arXiv雑要約
AI - 2026/08/05 公開
多峰性収益を持つ文脈的動的価格設定におけるミニマックス最適半パラメトリック手法 [stat.ML, cs.AI, cs.LG]目的：文脈的動的価格設定におけるミニマックス最適戦略
- 顧客の行動に応じた価格設定は，収益最大化において重要な課題である。
- 収益関数が非凸である場合，最適な価格を見つけることが難しい。
- 未知の需要モデルと価格設定環境下における収益最大化問題の解決を目指す。
- 提案手法は，価格設定における価値パラメータ推定誤差の影響を軽減する。
- 文脈変化への適応的サンプリングにより，収益を効率的に最大化する。
- 提案手法は，最適な価格設定における理論的な限界にほぼ到達する。
GROW：自己回帰拡散テキスト読み上げモデルのグループ相対的利点加重オンポリシー強化学習 [eess.AS, cs.AI, cs.CL]目的：拡散テキスト読み上げにおける強化学習の効率化と性能向上
- テキスト読み上げの品質向上は，人間らしい自然な音声合成に不可欠であり，その需要は高い。
- 従来の強化学習手法は，計算コストが高く，学習に時間がかかるという課題があった。
- 本研究は，効率的かつ高性能な強化学習手法を開発し，テキスト読み上げの品質向上を目指す。
- GROWは，既存手法と比較して，単語誤り率（WER）を2.016から1.558に削減することに成功した。
- また，話者類似度を0.676から0.715に向上させ，UTMOSスコアを維持した。
- 学習速度も32-NFE DiTAR-GRPOの2.9倍に向上し，効率的な学習を実現した。
分散OFDM-ISACネットワークにおける粗調整から微調整までのセンシングのためのタスク指向の候補潜在フィードバック [math.OC, cs.SY, eess.SY, eess.SP, cs.LG]目的：単一ターゲット推定のための，候補潜在フィードバックを用いた学習ベースの粗調整から微調整までのセンシングパイプライン
- 将来の統合センシング通信(ISAC)は，センシング機能と測定取得機能を分離し，効率的なインターフェースが求められる。
- 生チャネル周波数応答や完全なDDAEテンソルは高コストであり，ピークのみの報告ではターゲット識別構造が失われる。
- この研究は，限られたフィードバック予算内で高精度なターゲット推定を可能にする，効率的なデータ伝送方式を開発する。
- レイトレースされた都市環境において，提案手法は107～806バイトで96.33～98.88%の検出率を達成し，データ圧縮率も1.2～9.2×10^4に達した。
- 独立したキャンパス環境での評価では，再学習なしで98.79～99.50%の検出率と良好な角度精度が確認され，汎化性能が示された。
- 提案手法により，センシングエンティティとセンシング機能間のインターフェースレートは，マルチギガビット/秒からサブメガビット/秒に大幅に低減された。
マルコフ連鎖の収束性に関する漸近的同値性による直接的な経路 [math.PR, cs.LG, math.ST, stat.CO, stat.ML, stat.TH]目的：マルコフ連鎖の収束性を示すための基準
- マルコフ連鎖は，統計物理学，機械学習など，様々な分野で重要な役割を果たす。
- 従来の収束性証明は複雑であり，特定の条件に依存する場合が多い。
- 普遍的に適用可能な，より簡潔な収束性基準を確立すること。
- マルコフ核$T$と不変確率測度$\pi$に対し，漸近的絶対連続性と標的の漸近的支配という2つの条件を満たすことが，収束性の必要十分条件となる。
- 数え上げ可能な生成測度空間において，この基準は密度版においても検証され，様々なアルゴリズム（Metropolis-Hastings法など）に適用可能である。
- ギブスサンプラーや並列テンパリングアルゴリズムへの適用例を示し，強大数の法則との関連性も明らかにした。
パラメータ化された非侵入的低次元モデルにおけるモデル形式不確実性に対する共形リスク制御 [stat.ML, cs.LG]目的：パラメータ化された偏微分方程式を近似する非侵入的低次元モデルにおけるモデル形式不確実性の定量化
- 工学設計や科学シミュレーションにおいて，計算コストを削減する低次元モデルの利用が不可欠である。
- 低次元モデルの予測信頼性の評価は困難であり，特に外挿領域や学習データが少ない場合に問題となる。
- 低次元モデルの基底空間の摂動を確率的に表現し，共形型手法を用いることで，予測の信頼性を保証する。
- 提案手法は，基底空間の切り捨て誤差を反映した確率的低次元近似を可能にする。
- 得られた事後分散は，基底と回帰に起因する不確実性を分離し，追加学習の必要性を回避する。
- 共形リスク制御により，指定された誤覆い率を持つ予測集合が得られ，不確実性推定の品質を評価できる。
反射拡散における境界項の学習：共正規トレースと反射マスキング [stat.ML, cs.LG]目的：有界領域における反射拡散のスコア学習
- 拡散モデルは高品質な生成が可能だが，有界領域での境界条件の扱いは課題である。
- 反射拡散では，境界でのスコア関数の振る舞いが，順方向過程で期待されるものと一致しない場合がある。
- 境界項を適切に学習し，生成されたサンプルの品質を向上させる。
- 境界項は，各境界点におけるスコアの共正規トレースに依存することが示された。
- 超長方形においては，追加の学習パラメータや確率的境界推定器なしに，必要なトレースを強制できる。
- 反射マスキングにより，誤ったトレースでもサンプルは実現可能になり，評価指標がエラーを隠蔽することがある。
分割統治法：ドリフト拡散モデルに対する汎化可能な償却型ベイズ推論に向けて [math.CO, cs.DM, stat.ML, cs.LG, stat.AP, stat.ME]目的：ドリフト拡散モデルの汎化可能な償却型ベイズ推論手法
- 認知意思決定研究の基礎であり，行動メカニズムの理解に不可欠なモデルである。
- 既存の推論手法では，計算速度と多様な実験計画への対応が課題となっていた。
- 償却型ベイズ推論の汎化性を高め，大規模データへの適用を可能にすること。
- 提案手法は，従来のMCMCと同等の精度と不確実性を実現しつつ，計算コストを大幅に削減した。
- ドリフト拡散モデルの推定精度を向上させ，より効率的な認知科学研究を支援する。
- 本研究は，償却型ベイズ推論の拡張性と汎用性を高めるための一般的な戦略を示す。
クロス集中サンプリング下におけるロバストな低チューブランクテンソル補完 [stat.ML, cs.IT, cs.LG, cs.NA, math.IT, math.NA]目的：スパースかつ大きな外れ値を含む，部分的なクロス集中サンプリング観測からの低チューブランクテンソルのロバストな復元
- テンソル分解は，高次元データの効率的な表現と処理を可能にする重要な技術である。
- 既存のテンソル補完手法は，観測データに重度の汚染が含まれないことを前提としている。
- クロス集中サンプリングの構造を明示的に活用し，外れ値に対するロバスト性を向上させる。
- 提案手法R-ItCURは，サンプリングされたテンソルクロスをブロック分割し，適応的なブロックごとのウェルシュ補正を適用することで，外れ値を抑制する。
- R-ItCURは，テンソル全体を再構成することなく直接サンプリングされたクロス上で動作し，メモリと計算量を削減する。
- 合成データ，心臓MRIデータ，３次元地震データを用いた実験により，正確な復元とスパースな重度汚染に対する高いロバスト性が確認された。
量子回路と古典的LLMの分離 [quant-ph, cs.DC, quant-ph, cs.AI, cs.CC]目的：低深度量子計算と古典的言語モデルアーキテクチャ間の分離
- 近年，大規模言語モデルが発展し，自然言語処理の様々なタスクで高い性能を示している。
- 古典的言語モデルは計算資源に制約があり，複雑な分布の生成が困難である可能性がある。
- 量子計算の優位性を示すことで，古典的言語モデルの限界を明らかにする。
- 定数深度の量子回路でサンプリング可能な分布は，浅いスケジュールとノイズ除去を持つ定数ラウンドの拡散言語モデルでは，一定距離内でサンプリングできないことが示された。
- O(log log n) 深度の量子回路で計算可能な関数は，それを計算する定数深度のデコーダーのみのTransformerでは，幅がnのΩ(1)倍必要となる。
- 本研究は，大規模言語モデルの時代における量子計算の優位性の研究を始めるものである。
GFlowNetsにおける情報幾何学的前方方策学習 [math.CO, cs.DM, stat.ML, cs.LG]目的：GFlowNetsにおける前方方策学習の定式化
- 生成モデルは，複雑なデータ分布の学習において重要な役割を果たす。
- GFlowNetsのようなモデルでは，効率的な学習が課題となる。
- 情報幾何学に基づき，より効率的な前方方策学習手法を開発する。
- GFlowNetsにおける前方方策を，誘導される軌跡サンプラーとして捉えた。
- 軌跡のFisher-Rao計量を用いて自然勾配を導出し，最適な局所更新を可能にした。
- Fisher情報の分解により，時間的スコア相互作用の消失条件を明らかにした。
ニューラルネットワークによるランダムユーティリティ選択モデルの表現 [cs.LG, math.OC, stat.ML]目的：ランダムユーティリティ最大化(RUM)フレームワークに着想を得た，RUMnetsと呼ばれるニューラルネットワークベースの離散選択モデル
- 個人の選択行動を予測することは，マーケティングや政策決定において重要な課題である。
- 従来の離散選択モデルは，複雑な選択プロセスを捉えきれない場合がある。
- ニューラルネットワークを用いて，より柔軟かつ高精度な選択モデルを構築することを目指す。
- RUMnetsは，ランダムユーティリティ最大化に基づく離散選択モデルを近似可能であることが示された。
- RUMnetsは，既存のランキングベースモデルや多項ロジット混合モデルを包含する汎用性を持つ。
- 実データおよび合成データを用いた実験により，RUMnetsの予測精度が確認された。
異種アーキテクチャにおける深層学習の高速化のための設計手法に関する調査 [cs.AR, cs.AI]目的：深層学習アクセラレータ設計手法の現状と課題
- 深層学習の規模拡大に伴い，高性能な実行が不可欠となっており，計算資源の効率的な利用が重要である。
- 従来の設計手法では，ハードウェアとソフトウェアの連携が不十分であり，性能向上に限界がある。
- ハードウェア・ソフトウェア協調設計を含む，様々な設計手法を整理し，今後の研究方向性を示す。
- 本調査では，深層学習アクセラレータの設計に影響を与える様々なツールや設計手法を批判的にレビューした。
- ハードウェア・ソフトウェア協調設計，自動合成，ドメイン固有コンパイラなどの技術的課題と今後の展望を提示した。
- アーキテクチャとアクセラレータに関する既存の調査を補完し，深層学習分野の進展に貢献する。
サブ最適性下におけるオンラインベイズ適応による人間とロボットの協調 [cs.RO, cs.AI]目的：人間とロボットの協調チームのパフォーマンス向上
- 人間とAIエージェントの連携は，様々な分野で重要性が増している。
- 従来のシステムは，チームメンバーが最適に行動できることを前提としている。
- 不完全な知識下での人間とロボットの協調パフォーマンス改善を目指す。
- 本研究では，ロボットが人間の協力意欲をオンラインで推論するベイズアプローチを開発した。
- ユーザー調査の結果，ロボットの介入スタイルがユーザーの好みとチームパフォーマンスに影響することが示された。
- 提案手法は，客観的なチームパフォーマンス，信頼度，協力意欲を有意に向上させた。
MambaTS: 長期時系列予測のための選択的状態空間モデルの改良 [cs.LG, cs.AI]目的：長期時系列予測における選択的状態空間モデルの性能向上
- 時系列データ分析は，経済，気象，金融など広範な分野で不可欠である。
- Transformerモデルは計算コストが高く，変数の依存関係を捉えるのが難しい。
- 自己注意機構に頼らず，効率的に長距離依存関係をモデル化することを目指す。
- MambaTSは，変数間の依存関係を学習し，最適なスキャン順序を決定するVASTメカニズムを導入した。
- 従来のMambaモデルの因果畳み込みが不要であることを示し，Temporal Mamba Block (TMB)を開発した。
- 8つの公開データセットでの実験により，MambaTSが競争力のある性能を発揮することが示された。
幾何場を用いたロバストなバイハーモニックスキニング [cs.GR, cs.LG]目的：バイハーモニックスキニングの自動化手法
- キャラクターアニメーションや形状処理において，効率的な変形手法が不可欠である。
- 既存手法は，テトラヘドラ化に依存し，形状によっては失敗する場合がある。
- オープンサーフェスや点群など，多様な形状に対するロバストなスキニングを実現する。
- 本手法は，既存の最先端手法と同等の重みを生成する。
- テトラヘドラ化を必要とせず，ハードウェアレイトレーシングを活用した新しい定式化を採用する。
- 最適化プロセス中にウェイトペイントによるアーティストの制御を統合することを可能にする。
CollaFuse: 協調拡散モデル [cs.LG, cs.AI, cs.CV]目的：分散型協調拡散モデルの実現
- 生成AI分野における拡散モデルの重要性が高まっている。
- データ不足，計算コスト，プライバシー保護が課題となっている。
- クライアントの計算負荷を軽減し，効率的な協調学習を目指す。
- 提案手法CollaFuseは，スプリットラーニングに着想を得た分散型協調学習アプローチである。
- CelebA，CIFAR-10，Animals-with-Attributes2での実験により，性能向上と情報漏洩の抑制が確認された。
- エッジコンピューティングなど，多様な応用分野への展開が期待される。
自己教師ありVision Transformerと相乗的ドメインアライメントによる効率的な教師なしドメイン適応 [cs.CV, cs.AI, cs.LG]目的：教師なしドメイン適応の効率化
- ドメイン間の分布のずれは，機械学習の性能を大きく低下させるため，その克服が重要である。
- 既存手法は大規模モデルの微調整に依存し，計算コストが高く，リソース制約のある環境での拡張性が低い。
- 本研究は，大規模モデルの微調整を回避し，少ないパラメータで高い性能を維持する手法を提案する。
- 提案手法EUDAは，DINOv2バックボーンを固定し，軽量なボトルネックと分類ヘッドのみを更新するパラメータ効率的なフレームワークである。
- 相乗的ドメインアライメント損失(SDAL)により，識別学習とドメイン間のアライメントを促進する。
- Office-Home，Office-31，VisDA-2017，DomainNetにおける実験で，EUDAは多様なドメイン複雑度において競争力のある性能を示すとともに，学習パラメータ数を大幅に削減した。
患者中心データサイエンス：デジタルヘルス時代における臨床アウトカムの評価と予測のための統合的フレームワーク [cs.LG, cs.AI, cs.CY]目的：患者中心データサイエンスの統合的フレームワーク
- デジタルヘルス技術の発展により，医療におけるデータ活用が重要になっている。
- 従来の医療データのみでは，患者の全体像を捉えきれないという課題がある。
- 患者の多様なデータを統合し，個別化医療の実現を目指す。
- 本研究では，臨床データ，患者報告アウトカム，社会決定要因，オミクスデータを統合する多次元モデルを開発した。
- マルチエージェントAIと様々な機械学習手法を活用し，複雑な縦断データを分析する。
- このフレームワークは，学習するヘルスケアシステムを構築し，最適な患者ケア戦略を継続的に改善する可能性を持つ。
データ多様体上の整合性認識潜在空間最適化による敵対的摂動除去 [cs.LG]目的：敵対的摂動の除去による深層ニューラルネットワークのロバスト性向上
- 深層学習モデルは実社会で広く利用されており，その安全性確保が重要である。
- 敵対的サンプルにより，深層学習モデルの予測が容易に誤るという脆弱性が存在する。
- 敵対的摂動除去を通じて，モデルのロバスト性を高め，誤予測を抑制することを目指す。
- 提案手法CMAPは，生成モデルを用いて敵対的摂動を根本的に除去する。
- ピクセル空間と知覚空間における整合性復元機構により，高精度な除去を実現した。
- CIFAR-10およびImageNet-100での実験により，高い自然精度を維持しつつ，強力な敵対的攻撃に対するロバスト性が向上することが示された。
可逆指数型(確率的)ルンゲ・クッタ解法のファミリーRex [cs.LG, cs.AI, stat.ML]目的：ニューラル微分方程式に基づく深層生成モデルにおける数値解法
- 深層生成モデルの性能向上に不可欠であり，高品質な生成結果を実現する上で重要である。
- 既存の数値解法では，逆方向の積分における精度が不十分であり，応用が限定される。
- 可逆性を有する高精度な数値解法を開発し，逆方向積分時の誤差を低減することを目指す。
- Rexは，拡散ODEおよびSDEに対して，任意の明示的(確率的)ルンゲ・クッタ法を代数的に可逆なものに変換する。
- 理論的解析により，任意の次数収束性と非ゼロの線形安定性領域が確立された。
- 実験結果から，Rexは機械精度に近い再構成を実現し，フローモデルを用いたボルツマンサンプリングや拡散モデルによる画像生成・編集を改善する。
マルチパス推論とフィードバック駆動型最適化による自動可視化コード生成 [cs.SE, cs.AI, cs.CL, cs.HC]目的：自動可視化コード生成のためのフレームワーク
- データ分析において，可視化は洞察を得る上で不可欠であり，効率的な可視化手法が求められている。
- 自然言語による指示だけでは，具体的な処理やライブラリの選択が曖昧になり，手動での修正が必要となる場合が多い。
- 曖昧な指示に対しても，複数の解釈を検討し，フィードバックを通じて最適な可視化結果を得ることを目指す。
- VisPathは，マルチパス推論とフィードバック駆動型最適化により，曖昧な指示に対応した可視化コードを生成する。
- 複数のクエリを並行して生成し，実行結果に基づいてフィードバックを生成することで，より正確な可視化を実現する。
- MatPlotBenchとQwen-Agent Code Interpreter Benchmarkにおいて，既存手法を上回る性能を示した。
バーチャル患者，真の成果：デジタルツインに基づくマルチタスク肺結節解析のためのシミュレーションCT [cs.LG]目的：肺結節の検出，セグメンテーション，悪性度分類のAI性能向上
- 肺がん検診におけるAI活用は，早期発見に貢献し，患者の予後改善に不可欠である。
- AI学習には大量のアノテーション済みCT画像が必要だが，特に稀な結節の症例はデータが不足している。
- 物理に基づいたシミュレーションCTによるデータ拡張が，AI学習のデータ不足問題を解決する。
- 検出感度は，1FP/スキャンあたり0.37から0.56へ上昇し，有意な改善が見られた (p < 0.001)。
- セグメンテーション性能は小幅に向上し（Dice係数0.61から0.64，0.66から0.69），悪性度分類のAUCは0.78から0.87へ上昇した (p < 0.001)。
- 物理に基づいたバーチャルイメージング試験は，医療AIにおけるデータ不足の問題に対処する上で有効である。
反対称関数に対する双リプシッツアプローチ [cs.LG, math.CA, quant-ph]目的：反対称関数の近似モデルの構築
- 量子多体系のシミュレーションにおいて，ニューラルネットワークの活用が期待されている。
- 既存モデルは，計算コストが高いか，不連続性を持つという課題があった。
- 連続的で汎用的な近似能力を持つ反対称モデルを開発すること。
- 双リプシッツ埋め込みとフレーム平均化に基づく2つの反対称アプローチを提案した。
- 提案手法は，問題サイズに対して多項式的な複雑さで汎用的な近似を保証する連続モデルである。
- リプシッツ反対称関数の近似に必要なパラメータ数を定量的に評価した。
シミュレーションフットボールゲームにおけるマルチエージェント強化学習のサンプル効率改善：探索によるアプローチ [cs.LG, cs.MA]目的：マルチエージェント強化学習におけるサンプル効率の向上
- チームベース環境での協調行動学習に強化学習が有効。ゲームAI開発への応用が期待されている。
- 現状の強化学習は学習に時間がかかり，実用的なゲームAI開発への障壁となっている。
- 探索メカニズムを改善し，サンプル効率を高めることで，学習時間の短縮を目指す。
- 提案手法では，ランダムネットワーク蒸留による探索によって，オリジナルTiZeroと比較して，学習フェーズごとのサンプル効率が13.3%向上した。
- これにより，汎化性能が向上し，これまで困難だったシナリオへの適応性が高まった。
- ヒューリスティックAIとの対戦評価では，シュートの精度向上と，ゲームプレイ指標の標準偏差低下による行動の安定性が確認された。
熱帯畳み込みニューラルネットワークの複合・並列モード [cs.CV, cs.AI]目的：熱帯畳み込み演算の拡張による，計算コストとモデル精度のトレードオフの改善
- 画像認識などの分野で基礎となるCNNは，計算資源に制約があるデバイスへの展開が課題。
- 熱帯CNNは計算量を削減するが，精度低下が問題となる場合がある。
- 計算コストを抑えつつ，表現力を向上させる新しい熱帯畳み込み演算の開発。
- 提案手法である複合熱帯畳み込み(cTCNN)と並列熱帯畳み込み(pTCNN)は，標準CNNと同等の性能を維持しつつ，乗算回数を大幅に削減できる。
- 画像分類やセマンティックセグメンテーションのベンチマークテストで，その有効性が確認された。
- 熱帯畳み込みと従来の畳み込みを組み合わせたハイブリッドモデルは，精度と効率のバランスをさらに改善する。
探索がスタイルを教える：AlphaZeroにおける戦術的事前知識の因果的内包 [cs.LG, cs.AI]目的：AlphaZeroにおける戦術的事前知識の学習と内包のメカニズムの解明
- 強化学習は，複雑な戦略ゲームにおいて人間レベルの性能を達成する上で重要な役割を担っている。
- AlphaZeroのような自己対戦学習において，探索とネットワークの相互作用がどのように学習に影響するかは不明確である。
- 本研究は，探索で用いられる戦術的事前知識が，ネットワークにどの程度学習され，内包されるかを定量的に評価する。
- 戦術的事前知識を訓練中に一時的に削除しても，ネットワークは依然として防御的な義務を実行する傾向を示すことが示された。
- 事前知識を再開すると，応答率がほぼ100%に回復し，ネットワークが探索時のガイダンスに依存していることが明らかになった。
- 学習された事前知識は，既知の局面には有効だが，構造的に新しい局面には効果が限定的であり，学習は幾何学的な特徴に依存していることが示唆された。
二者択一の推論を超えて：変換と帰納としての協調的問題解決パラダイム [cs.PL, cs.AI, cs.LG]目的：変換と帰納の協調的な問題解決
- プログラミングによる例示は，AIの推論能力を測る重要なベンチマークとなりつつある。
- 既存手法では，変換と帰納を排他的に扱うか，一方のパラダイムが他方を支配する構造になっている。
- 変換と帰納を対等に組み合わせ，それぞれの推論能力を最大限に引き出すことを目指す。
- 提案手法TIIPSは，3つのプログラミングによる例示の領域で，最先端の基盤モデルを常に上回る性能を示した。
- TIIPSが生成するプログラムは，構文と意味の両方において正解の軌跡により近いことが示された。
- この結果は，協調的な推論が記号的推論とニューラル推論の潜在能力を最大限に引き出す有望な方向性であることを示唆する。
埋め込みベクトルインデックスのベンチマーク：VIBE [cs.LG, cs.IR]目的：埋め込みベクトルに対する近似最近傍探索のベンチマークフレームワーク
- 機械学習パイプラインにおいて，近似最近傍探索は性能に大きく影響するため，厳密な評価が不可欠である。
- 既存のベンチマークデータセットは，最新の機械学習アプリケーションを代表していないという課題がある。
- 最新のアプリケーションを反映したデータセットを用いて，ベクトルインデックスの性能を評価すること。
- VIBEは，最新のアプリケーションを代表する密な埋め込みモデルを用いてベンチマークデータセットを生成するパイプラインを提供する。
- 分布外(OOD)データセットを含み，現実世界のワークロードをより正確に表現できる。
- 22のオープンソースベクトルインデックス実装を11の分布内および8の分布外データセットで包括的に評価した結果を提供する。
セキュリティ運用センターにおける信頼に基づく自律性と人間とAIの協調のための統合フレームワーク [cs.AI, cs.CR]目的：セキュリティ運用センターにおける人間とAIの協調
- サイバー攻撃の高度化と頻発により，セキュリティ運用センターの効率化が不可欠である。
- 既存のフレームワークは自動化に偏り，人間による監視や信頼性の評価が不十分である。
- タスクの複雑さに応じたAIの自律度を調整し，人間とAIの最適な協調を実現する。
- 提案フレームワークは，AIの自律度を5段階に分け，各段階に対応する人間の役割と信頼閾値を定義する。
- シミュレーション環境におけるAI-Avatarの事例研究により，アラート疲労の軽減と対応能力の向上が確認された。
- 本研究は，AIが人間の意思決定を補完し，次世代の認知型セキュリティ運用センターを設計するための理論的・実践的基盤を提供する。
ワンポイント収縮：不可逆的な深層忘却に向けた表現分離性の消去 [cs.LG, cs.AI]目的：機械学習における忘却の克服
- データプライバシー保護の重要性が増しており，モデルから特定のデータを確実に削除する技術が求められている。
- 既存の機械学習アンラーニング手法は，表面的な予測結果の改善に偏っており，真の表現レベルでの忘却が不十分である。
- 表現レベルでの忘却を達成し，データの完全な削除を実現すること。
- 既存のアンラーニング手法は，忘却対象の情報を隠蔽するだけであり，表現自体は保持していることが示された。
- 提案手法であるOne-Point Contraction (OPC)は，忘却対象の特徴量を原点に収縮させ，表現レベルでの忘却を実現する。
- OPCは，FM-recovery攻撃への耐性，再学習への抵抗，保持データと忘却データの分離を実現し，高い精度を維持する。
重要度に基づく剪定：Magnitudeに依存しない構造的剪定のための射影オフセット [cs.LG, cs.AI]目的：重要度に基づく構造的剪定における新たなフレームワーク
- ニューラルネットワークの圧縮は，モデルの効率化と実用化のために不可欠である。
- 既存の重要度指標は，フィルタのスケールに依存し，適切でない評価を招く場合がある。
- スケール不変な重要度指標を開発し，より効果的なニューラルネットワーク圧縮を実現する。
- IPPROは，フィルタを実射影空間に埋め込むことで，スケール依存性の問題を解決する。
- PROscoreは，単一の勾配ステップでの角度変位を測定し，フィルタの機能的重要度を捉える。
- 実験により，IPPROが既存手法を凌駕し，特に高圧縮率下で優れた性能を示すことが確認された。
生成モデルから埋め込みモデルへ：ゼロショット識別埋め込みモデル構築によるマルチモーダルLLMの潜在能力の活用 [cs.HC, cs.LG, cs.AI, cs.IR]目的：マルチモーダル埋め込み空間の構築
- マルチモーダルな情報処理は，人間が世界を認識する方法に近づく上で重要である。
- 既存の埋め込みモデル構築は，大量の計算資源を必要とし，偽陰性の問題がある。
- 少ないデータで，ロバストなマルチモーダル埋め込み空間を構築することを目指す。
- 階層的な埋め込みプロンプトにより，タスク定義をシステムレベルで明示し，モダリティ間のギャップを解消した。
- Self-aware Hard Negative Sampling (SaHa) によって，セマンティックに誤った負例を厳密にフィルタリングするクエリ空間でのサンプリングを実現した。
- 大規模マルチモーダル埋め込みベンチマークにおいて，標準的な訓練データのごく一部を用いて，競争力のある性能を達成した。
一般化された滑らかなノイズを用いた去ノイズスコアマッチングの不均一分散性 [cs.LG, stat.AP, stat.ML]目的：去ノイズスコアマッチングにおける不均一分散性の理論的解析と，その分散を均一化する重み関数の導出
- スコアマッチングは，正規化定数を計算せずに確率分布の対数密度勾配を推定する強力な手法であり，様々な分野で基盤技術となっている。
- 去ノイズスコアマッチングは広く用いられているが，真のスコアマッチングと同等であるとは限らず，理論的な理解が不十分であった。
- 去ノイズスコアマッチングの持つ不均一分散性の問題を解決し，より安定した学習を可能にする重み関数を導出することを目指す。
- 去ノイズスコアマッチングの目的関数が本質的に不均一分散性を持つことを数学的に証明した。
- 分散を均一化する理想的な重み関数を導出し，その近似解が勾配分散の低減に寄与することを示した。
- 提案手法が，既存のIsotropic Gaussian Diffusionにおけるヒューリスティックな重み付けの理論的根拠を与えることを示した。
文脈内学習における自発的な物理表現の解明 [cs.MM, cs.CL, cs.AI, cs.LG]目的：大規模言語モデルにおける物理的推論能力のメカニズム解明
- 物理法則は普遍的であり，現実世界の理解に不可欠である。そのため，AIが物理を理解することは重要。
- 大規模言語モデルの文脈内学習のメカニズムは未だ解明されておらず，その過程が不明である。
- 文脈内学習において，大規模言語モデルが物理概念をどのように獲得するかを明らかにすること。
- 大規模言語モデルは，与えられた履歴データに基づいて物理現象を予測する能力を示す。
- モデルの内部活性化に，エネルギーなどの物理量との相関が認められ，文脈の長さとともにその相関は強まる。
- エネルギーとの相関が強い活性化は，予測精度に強く寄与しており，単なる入力情報の模倣ではないと考えられる。
トークンバンチャー：有害な強化学習ファインチューニングからLLMを保護 [cs.LG, cs.CL]目的：LLMに対する有害な強化学習によるファインチューニングの防御
- LLMの能力向上に伴い，悪用リスクも増大しており，安全性確保が重要である。
- 従来の防御策は主に教師あり学習による悪用を想定しており，強化学習による悪用への対策が遅れている。
- 強化学習による悪用を効果的に抑制し，LLMの安全性を高めることを目指す。
- 提案手法TokenBuncherは，強化学習が依存するモデル応答のエントロピーを抑制することで，有害な行動への誘導を妨げる。
- エントロピーを報酬として活用する強化学習と，トークンノイザー機構により，有害能力の悪化を防ぐ。
- 複数のモデルと強化学習アルゴリズムを用いた実験で，TokenBuncherは有害なファインチューニングを効果的に軽減し，通常の性能を維持することが示された。
文脈内学習におけるタスク指向情報除去のメカニズム [cs.LG, cs.AI, cs.CL]目的：文脈内学習におけるタスク指向情報除去メカニズムの解明
- 大規模言語モデルの性能向上に伴い，少ないデータで学習する文脈内学習への注目が集まっている。
- 文脈内学習の内部メカニズムは未だ解明されておらず，その効果的な活用を阻害している。
- 文脈内学習がどのように不要な情報を除去し，タスクに集中しているのかを明らかにすること。
- ゼロショット学習では，言語モデルがすべてのタスクに関する情報を隠れ状態にエンコードし，タスクに集中できないことが示された。
- 低ランクフィルタによる隠れ状態からの特定の情報除去が，言語モデルを意図したタスクに導くことが確認された。
- 少数の事例を用いた文脈内学習は，この情報除去プロセスを効果的にシミュレーションし，性能向上に寄与することが明らかになった。
- 情報除去操作を担う重要なアテンションヘッド（ノイズ除去ヘッド）が特定され，そのアブレーション実験により文脈内学習の精度が大幅に低下した。
SimulRAG：シミュレーターに基づくRAGによる，長文科学QAにおけるLLMの根拠付け [cs.CL, cs.LG]目的：長文科学QAにおけるLLMの幻覚軽減と，信頼性向上
- 科学的根拠に基づいたLLMの回答は，研究や意思決定において不可欠である。
- LLMは長文科学QAにおいて，根拠のない主張や矛盾した情報を生成しやすい。
- シミュレーターを活用し，回答の根拠検証と更新を効率化することで，LLMの信頼性を向上させる。
- SimulRAGは，テキストとシミュレーターのパラメータ/出力を相互変換する汎用的な検索インターフェースを導入した。
- SimulRAGは，不確実性推定とシミュレーター境界評価（UE+SBA）を用いて，選択的に主張を検証・更新することで効率と質を向上させた。
- 実験の結果，SimulRAGは既存のRAGベースラインと比較して，情報量で30.4%，正確性で16.3%の改善を示した。
エージェントランドの悪意：AIサプライチェーンにおけるバックドアの深淵 [cs.CR, cs.AI, cs.LG]目的：AIサプライチェーンにおけるバックドアの埋め込みと，その引き起こす安全性・悪意のある行動
- AIエージェントの能力向上は重要だが，サプライチェーンのセキュリティ脆弱性が看過されてきた。
- データ収集パイプラインへの攻撃による，検出困難なバックドアの埋め込みという問題が存在する。
- AIエージェントの学習パイプラインに特有の脆弱性を悪用する環境汚染攻撃に対処すること。
- わずかな量のデモンストレーションデータへの汚染で，機密情報漏洩を引き起こすバックドアを埋め込むことが可能。
- ３つの脅威モデル（データ汚染，事前バックドア化モデル，環境汚染）全てが，エージェントベンチマーク上で有効性を示す。
- 情報漏洩の成功率は80％を超え，バックドアの危険性が浮き彫りになった。
偏微分方程式に対する係数変換ニューラル演算子 [cs.DC, math.NA, cs.LG, cs.NA]目的：偏微分方程式の解作用素近似手法
- 偏微分方程式は科学技術の様々な分野で基本となるため，効率的な解法開発が重要である。
- 従来の演算子学習は，入力・出力表現に依存し，高次元化やデータへの依存性が課題となっていた。
- 固定された基底を用いて，入力・出力の係数変換を学習することで，これらの課題を解決する。
- 提案手法FB-C2CNetは，データに依存しない固定された近似空間でPDEの解写像を学習する。
- 基底選択とネットワーク学習を分離することで，学習パラメータ数を削減し，計算コストを低減する。
- 様々な偏微分方程式問題において，既存手法と同等以上の精度と効率が確認された。
韓国語の毒性検出と無害化のための難読化ルール [cs.CL, cs.AI]目的：韓国語の毒性表現の難読化パターンと，それに対応するデータセット
- 言語モデルのオンライン利用拡大に伴い，有害コンテンツ対策が重要となっている。
- 既存研究は難読化されていないテキストに偏り，意図的な隠蔽への対応が課題である。
- 韓国語特有の形態素構造や文字変形を利用した難読化に対処するデータセットを構築する。
- 本研究では，韓国語の毒性表現の難読化パターンを分類し，現実の事例に基づいた変換ルールを定義した。
- 提案データセットKOTOXを用いて訓練したモデルは，難読化されたテキストの処理性能が向上することが示された。
- 本データセットは，韓国語における難読化された有害コンテンツの理解と軽減に貢献すると期待される。
境界ガイダンス：フィルタリングされた生成のための境界制御 [cs.LG, cs.CL]目的：有害または好ましくない出力をフィルタリングする安全性分類器を備えた生成モデルの性能向上
- 生成モデルの安全性確保は重要であり，特に有害な出力の抑制が求められている。
- 生成モデルを安全性分類器に適合させると，誤検出と見逃しが増加する可能性がある。
- 安全性と有用性の両方を向上させる，分類器の境界から生成を遠ざける手法の提案。
- 境界ガイダンスは，生成モデルのファインチューニングにおいて，分類器の決定境界付近への生成を抑制する。
- 評価により，境界ガイダンスは，安全性の評価と有用性の評価の両方で性能が向上することが示された。
- モデルの規模や報酬設計にかかわらず，このアプローチの堅牢性が確認された。
胎児超音波解釈のための認識的視覚言語基盤モデル [cs.CV, cs.AI, cs.IR, cs.MM]目的：胎児超音波画像からのレポート生成と診断
- 医療画像診断の精度向上は，周産期医療の質を向上させる上で不可欠である。
- 胎児超音波画像は，多角的な視点と多様な疾患が存在するため，既存のモデルでは十分な性能を発揮できない。
- 胎児超音波画像特有の課題を克服し，診断支援の精度向上を目指す。
- FetalMindは，既存のオープンソースおよびクローズドソースの基盤モデルを全ての妊娠段階において上回る性能を示した。
- 特に重篤な疾患の検出精度において，平均+14%の改善，+61.2%の高い精度を達成した。
- 大規模データセットFetalSigma-1Mの構築により，胎児超音波分野におけるデータ不足の問題を解決した。
大規模言語モデルにおける敵対的接尾辞の転移可能性に関する理解に向けて [cs.IR, cs.DC, cs.CC, cs.CL, cs.AI]目的：敵対的接尾辞の転移可能性を規定する統計的特性の特定
- 大規模言語モデルの安全性確保は重要である。悪意のある入力からモデルを保護する必要がある。
- 敵対的接尾辞による攻撃は，モデルの脆弱性を示す。その転移性は未解明な点が多い。
- 転移可能性を説明する統計的特性を特定し，攻撃成功率の向上に貢献することを目指す。
- プロンプトが拒否方向をどれだけ活性化させるか，接尾辞がその方向からどれだけ押し出すかが転移成功と強い相関関係にある。
- これらのシフトの大きさ（拒否方向への直交方向における大きさ）も転移成功に重要な役割を果たす。
- プロンプトのセマンティック類似性は，転移成功との相関は弱いことが示された。
GraphCliff：微細な分子構造の違いによる活性変化を捉えるための短長距離ゲーティング [eess.SY, cs.SY, cs.CE, cs.AI]目的：活性クリフの識別性能向上
- 創薬研究において，分子構造と生物活性の関係性を定量的に理解することは重要である。
- 活性クリフと呼ばれる，構造的に類似する化合物間で活性が大きく異なる事例が存在する。
- 活性クリフを正確に識別し，分子構造と活性の関係性をより良くモデル化すること。
- GraphCliffは，ノードレベルで短距離および長距離情報を統合することで，従来のグラフニューラルネットワークの課題を克服した。
- 実験結果から，GraphCliffは活性クリフおよび非クリフ両方の化合物において，既存モデルと比較して性能が向上することが示された。
- 層ごとの埋め込み分析により，構造的に類似する分子間の識別能力が向上したことが確認された。
深層Q学習における後続状態予測によるQ値更新の強化 [cs.LG]目的：深層Q学習におけるQ値更新の安定化と効率化
- 強化学習は，報酬を最大化する行動戦略を学習する有用な手法であり，多様な分野に応用されている。
- 深層Q学習では，過去の行動によって生成された状態に依存した更新が行われ，分散が大きくなる場合がある。
- 後続状態予測を用いて，より安定かつポリシーに沿った価値更新を実現し，学習効率を向上させる。
- 提案手法SADQは，環境ダイナミクスを確率的遷移モデルで明示的にモデル化する。
- SADQは，後続状態分布をQ値推定プロセスに統合し，価値更新の安定性とポリシー整合性を高める。
- 理論的な保証により，SADQは無バイアスな価値推定を維持しつつ，学習時の分散を低減することが示された。
組み込みエッジコンピューティングにおける人工ニューラルネットワークの量子化効果 [cs.NE, physics.ins-det]目的：人工ニューラルネットワークの量子化による性能評価
- 組み込み機器の普及に伴い，低消費電力かつ高速な推論処理が重要となっている。
- ニューラルネットワークは計算資源を多く必要とし，組み込み環境での利用が課題である。
- 量子化技術を用いて，ニューラルネットワークの計算量とメモリ使用量を削減する。
- Post-Training Quantization (PTQ) は，U字型CNN (U-Net) アーキテクチャにおいて，メモリ使用量を4分の1に削減できることが示された。
- 非微分可能なカスタムBNNの学習には，遺伝的アルゴリズム (GA) を用いたハードウェア制約学習アプローチが提案された。
- LUTベースのBNNアーキテクチャは，VHDLへの直接変換が可能であり，ナノ秒規模の推論遅延 (10-15 ns) を実現した。
ダイナミクス変化下における決定シーケンス学習のためのターゲット適合型融合 [cs.LG, cs.AI]目的：ダイナミクス変化下における決定トランスフォーマー学習のための外部軌道データの融合
- オフライン強化学習において，限られたデータで高性能な方策を学習することが課題であり，外部データ活用が重要視されている。
- 外部軌道データは，ターゲット環境とのダイナミクス変化により，矛盾が生じやすく，有効活用が難しいという問題がある。
- ターゲット環境の構造と実現可能性に適合する外部軌道データの融合手法を開発し，性能向上を目指す。
- 提案手法TAF-DTは，D4RLスタイルの制御タスクにおいて，既存のオフライン強化学習手法やシーケンスモデルと比較して，最も優れた集約性能を示した。
- TAF-DTは，軌道データの選択にMMD，重み付けに最適輸送を使用することで，ターゲット環境の構造と実現可能性に適合した融合を実現した。
- 得られた結果から，ダイナミクス変化下において，外部軌道データをターゲット環境に適合させることは，有効な手法であることが示唆された。
π-Attention: 長文コンテキストモデリングのためのオンライン効率的な疎なTransformer [cs.CL, cs.AI]目的：長文コンテキストモデリングのためのオンライン効率的な疎なAttention機構
- Transformerは自然言語処理の基盤技術であり，長文の処理能力が課題である。
- 従来の疎なAttention機構では，長距離依存関係のモデリングに限界があった。
- オンラインで効率的にAttentionを計算し，長距離依存関係を捉えることを目指す。
- 提案手法π-Attentionは，局所的な近傍に加え，π-インデックスに基づく長距離の情報を動的に取得する。
- π-Attentionは，従来の疎なAttention機構と比較して，4Kから32Kのコンテキスト長において，一貫した性能向上を示した。
- 計算コストを線形に抑えつつ，密なAttention機構に匹敵する品質を達成した。
STREAM-VAE：車両テレメトリ異常検知のためのデュアルパスルーティング [cs.LG, cs.AI]目的：車両テレメトリデータの異常検知
- 自動車の安全性向上は重要であり，異常検知はその鍵となる技術である。
- 既存手法は，異なる時間スケールの信号を分離できず，検知精度が低い。
- 遅いドリフトと速いスパイクを分離し，より高精度な異常検知を実現する。
- 提案手法STREAM-VAEは，デュアルパスエンコーダにより，ドリフトとスパイクのダイナミクスを分離する。
- 実験により，既存の予測，注意機構，グラフ，VAEベースラインと比較して，STREAM-VAEが頑健性で優れていることが示された。
- 本手法は，車載モニターおよびバックエンドフリート分析の両方で安定した異常スコアを提供する。
BI-RADS適合形体学的事前知識を用いたマルチタスク学習による乳房超音波セグメンテーションの外部妥当性検証 [cs.CV, cs.AI]目的：乳房超音波画像のセグメンテーションと悪性度分類の性能向上
- 乳房超音波検査は，乳がんの早期発見に不可欠であり，診断精度向上が求められている。
- 画像取得システムや患者集団の違いによるドメインシフトが，セグメンテーションモデルの汎化性能を阻害する。
- 臨床的に妥当な形体学的制約を組み込み，ドメインシフト下でのセグメンテーションと悪性度分類の精度を向上させる。
- 提案手法は，セグメンテーション（DC: 0.764 vs. 0.740）と悪性度分類（AUC: 0.818 vs. 0.791）において，単一タスクベースラインを上回る性能を示した。
- 4つの独立データセット間でのすべての組み合わせによる外部検証を行い，安定した性能が確認された。
- 学習された形体学的重みは，全てのデータセットで一貫しており，境界の粗さが最も重要な特徴であることが示唆された。