいて，事実性，関連性，農業コンセンサスの点でベースラインモデルを大幅に上回った。
- 本研究は，地域的・多言語の文脈におけるLLMの性能向上に貢献する。
ProbGuard：確率的予測によるLLMエージェントの安全性を実現するプロアクティブなランタイム監視 [cs.AI, cs.SE]目的：LLMエージェントの安全性確保のためのプロアクティブなランタイム監視フレームワーク
- LLMエージェントは多様な分野で活用が進む一方，その安全性確保は重要な課題となっている。
- 従来のランタイム監視は，危険な行動が起こる直前または発生後にのみ対応するため，長期的な依存関係への対処が難しい。
- ProbGuardは，確率的リスク予測により，危険な行動を事前に予測し，介入することで安全性を高める。
- ProbGuardは，エージェントの実行を記号的な状態に抽象化し，実行トレースからDTMCを学習することで行動のダイナミクスをモデル化する。
- 実験結果から，ProbGuardは交通法違反や衝突を最大38.66秒前に予測可能であり，誤報なしで最大15.84秒前に警告を発することが示された。
- 組み込みエージェントタスクにおいては，再プロンプトによる介入で危険な行動を65.37%削減し，タスク完了率は80.4%を維持した。
3Dガウススプラッティングによる法線推定のための連続潜在最適化：CLONE [cs.CL, cs.CV, cs.AI]目的：3Dガウススプラッティングを用いた法線推定のための連続潜在最適化フレームワーク
- 3次元形状理解は，コンピュータビジョンやロボティクス等の分野において重要な課題である。
- 法線推定には，正確な法線ラベルが必要であり，その取得は困難である。
- 法線ラベルを用いずに，弱学習によって法線推定を行うことを目指す。
- CLONEは，画像-幾何-画像の一貫性ループを構築し，明示的な幾何学的表現と微分可能なレンダリングを統合することで，法線ラベルなしでの弱学習を可能にする。
- 学習可能な変調カーネルを用いて3Dガウススプラッティングのパラメータ空間を再パラメータ化し，幾何パラメータと法線間の明示的な安定したマッピングを確立した。
- 異なる領域からの法線推定値を融合し，多視点再投影の一貫性と幾何学的正則化を適用することで，精度の高い法線推定を実現した。
一様境界条件を持つ楕円型偏微分方程式に対するバロン空間表現 [math.NA, cs.LG, cs.NA, math.AP]目的：高次元楕円型偏微分方程式の近似複雑性
- 機械学習の理論的基盤確立に不可欠であり，近似精度と計算コストの関係解明が重要。
- 次元の増加に伴い，必要な計算コストが指数関数的に増加する次元の呪いの問題が存在する。
- 浅いニューラルネットワークで次元の呪いを回避し，効率的な近似手法を開発すること。
- バロン空間の仮定の下，解を\(\mathcal{O}\bigl(d^{C|\log\varepsilon|}\bigr)\)で抑えられた幅の2層ニューラルネットワークで近似可能。
- 特定の楕円型偏微分方程式は，次元の呪いに悩まされることなく浅いニューラルネットワークで近似可能。
- 高次元問題に対する浅いネットワークの有効性を示唆し，計算コスト削減への貢献が期待される。
相反する事実と不整合知識ベースに対する優先順位指定のルールベースアプローチ [cs.LO, cs.AI, cs.DB]目的：相反する事実に対する優先順位指定と不整合知識ベースのクエリ処理
- 知識ベースは情報管理の中核であり，その信頼性が重要である。
- 知識ベースに不整合が存在する場合，適切なクエリ結果を得ることが困難である。
- 不整合知識ベースに対する優先順位指定方法を確立し，クエリ応答の精度向上を目指す。
- 宣言的なルールベースのフレームワークを導入し，相反する事実間の優先順位関係を明示的に指定・計算することを可能にした。
- 優先順位ルールにサイクルが含まれる場合の問題に対処するため，非巡回関係を保証する条件やサイクル除去手法を検討した。
- Answer Set Programmingを用いてフレームワークを実装し，実験的に有効性を評価した。
グラフインデックス付き軌跡パターン学習による確率的定時到着ルーティング [cs.LG, cs.AI]目的：確率的定時到着ルーティングにおける軌跡表現の学習
- 交通ネットワークにおける効率的なルーティングは，経済活動や人々の生活に不可欠である。
- 従来のルーティング手法では，リンクの旅行時間変動を十分に考慮できていない。
- 過去の軌跡情報から旅行時間のパターンを学習し，定時到着確率を向上させる。
- 提案手法GPG-HTは，Sioux FallsとAnaheimの道路ネットワークにおいて，既存手法よりも高い定時到着確率を達成した。
- GPG-HTは，全てのネットワーク予算設定において，統計的に有意な改善を示した。
- 実験結果から，GPG-HTがグラフインデックス付きルートプレフィックスから意思決定に有用な構造を学習することが示された。
高周波かつ多スケール偏微分方程式の代理モデルのための自己構成ニューラル演算子 [eess.SY, cs.SY, cs.LG]目的：高周波かつ多スケール偏微分方程式の計算における課題への対処
- 偏微分方程式は科学技術計算の根幹であり，複雑な現象のシミュレーションに不可欠である。
- 高周波かつ多スケールの偏微分方程式は，従来の数値解法では計算コストが膨大になるという課題がある。
- パラメータ効率の良いニューラル演算子を用いて，高周波かつ多スケール偏微分方程式の高速な代理モデルを構築すること。
- 本研究で提案する自己構成ニューラル演算子(SC-NO)は，反復ソルバーの考え方を応用し，パラメータ効率の良いブロックを繰り返し適用することで高精度な解を導く。
- 適応的な「Train-and-Unroll」戦略により，学習中に自己構成の深さを徐々に増やすことで，効率的な学習を可能にした。
- 超音波断層撮影(USCT)におけるヘルムホルツ方程式への適用により，SC-NOが従来のFourier Neural Operatorよりも高い精度を達成することが示された。
CAPMix：ノイズと動的環境におけるAIOpsのための堅牢なKPI異常検知 [cs.LG, cs.AI]目的：KPI異常検知における堅牢性の向上
- 大規模サービス運用において，可用性維持には時系列異常検知が不可欠である。
- 実環境のKPIデータは高次元，非定常，ノイズが多く，異常と正常の区別が困難である。
- 現実的な異常パターンを用いたデータ拡張による，異常検知の汎化性能向上を目指す。
- CAPMixは，ラベル修正と二重空間mixupを組み合わせ，汚染データや混合データに対するロバスト性を強化する。
- 公開されているAIOpsおよび時系列ベンチマークにおいて，既存手法を凌駕する性能を示した。
- Kuaishouの運用システムに導入され，誤報の減少とモニタリング信頼性の向上に貢献している。
極端な対流検出における統計的類似性の罠の打破 [cs.LG, cs.CV]目的：極端な対流検出のための高解像度衛星輝度温度場の生成
- 気象予測における深層学習モデルの重要性が増しているため，その評価方法の改善が求められる。
- 既存の評価指標は，稀に発生する高影響イベントを見逃し，曖昧な予測を過大評価する傾向がある。
- 統計的類似性の罠を回避し，極端な対流をより正確に検出するための新たなフレームワークを開発する。
- 既存の高度なベースラインモデルは高い相関を示す一方で，危険な対流の検出において低いCSIスコアしか得られていないことを定量的に示した。
- DART（Dual Architecture for Regression Tasks）という新しいフレームワークを導入し，粗い気象予測を高解像度の衛星データに変換することで，極端な対流の検出性能を向上させた。
- DARTは，背景と極端な現象を明示的に分解するデュアルデコーダアーキテクチャ，物理に基づいたオーバーサンプリング，およびタスク固有の損失関数を採用しており，CSI=0.273，バイアス=2.52という結果を示した。
CountTRuCoLa：解釈可能な時間的知識グラフ予測のためのルール学習 [cs.LG]目的：時間的知識グラフ予測のためのルール学習
- 知識グラフは，現実世界の複雑な関係性を表現する上で重要である。
- 時間的知識グラフ予測は，データが不完全で，予測が難しいという課題がある。
- 本研究は，解釈可能性を重視したルール学習に基づく予測手法を提案する。
- 提案手法は，9つのデータセットにおいて，最先端モデルと遜色ない性能を示した。
- 予測は，ルールと観測データに直接結び付け可能であり，解釈性が高い。
- 大規模データセットにおいても，他の手法が抱える実行時間やメモリの問題を回避できる。
連合エッジ学習のための学習型無線伝送計算 [cs.RO, cs.LG, eess.SP]目的：連合エッジ学習における学習型無線伝送計算のフレームワーク
- IoTデバイス増加に伴い，分散学習の重要性が高まっている。特に，エッジデバイスでの学習は低遅延化に貢献する。
- 既存のデジタル無線伝送計算は，低SNR環境下ではシンボル復元やアクティブデバイス推定の信頼性に課題がある。
- 低SNR環境下でもロバストな連合エッジ学習を実現するため，無線伝送計算の設計を学習によって最適化する。
- 提案手法は，既存の最先端手法と比較して，同じアップリンクオーバーヘッドで約7dB広いSNR範囲で高い集約精度を達成する。
- 学習されたデコーダは，層ごとの減衰，残差スケーリング，温度制御ベイズ去ノイズ処理，軽量CNNによる改良を取り入れている。
- 提案手法は，モデル，アクティビティレベル，異種データに対して汎化性能を示す。
SingLEM：シングルチャンネル大規模脳波モデル [cs.LG]目的：シングルチャンネル脳波データの再利用可能な表現の抽出
- 脳波は，脳活動を非侵襲的に計測できるため，医療やブレイン・マシン・インターフェース等，幅広い応用が期待されている。
- 既存の脳波解析モデルは，特定のタスクに特化し，大量のラベル付きデータが必要となるため，汎用性に課題がある。
- 本研究では，シングルチャンネル脳波データからタスクに依存しない汎用的な表現を学習し，脳波解析の効率化を目指す。
- SingLEMは，各チャンネルを独立に処理するハイブリッドな畳み込み・Transformerエンコーダを用いることで，局所的および長距離の時間構造を捉えた表現を獲得した。
- 厳格なリーク制御下での評価において，SingLEMは他の事前学習済みモデルや古典的な特徴量に基づく手法を上回る性能を示した。
- シングルチャンネルを用いた自己教師あり学習が，脳波データの再利用性と電極レベルの空間解析のための柔軟な基盤となりうることを示した。
ロボットダンス：残差行動強化学習による堅牢な長期的ヒューマノイドモーション追跡 [cs.RO, cs.AI]目的：ヒューマノイドモーション追跡のための残差行動強化学習手法
- ヒューマノイドロボットの複雑な動作実現には，精密なモーション制御が不可欠である。
- 参照モーションとロボットのダイナミクス不一致が蓄積し，長時間の追跡が困難となる。
- 参照モーションへの残差補正により，ダイナミクス不一致を補償し，安定した追跡を実現する。
- 本研究では，参照モーションに条件付けられた関節目標の残差を予測する，単一段階の強化学習手法「RobotDancing」を提案する。
- RobotDancingは，Unitree G1上で8つのLAFAN1ダンスモーションで評価され，テスト時の修正なしに長時間の高エネルギー動作を実行することが示された。
- さらに，H1およびH1-2上での実験により，クロスプラットフォームでの実現可能性が示唆された。
推論能力強化言語モデルのための包括的なFP8学習レシピ [cs.CL, cs.AI]目的：推論能力強化言語モデルのFP8学習に関する包括的なレシピ
- 大規模言語モデルは強力だが，学習コストが高い。効率的な学習手法の確立が重要である。
- FP8学習は理論的に効率的だが，実用的なレシピの欠如が普及の妨げとなっていた。
- FP8学習の安定性と有効性を実証し，大規模モデル学習の民主化を目指す。
- 本研究で開発されたFP8学習レシピは，継続的な事前学習と教師ありファインチューニングを統合し，安定性と数値精度を両立した。
- 1600億トークンを用いた実験により，FP8学習はBF16と同等の性能を維持しつつ，学習時間の最大22%削減，メモリ使用量の14%削減，スループットの19%向上を達成した。
- FP8はBF16の実行可能な代替手段となりうることを実証し，コードを公開することで大規模モデル学習の普及に貢献する。
T-TAMER：機械学習サービングにおけるトレードオフの理論的制御 [cs.RO, cs.LG, cs.GT]目的：機械学習サービングにおけるトレードオフの最適化手法
- 機械学習モデルの規模拡大に伴い，精度・遅延・リソース使用量等のトレードオフが重要になっている。
- 既存手法は経験則に頼る部分が多く，理論的な保証や汎用性に課題があった。
- 本研究では，理論的な保証に基づいたトレードオフ最適化手法を提案し，その有効性を検証する。
- 本研究で提案するT-Tamerは，多段階意思決定プロセスとしてこの問題を定式化している。
- 早期リコール（以前のモデルへの再アクセス）が，性能保証達成に必要かつ十分であることを証明した。
- 実験結果から，リコールに基づく戦略が，精度と遅延の効率的なトレードオフを実現することが示された。
AdaThink-Med：不確実性定量化による医療推論における推論時計算の最適化 [cs.CL, cs.AI]目的：医療推論における推論時計算の最適化
- 医療分野では，迅速な対応と詳細な分析の両方が求められるため，効率的な推論が重要である。
- 既存のLLMは，質問の複雑さに関わらず一律の計算量を消費するため，計算資源の浪費が生じる。
- 不確実性に基づく推論長調整により，計算資源を効率的に配分し，医療推論の精度と速度を両立することを目指す。
- AdaThink-Medは，QwenとLlamaアーキテクチャにおいて，推論時のトークン消費量をそれぞれ4.7倍から6.4倍削減することに成功した。
- 本手法は，推論の確実性に応じて推論長を動的に調整することで，計算資源の効率的な割り当てを実現する。
- 報酬設計により，モデル内で「思考モード」と「非思考モード」を自然に生成し，外部ルーターや分類器を必要としない。
薬剤を完成させるのではなく，洗練させる：フラグメントベース創薬のための均一ソース離散フロー [cs.LG]目的：新規分子やフラグメント制約下での分子生成，および標的特性／リード最適化
- 創薬において，効率的な分子設計は重要な課題であり，計算化学的手法が注目されている。
- 従来の分子生成モデルは，マスキングされた入力から分子を「完成」させるアプローチが主流であり，柔軟性に課題がある。
- 本研究は，分子を「洗練」させるという新しいパラダイムを導入し，分子生成の効率と質を向上させることを目指す。
- InVirtuoGenは，既存のフラグメントベースモデルと比較して，より優れた品質と多様性のトレードオフを実現した。
- 実用的な分子最適化ベンチマークにおいて，AUCトップ10のスコアで最先端の結果を達成した。
- リード最適化においても，既存のベースラインよりも高いドッキングスコアを得た。
TS-Reasoner：大規模言語モデルの推論能力と時系列基礎モデルの整合化 [cs.CL, cs.RO, cs.CL, cs.AI]目的：時系列基礎モデルと大規模言語モデルの潜在表現の整合化
- 金融，エネルギー，科学発見など，多様な分野での意思決定において，時系列データの推論は不可欠である。
- 既存の時系列基礎モデルは動的なパターンを捉えるが，背景知識や高度な推論能力が不足している。
- 時系列データとテキストの整合化訓練により，両モデルの能力を組み合わせ，推論タスクの性能向上を目指す。
- TS-Reasonerは，時系列データとテキストキャプションの合成ペアを生成し，整合化訓練を行うことで，両モデルの潜在表現を整合化する。
- 提案手法は，比較可能な規模のオープンソースLLM，Vision-Language Models (VLM)，Time Series LLMを凌駕する性能を示す。
- TS-Reasonerは，既存手法と比較して，少ない訓練データ量で高い性能を達成し，データ効率に優れる。