arXiv雑要約

• Top
• AI
• プログラム
• 画像・音声
• セキュリティ
• 数値解析

数値解析 - 2026/03/04 公開

• 積分および一様ノルムのサンプリング離散化に関する概観 [cs.RO, math.NA, cs.NA, math.FA]目的：積分および一様ノルムのサンプリング離散化

  • フーリエ解析，補間，近似理論等の基礎となる重要な研究分野である。
  • 有限次元空間における離散近似の誤差評価が十分に進んでいない。
  • 有限次元部分空間における確率測度を用いたノルムの離散近似手法を整理する。
  • 本研究は，近年発展してきた積分および一様ノルムのサンプリング離散化に関する最近の研究動向をまとめたものである。
  • 特に，著者らの最近の研究に焦点を当て，その証明の基礎となる主要なアイデアや手法を強調する。
  • この概観は，サンプリング離散化に関する他の３つの最近発表された概観論文を補完する役割を果たす。

  Link: https://arxiv.org/abs/2603.02459

• ランダウ＝リフシッツ＝ブロッフ方程式のスカラー補助変数有限要素法に関する誤差解析 [math.NA, cs.NA]目的：ランダウ＝リフシッツ＝ブロッフ方程式を解くためのスカラー補助変数法に基づく完全離散的適合有限要素スキーム

  • 強磁性体における磁化ダイナミクスを記述する上で，LLB方程式は重要なモデルである。
  • キュリー点以上の高温領域におけるLLB方程式の数値解法は，安定性と精度が課題である。
  • エネルギー保存性を有し，高精度な時間離散化スキームを構築し，厳密な誤差評価を行う。
  • 提案するスキームは線形であり，エネルギーノルムに関して無条件安定性を持つ。
  • スカラー補助変数に基づくエネルギー汎関数を用いた離散的なエネルギー保存則を満たす。
  • 適切な正則性仮定の下で，無条件エネルギー安定性と最適な誤差評価が導出された。

  Link: https://arxiv.org/abs/2603.02463

• 階層メッシュ上の局所緩和高速ポアソン解法 [math.NA, cs.NA]目的：ポアソン方程式の高速解法

  • 電気回路設計や流体シミュレーションなど，様々な科学技術計算においてポアソン方程式は不可欠である。
  • 従来の解法では，大規模な連立方程式を解く必要があり，計算コストが高いという問題がある。
  • 局所緩和法と階層メッシュを組み合わせることで，計算効率を向上させ，より高速な解法を実現することを目指す。
  • 提案手法は，ガウスの法則を厳密に満たしつつ，局所的なカールフリー更新を繰り返すことでポアソン方程式を解く。
  • 階層メッシュを用いることで，低周波成分の収束を加速し，計算複雑度をO(NlogN)に削減できる。
  • ポアソン・ボルツマン方程式やポアソン・ネルンスト・プランク方程式への適用により，高い精度と効率が確認された。

  Link: https://arxiv.org/abs/2603.02763

• 格子基盤深層ニューラルネットワーク：規則性と特注正則化 [cs.LG, cs.NA, math.NA]目的：深層ニューラルネットワークにおける格子規則の応用と理論

  • 高次元積分や関数近似において有効な準モンテカルロ法であり，機械学習への応用が期待される。
  • 深層ニューラルネットワークの汎化性能を理論的に保証する手法が確立されていない。
  • 格子規則に基づく学習点を用いることで，深層ニューラルネットワークの理論的な汎化誤差を評価する。
  • 格子規則と滑らかな活性化関数を組み合わせることで，深層ニューラルネットワークの規則性に関する明示的な上限を得た。
  • ネットワークパラメータの制約を導入することで，対象関数の規則性に合わせた深層ニューラルネットワークが良好な汎化性能を示すことを証明した。
  • 提案手法による正則化は，標準的なL2正則化よりも優れた性能を示すことが数値的に確認された。

  Link: https://arxiv.org/abs/2603.02809

• 離散化された線形静的状態ベースのペリダイナミック方程式の収束について [math.NA, cs.NA]目的：離散化された線形静的ペリダイナミックシステムの解の収束性

  • 近年，メッシュフリー法への関心が高まっている。複雑な問題の解析に適しているからである。
  • ペリダイナミック法は実装が複雑であり，収束性の理論的保証が不足している。
  • 離散化されたペリダイナミックシステムの解が連続解に収束することを数学的に証明すること。
  • 本研究では，離散化された線形状態ベースの静的ペリダイナミックシステムの解が，対応する連続解に収束することを解析的に証明した。
  • さらに，数値計算に適したモデルを得るため，離散方程式の項に1点ガウス積分を適用した結果，通常の規則格子を用いたメッシュフリー離散化と一致することがわかった。
  • 一般的な重み付け関数と入力データに対するより強い仮定の下で，改めて収束性が証明された。ただし，これらの仮定は実用上，それほど制限的ではない。

  Link: https://arxiv.org/abs/2603.02916

• 無限次元生成センシング [math.NA, cs.IT, cs.LG, cs.NA, eess.SP, math.IT, math.PR]目的：ヒルベルト空間における生成圧縮センシングの理論的枠組み

  • 逆問題のモデリングにおいて，従来のスパース性に基づく手法を超越する深層生成モデルの重要性が高まっている。
  • 既存の理論的保証は有限次元ベクトル空間に限定されており，物理信号をヒルベルト空間上の関数としてモデル化する際の課題となっている。
  • ヒルベルト空間における生成圧縮センシングのための厳密な理論的枠組みを確立し，安定な復元を可能にすること。
  • 無限次元における局所コヒーレンスの概念を拡張し，最適なサンプリング分布を導出した。
  • 制限された等方性特性の一般化により，測定数が事前分布の固有次元に比例する場合に安定した復元が成り立つことを示した。
  • 数値実験により，低解像度ジェネレータが暗黙の正則化として機能し，再構成の安定性を向上させることが示された。

  Link: https://arxiv.org/abs/2603.03196

• 潜在ニューラル常微分方程式動力学を持つ自己符号化器縮約次モデルにおける幾何学的正則化 [cs.CY, cs.LG, cs.NA, math.NA, physics.comp-ph]目的：自己符号化器縮約次モデルにおける学習された潜在表現の幾何学的正則化

  • 物理現象のモデリングにおいて，データ駆動型アプローチの重要性が増している。
  • 潜在空間の構造が適切でない場合，長期的予測の精度が低下する可能性がある。
  • 潜在空間の幾何学的構造を改善することで，長期的予測性能の向上を目指す。
  • 近傍等距性正則化，確率的デコーダ利得ペナルティ，二階方向曲率ペナルティは，潜在ダイナミクスの学習を困難にする傾向がある。
  • スティフェル射影は，学習された潜在ダイナミクスの条件付けに関する診断を改善し，ロールアウト性能を向上させる。
  • この設定では，潜在幾何学の不一致の影響が，デコーダの滑らかさ向上の利点を上回ると考えられる。

  Link: https://arxiv.org/abs/2603.03238

• 過渡期対流優勢問題に対する安定化有限要素解の物理情報に基づいた後処理 [math.NA, cs.LG, cs.NA]目的：過渡期対流優勢問題における安定化有限要素法の精度向上

  • 数値シミュレーションは工学設計において不可欠であり，現象の正確な予測が求められる。
  • 対流優勢な流れのシミュレーションでは，数値計算上の振動や不正確な解が得られやすい。
  • 物理情報ニューラルネットワークと有限要素法を組み合わせ，解の精度と効率を向上させる。
  • 提案手法は，終端時刻における安定化有限要素解の精度を大幅に向上させることを実証した。
  • 物理情報に基づいた後処理は，特に急峻な層や波動といった特徴を捉える上で有効である。
  • 終端時刻付近に焦点を当てたニューラルネットワークの適用により，計算コストを削減しつつ高い精度を実現した。

  Link: https://arxiv.org/abs/2603.03259

• 非斉次分数階微分方程式系の安定性判定アルゴリズム [math.DS, cs.NA, math.NA]目的：非斉次分数階微分方程式系の安定性判定

  • 制御理論や物理現象のモデリングにおいて，分数階微分方程式が有用である。
  • 分数階微分方程式系の安定性解析は，既存手法が複雑で効率が悪い。
  • 数値線形代数のアイデアを利用し，より簡便な安定性判定アルゴリズムを提案する。
  • 提案アルゴリズムは，既存手法よりも計算が容易であり，効率的な安定性判定が可能である。
  • 線形問題において，分数階の比が有理数の場合に詳細な分析を行い，その結果を非線形問題にも適用できる可能性を示唆した。
  • MATLABによる実装が提供されており，利用を促進する。

  Link: https://arxiv.org/abs/2603.02269

• 最適化におけるサドル点回避のための非自律中心安定集合定理 [physics.chem-ph, cs.CE, math.OC, cs.NA, math.DS, math.NA]目的：最適化アルゴリズムにおけるサドル点回避の証明

  • 最適化は機械学習等の基盤技術であり，その効率性は重要である。
  • 従来の定理では，ステップサイズが変化するアルゴリズムに対応できない。
  • ステップサイズが消失する場合でも，サドル点回避を保証する定理を確立する。
  • 本研究では，非自律系に対する新しい中心安定集合定理（CSST）を確立した。
  • この定理を用いて，勾配降下法や近接点法におけるサドル点回避を証明した。
  • 滑らかな勾配や孤立したサドル点の仮定なしに，ステップサイズが消失する場合でも有効である。

  Link: https://arxiv.org/abs/2603.02782

• ベソフドリフトを持つMcKean SDEに対するオイラースキーム：収束率と実装 [math.PR, cs.NA, math.NA]目的：McKean SDEに対する実装可能な数値スキームの提案

  • 金融モデリング等に応用が期待され，確率微分方程式の理論と応用の発展に寄与する
  • McKean-Vlasov SDEの数値解法は困難であり，既存の手法では実装が難しい場合がある
  • 分布ドリフトを持つMcKean SDEに対し，効率的かつ精度のある数値解法を確立すること
  • モル化とオイラー・マルヤマスキーム，およびフォッカー・プランク方程式に基づく近似を組み合わせた数値スキームを提案した
  • 提案スキームの強い収束性を証明し，平滑化パラメータと時間離散化のバランスに関する明示的な収束率を導出した
  • 数値実験により，スキームの適用可能性とMcKean相互作用項が解の分布に与える影響を確認した

  Link: https://arxiv.org/abs/2603.02793

• ボルテラ過程の高速シミュレーション：確率的カーネル特徴量と対数停留分数のブラウン運動への応用 [q-fin.MF, cs.NA, math.NA, math.PR]目的：ボルテラ過程の高速シミュレーション手法

  • 不規則な時系列データ分析において，ボルテラ過程は重要なモデルとして活用されている。
  • 従来のシミュレーション手法は計算コストが高く，大規模な問題への適用が困難である。
  • 確率的カーネル特徴量を用いることで，計算効率を向上させ，より現実的な問題を解決する。
  • 確率的カーネル特徴量近似に基づいた高速シミュレーションフレームワークが開発された。
  • ハミルトニアンモンテカルロ法によるカーネルスペクトル密度サンプリングの効率性と安定性が確認された。
  • 定量的誤差評価と実験結果から，提案手法の精度と計算効率が示された。

  Link: https://arxiv.org/abs/2603.02946

• 形状微分情報に基づくニューラル演算子：リスク回避型形状最適化への応用 [math.OC, cs.LG, cs.NA, math.NA]目的：不確実性下における形状最適化のための，形状微分情報を用いたニューラル演算子フレームワーク

  • 形状最適化は，工学設計において重要な役割を担う。複雑な形状最適化問題を効率的に解決することが求められている。
  • 従来の数値解析手法では，多数のサンプリングと計算コストが課題となる。ニューラルサロゲートは感度解析の精度が低い場合がある。
  • 形状変化と不確実性を考慮した形状最適化問題を，高速かつ高精度に解決することを目指す。
  • Shape-DINOは，設計変数と不確実パラメータに関する解とフレシェ微分を同時に学習することで，高精度な予測と信頼性の高い勾配を提供する。
  • この手法は，従来のPDEベースの手法と比較して，3〜8桁の速度向上を達成し，必要なPDEソルバの回数を1〜2桁削減する。
  • Shape-DINOは，複数の目的関数やリスク指標に対して再利用可能であり，大規模な形状最適化問題への応用が期待される。

  Link: https://arxiv.org/abs/2603.03211

• クラフォード数の半正定値計画法による特徴づけ [math.NA, cs.NA]目的：クラフォード数の特徴づけ

  • 組合せ最適化問題において，近似アルゴリズムの性能評価に重要な指標である。
  • クラフォード数の計算は，一般にNP困難であり，効率的なアルゴリズムが求められている。
  • 指定された精度範囲内でクラフォード数を多項式時間で計算する手法を確立すること。
  • 本研究では，半正定値計画法を用いてクラフォード数を特徴づける方法を提示した。
  • 提示された手法により，クラフォード数を$\varepsilon$の精度で多項式時間内に計算できることが示された。
  • 計算時間は，入力データサイズと $|\log \varepsilon |$ に依存する。

  Link: https://arxiv.org/abs/2403.08617

• 共有メモリ並列スペクトル遅延補正法の並列性能 [cs.CE, cs.DC, cs.NA, math.NA]目的：初期値問題の数値解法に対する並列スペクトル遅延補正法の並列性能

  • 海洋・大気モデルなど数値シミュレーションの精度向上が重要である。
  • 大規模問題における計算時間の課題が存在する。
  • 並列化による計算効率改善を目指す。
  • 並列スペクトル遅延補正法の実装により，計算時間の短縮が確認された。
  • \ICONモデルにおいて，既存のAdams-Bashforth-2積分法よりも高速化を実現した。
  • \SWEETモデルにおいて，逐次スペクトル遅延補正法および2次陰陽解法よりも高速化を示した。

  Link: https://arxiv.org/abs/2403.20135

• クロス拡散とサイズ排除を持つ一般化されたポアソン-ネルンスト-プランク系の有限体積法の収束と長時間の振る舞い [eess.SY, cs.SY, math.NA, cs.NA]目的：クロス拡散とサイズ排除を持つ一般化されたポアソン-ネルンスト-プランク系の数値解法

  • イオン輸送現象の理解は，生体内の情報伝達やエネルギー変換など，生命現象の根幹をなす重要な課題である。
  • 既存の数値解法では，複雑な形状におけるイオンの拡散や，サイズ排除の影響を正確に捉えることが困難であった。
  • 本研究は，複雑な形状におけるイオン拡散とサイズ排除の影響を考慮した，より精度の高い数値解法を確立することを目的とする。
  • 提案する有限体積法は，熱力学的に整合性があり，離散的な自由エネルギーの減衰を保証する。
  • 格子サイズと時間ステップをゼロに近づけるにつれて，スキームが収束することが理論的および数値的に示された。
  • 数値シミュレーションの結果は，理論的な知見を裏付けるとともに，平衡状態への収束が非常に遅い可能性を示唆している。

  Link: https://arxiv.org/abs/2411.11583

• 深層ニューラルネットワークの規則性と調整された正則化：不確実性定量化におけるパラメトリック偏微分方程式への応用 [math.NA, cs.NA]目的：高次元関数を近似するための深層ニューラルネットワークの規則性と正則化に関する理論的枠組み

  • 高次元関数の近似は，計算コストが高く，従来の数値解法では困難な問題である。
  • 深層ニューラルネットワークは強力な近似器であるが，過学習や汎化性能の理論的保証が課題である。
  • ターゲット関数の規則性に合わせたネットワークパラメータの制約により，汎化誤差を理論的に評価することを目的とする。
  • 滑らかな活性化関数を持つ深層ニューラルネットワークの混合導関数に関する明示的な上限を導出した。
  • ネットワークパラメータをターゲット関数の規則性に合わせることで，特定の近似誤差の上限を達成できることを示した。
  • パラメトリック偏微分方程式の例において，調整された正則化項を用いた深層ニューラルネットワークが良好な性能を示すことを実験的に確認した。

  Link: https://arxiv.org/abs/2502.12496

• ランダムサンプリング行列の逆変換における根本的なバイアス：サブサンプルド・ニュートン法への応用 [math.NA, cs.NA, math.OC, stat.ML]目的：ランダムサンプリング行列の逆変換におけるバイアスの修正

  • 機械学習や数値線形代数において，ランダムスキッチ手法は重要であり，その解析にはJohnson-Lindenstrauss理論などが用いられる。
  • ランダムスキッチの逆変換は，スキッチ自体は無バイアスであっても，バイアスを持つことが問題となっている。
  • 本研究では，ランダムサンプリング法および構造化ランダム射影におけるバイアスを修正し，サブサンプルド・ニュートン法の収束性を高める。
  • ランダムサンプリング，一様サンプリング，レバレッジに基づくサンプリングのバイアス修正手法を確立した。
  • ハダマール変換に基づく構造化ランダム射影に対してもバイアス修正が可能であることを示した。
  • これらの結果を用いて，問題に依存しない局所的な収束率をサブサンプルド・ニュートン法に対して導出した。

  Link: https://arxiv.org/abs/2502.13583

• テンソル積分解による行列フリーゴーストペナルティ評価 [math.NA, cs.NA]目的：カット有限要素法におけるゴーストペナルティ安定化の行列フリー実装

  • 複雑な形状のシミュレーションにおいて，カット有限要素法は有効な手法である。
  • 高次のゴーストペナルティの効率的な評価が，カット有限要素法のボトルネックとなっていた。
  • テンソル積分解を用いて，高次ゴーストペナルティの評価を効率化し，実装の簡略化を目指す。
  • テンソル積構造を利用することで，高次元におけるゴーストペナルティ評価を1次元の行列ベクトル積に帰着させた。
  • 要素次数kに対して，計算量はO(k^{d+1})となり，計算コストの大幅な削減に成功した。
  • 本手法は座標軸に沿った配置のセルに対して有効であり，deal.IIライブラリに実装された。

  Link: https://arxiv.org/abs/2503.00246

• ディフィーチャリング問題における平衡化フラックス事後誤差評価器に基づく適応細分化 [math.NA, cs.NA]目的：ディフィーチャリング問題に対する適応細分化戦略

  • 複雑な形状のシミュレーションにおいて，計算コスト削減とメッシュ生成の簡素化が重要である。
  • 形状簡略化は，精度を大きく低下させる可能性があるという課題がある。
  • 精度を大幅に向上させるために，再導入すべきフィーチャを選択的に決定する。
  • 提案する適応戦略は，標準的なメッシュ細分化に加え，幾何学的な細分化も行う。
  • 平衡化フラックス事後誤差評価器をカットFEM戦略と組み合わせることで，フィーチャの包含を可能にした。
  • ディフィーチャリングおよび数値誤差を両方とも評価し，境界条件の弱い適用による誤差も考慮できる。

  Link: https://arxiv.org/abs/2503.19784

• 楕円問題における固有値計算のためのPINNsアプローチ [math.NA, cs.NA, math.AP]目的：楕円問題の固有値計算手法

  • 工学や物理学の様々な分野で，構造解析や現象シミュレーションに不可欠である。
  • 従来の数値解法は，計算コストが高く，高次元問題への適用が困難である。
  • 深層学習を用いた効率的かつ高次元対応可能な固有値計算手法を確立する。
  • 本研究では，深層学習技術を用いて楕円問題の固有値を計算する手法を提案する。
  • 提案手法は，空間次元に依存せず，低次の固有値の事前計算なしに任意の固有値を計算できる。
  • さらに，非線形固有値問題にも容易に対応可能である。

  Link: https://arxiv.org/abs/2507.03126

• 開かれた境界を持つ非線形初期境界値問題に対する証明可能な境界フラックス関数 [cs.HC, cs.CY, cs.CL, math.NA, cs.NA]目的：非線形双曲型初期境界値問題の解に対する証明可能な境界を定める数値境界フラックス関数

  • 数値シミュレーションにおいて，境界条件の設定は計算精度と安定性に大きく影響する。
  • 従来の境界条件処理法は，線形解析に基づいているため，非線形問題では破綻することがある。
  • エントロピー安定性を保証し，外部データのみによって解が制限される境界フラックスを設計すること。
  • 非線形特性型ペナルティ項を数値境界フラックス関数として解釈する戦略を提示した。
  • 境界行列を用いた特殊な分解により，特性型変数に適したフラックスを定義することが可能になった。
  • 提案手法は，エネルギー安定性を持つバーガース方程式や2次元浅水方程式に対して有効であることが示された。

  Link: https://arxiv.org/abs/2511.04197

• 幾何依存性偏微分方程式に対する離散解演算子学習 [cs.CL, cs.LG, cs.NA, math.NA, physics.comp-ph]目的：幾何依存性偏微分方程式の解法

  • 工学分野では，複雑な形状が問題の性能に大きく影響するため，形状変化への対応が重要である。
  • 従来のニューラル演算子学習は，滑らかな変化を前提とするため，形状変化や境界条件の変化に弱い。
  • 形状変化に対応できる離散解法演算子学習により，よりロバストな解法を確立することを目指す。
  • DiSOLは，古典的な離散化の手法を模倣した学習可能な段階にソルバーを分解することで，幾何学的形状に依存する離散構造への適応を可能にする。
  • 幾何依存性ポアソン方程式，アドベクション拡散方程式，線形弾性方程式，時空熱伝導問題において，DiSOLは安定かつ正確な予測を実現した。
  • 本研究は，形状支配的な問題において手続き的な演算子表現の必要性を強調し，離散解演算子学習を科学機械学習の新たな方向性として位置づける。

  Link: https://arxiv.org/abs/2601.09143

• 境界積分に基づくニューラル演算子によるメッシュ変形 [math.NA, cs.CE, cs.LG, cs.NA]目的：メッシュ変形手法

  • 工学分野における形状最適化やパラメトリックメッシュ生成の信頼性向上は重要である。
  • 従来の有限要素法は計算コストが高く，既存のニューラル演算子はベクトル場に対するディリクレ境界条件の処理に限界がある。
  • 境界積分表現を用いることで，物理積分と幾何学的表現を分離し，汎用的な変形を可能とする。
  • 本研究で提案するBINOは，多様な境界条件に対して高い汎化性能を示すことが確認された。
  • 線形性と重ね合わせの原理を厳密に遵守し，柔軟な梁やNACA翼の大きな変形において高い精度を達成した。
  • 提案手法はメッシュ品質を保証し，計算効率に優れるため，新しいパラメトリックメッシュ生成や形状最適化のパラダイムとなりうる。

  Link: https://arxiv.org/abs/2602.23703

• 周期境界を持つ曲げ散乱問題に対する積分方程式 [math.NA, cs.NA]目的：周期境界を持つ壁や散乱体列による曲げ波の散乱の計算手法

  • 薄板の振動解析は，構造物の強度や耐震性に不可欠であり，その応用範囲は広い。
  • 周期的な境界条件を持つ薄板の散乱問題は解析が困難であり，効率的な計算手法が求められている。
  • 周期的な構造における波の散乱を効率的に解析するための積分方程式を開発し，その有効性を示す。
  • フロケ・ブロッホ変換を用いることで，問題を非結合な準周期問題の集合に変換することに成功した。
  • 準周期的な曲げグリーン関数に基づいた新規な積分方程式を用いて，各準周期問題を効率的かつ正確に解くことが可能になった。
  • 提案手法は，半無限散乱体列の接合部からの散乱シミュレーションにも適用可能であることが示された。

  Link: https://arxiv.org/abs/2603.00366

• 最小化手法とAIを用いた逆偏微分方程式問題の解決 [math.NA, cs.AI, cs.NA, math.AP, math.OC]目的：逆偏微分方程式問題解決のための手法開発

  • 物理・工学システムにおいて，現象予測と未知パラメータ特定は重要課題である。
  • 複雑なシステムに対する解析的解が得られない場合が多い。
  • AIを活用し，効率的な直接問題・逆問題解決を目指す。
  • ロジスティック微分方程式において，数値解法とPINNの性能検証が行われた。
  • 多孔質媒体方程式に対し，直接問題の高性能ソルバーと逆問題パラメータ推定技術が開発された。
  • PINNは，複雑なシステムに対する直接・逆問題解決において有望な手法となりうる。

  Link: https://arxiv.org/abs/2603.01731

• 最適化のための確率的制御手法 [math.OC, cs.LG, cs.NA, math.NA, math.PR]目的：最適化問題における確率的制御の枠組み

  • 複雑な最適化問題への応用が期待される分野であり，工学や経済学など広範な分野で重要である。
  • 従来の最適化手法では，非凸・非微分可能な関数を持つ問題への対応が困難であった。
  • 確率的制御を用いて，そのような複雑な最適化問題を効率的に解くことを目指す。
  • ユークリッド空間における最適化問題に対し，確率的制御問題による近似と動的計画法に基づく解析を行った。
  • 確率測度の空間上での最適化問題に対し，平均場制御問題とN粒子系による近似を導入した。
  • 正則化パラメータをゼロに近づけることで，制御問題の値が元の目的関数の大域的最小値に収束することを証明した。

  Link: https://arxiv.org/abs/2601.01248

• 1