#研究/論文40件

LHCデータからRiemannian flow matchingで標準モデル構造を学習する

LHCデータから標準模型の構造を学習するため、Riemann流束マッチングモデル「ShellFlow」を提案します。このモデルは、単一のモンテカルロサンプルではカバーできない広範囲の不変質量を捉え、物理的な事前知識を限定的に使用して粒子生成を行います。

ATLAS: 自動科学のための能動的理論学習

科学的理解を自動化するため、ATLAS（Active Theory Learning for Automated Science）を提案。機械論的仮説生成と実験計画を組み合わせた能動学習フレームワークにより、解釈可能な行動モデルのデータ駆動的発見を自動化し、認知科学分野の進展を促進。

正規化フローによる、 the nuisance parameters を伴う尤度フリー推論

尤度フリー推論において、正規化フローを用いた新しい手法を提案する。この手法は、ノイズパラメータが存在する場合でも、分布から得られたサンプルのみを用いて、重要な統計量を自然に発見できることを示す。

ギャップエントロピー予想の正の解決

固定信頼度での最良アーム識別問題において、ギャップエントロピー予想を証明した。独立した単位分散ガウスアーム、[0,1]の平均、および一意の最適アームを持つ場合に適用される。

勾配降下法加速においてSilver Rateは（ほぼ）最適である

この論文は、滑らかな凸最適化において、あらかじめ定められた非負のステップサイズを持つ勾配降下法の加速性能の上限と下限を、銀率（Silver Rate）を用いて証明する。これにより、最適化アルゴリズムの収束速度に関する理論的な限界をより精密に理解するための知見を提供する。

解剖学にインスパイアされたニューラルネットワーク：SE(3)を用いたカテーテル誘導大動脈腸骨変形における損失とアーキテクチャへの解剖学的先入観のエンコード

解剖学的知識を組み込んだニューラルネットワーク（AINN）を提案。損失関数やアーキテクチャに解剖学的事前知識をエンコードし、データ不足時の汎化性能を向上させる。

ニュートン法の原始加速

ニュートン法の新しい直接加速手法を提案。リプシッツ連続ヘッセ行列を持つ凸関数最小化問題に対して、プライマル変数のみを使用し、各反復で1回の線形ソルブでグローバル収束率O(1/k^3)を達成する。

解釈可能なAI：中国中部の2026年夏の乾燥異常を予測

この研究では、深層学習モデルを用いて、大気循環の予測から2026年夏の中央中国における乾燥異常を予測しています。既存の予測モデルよりも高い予測スキルを示し、過去のアナログ年における精度を再現しています。これは、気候変動予測におけるAIの応用可能性を示唆するものです。

最適なエージェントPACアルゴリズム

VC次元 $d$ の有限クラス $H$ に対し、統計的に最適なリスク限界を達成するPAC学習アルゴリズムを構築した。このアルゴリズムは、$n$ 個の独立同分布サンプルから、$0 < ext{δ} e 1/2$ となる確率 $1- ext{δ}$ 以上で、学習リスク $L( ext{ĥ})$ が $L^* + 7 imes 10^8 imes ( ext{sqrt}(

損失は基盤を見ないが、Adamは見ている

勾配降下法とAdamの挙動の違いを解析し、Adamが低ランク解に暗黙的にバイアスされない理由を明らかにします。ゲージ対称性が鍵となります。

ERUnderstand: 構造化ERダイアグラムにおけるVision-Language Modelの評価

ER図の構造的理解に関する大規模ベンチマークERUnderstandを構築。教育資料、実世界のスキーマ、合成データから2,960のER図を収集し、多様なドメインと複雑さをカバー。AI支援データベースエンジニアリングのための基盤を提供する。

不規則時系列データにおける因果発見

不規則にサンプリングされた時系列データに対する因果発見手法を提案。状態芸術手法PCMCI+を拡張し、センサーデータや金融取引など、実世界の不規則なイベントストリームに対応可能な因果関係の発見を可能にする。

最新VLMにおける強力なピクセルレベル画像改ざん検出のためのシンプルなドメイン汎化

現代のVLMによる画像編集能力向上に伴い、ピクセルレベルの改ざん検出の重要性が増している。本研究では、異なるVLM生成の操作分布に頑健なドメイン汎化モデルを学習し、クロスモデル・アウトオブディストリビューションシフトに対応する検出手法を提案する。

計算プロパガンダによる事前学習データの汚染

学習データへの計算プロパガンダによる「汚染」の可能性を指摘。大規模かつ多様な事前学習コーパスを対象に、データキュレーションパイプラインとの相互作用も考慮した、検出・緩和が困難な有害行動の導入を実証。

有向非巡回グラフ上のディープガウス過程

DAG（有向非巡回グラフ）に沿った関数合成として表現されるプロセスを扱うためのディープガウス過程を提案。不確実性伝播や推論の課題に対処し、因果モデリングや工学分野への応用を目指す。

Lean-QIT: 量子情報理論のための形式的インフラストラクチャに向けて

Lean-QITは、量子情報理論（QIT）のための形式的インフラストラクチャを構築。コーディング定理の形式化を支援し、量子通信、計算、誤り訂正の分野における理論的基盤を強化する。

言語知能のためのスケーラブルな視覚事前学習

この研究は、テキストだけでなく視覚情報（図、数式、レイアウト）も活用して言語モデルを事前学習するアプローチを提案。これにより、テキストだけでは捉えきれない知識を言語知能に組み込むことを目指す。

アイデアにはゲノムがある：科学的系統推論と系統に基づくアイデア生成のベンチマーキング

科学的アイデアの進化をゲノムになぞらえ、その継承構造をAIが理解できるかを評価するベンチマークIdeaGene-Bench (IG-Bench)を提案。科学的 lineage 推論と lineage に基づくアイデア生成に焦点を当てる。

人間とLLMの研究アイデアのギャップを測定する

LLMが生成する研究アイデアと人間が生成する研究アイデアのギャップを測定するフレームワークを構築。高品質な人間による研究論文からアイデアを逆算し、LLMのアイデアとの比較を通じてギャップを定量化する。

Ab Initio対称性とグローバル核質量を解釈可能なニューラルネットワークでブリッジング

原子核の結合エネルギーを、解釈可能なニューラルネットワークと対称性（SU(4), SU(3)）を組み合わせてモデル化。高精度予測ではなく、物理的洞察の獲得を目的とする。

プライバシーのためのきめ細かな指標としての予測可能性

差分プライバシーの最悪ケースにおけるプライバシー-精度トレードオフを緩和するため、予測可能性によるプライバシーという新たなフレームワークを提案。攻撃者の知識を明示的に組み込み、よりきめ細やかなプライバシー測定を実現。

最適決定論的マルチキャリブレーションとオムニプレディクション

ミニマックス最適サンプル複雑性 $\widetilde O(\varepsilon^{-3})$ を達成する決定論的多重較正と全予測器について、ランダム予測器に依存しない、決定論的な方法を提案。信頼性の高い機械学習の基盤となる多重較正の効率化に貢献。

[5775] Flood and Harvest：言語生成のレンズを通して、極限状態における価値ある数学生成に必要なトリビアの証明可能な必要性

言語生成の観点から、数学的価値の生成における「トリビア（些末な情報）」の必然性を理論的に探求する論文です。証明支援系と連携したAIによる形式数学生成が進む中、検証可能性と数学的価値のギャップを埋めるための、言語生成プロセスにおける些細な情報の重要性を浮き彫りにします。

マルチモーダル学習におけるフェーズダイアグラム：いつアラインメントし、いつ予測するか

マルチモーダル学習におけるクロスモーダルアラインメントとクロスモーダル予測の適した場面を体系的に理解するアプローチを提案。科学分野での実践者に有用な知見を提供する。

トポロジカルニューラルオペレーター

セル複体上の作用子学習のための「Topological Neural Operators (TNOs)」を導入。離散外微分積分学により、次元間の明示的な結合を可能にし、細胞次元に依存する特徴をモデル化。

Echo-Memory：アクションワールドモデルにおけるメモリの制御研究

行動条件付き世界モデルにおける記憶メカニズムを制御された実験で研究する「Echo-Memory」を提示。記憶設計の比較を容易にし、バックボーンや訓練方法との絡みを解消。

IdeaAMBIG：研究アイデア仕様における実装クリティカルギャップのベンチマーク

本論文は、研究アイデアの仕様が実装に十分かどうかを評価するためのベンチマーク「IdeaAMBIG」を提案する。研究アイデアの提示方法が、実装者やAIエージェントが仮定なしに実装できるだけの十分な情報を含んでいるかを評価する。

言語生成の限界における特徴付け：有限の証人と分離幅階層

言語生成における「リミットでの生成」タスクを分析し、有限の証拠と分離幅の階層によって特徴づける。これは、無限言語のすべての網羅的な正の提示から、未見の有効な要素を生成するタスクである。

因果確率的説明のための計算実行可能フレームワーク

因果構造を考慮した確率的説明の計算論的に実行可能なフレームワークを提案。既存手法の計算量の問題や因果構造の無視を克服し、より信頼性の高い原因帰属を可能にする。

ネステロフを超える勾配降下法の下界の改善

滑らかな凸最適化における所定のステップサイズによる勾配降下（GD）の加速限界を研究する。新たな下界を証明し、既存の最良の結果を改善する。

アフィン潜在パラメータ化を持つニューラルネットワークのシャープ近似率

パラメータ効率の良いニューラルネットワーク生成手法において、低次元潜在表現からネットワークパラメータを生成する際の近似精度を解析。アフィン潜在パラメータ化を持つニューラルネットワークのシャープな近似率を導出する。

干渉グラフが進化するとき：動的ピア効果の二重に頑健な推定

動的なネットワーク構造を持つ状況下での効果推定手法を提案。時間的集約されたピアエクスポージャーと、ネットワーク進化のサマリーを考慮し、介入・ピア・ネットワーク進化の独立した効果を識別する。

スパースオートエンコーダーを用いたニュートリノfoundation modelにおける解釈可能な潜在表現の発見と利用

素粒子物理学分野で初めて、スパースオートエンコーダーに基づくメカニズム解釈を応用します。ニュートリノ基礎モデルを対象とし、モデル表現内に物理的概念の解釈可能なアトラスを特定します。厳格な検証プロトコルと因果的介入により、モデルの挙動を理解する手がかりを得ます。

ICON分解: モデル監査のための多変量概念レベル表現の解釈

ICON分解は、ディープニューラルネットワークの解釈可能性を高めるための多変量概念レベル説明手法です。ショートカット学習（訓練データ内の偽の相関関係の利用）を特定する際に、個々の概念を孤立して評価する従来手法の問題点を克服し、概念間の相関関係を考慮したより正確なモデル監査を可能にします。

散逸的従属時間偏微分方程式のための慣性多様体ニューラルオペレータ

減衰を伴う時間依存の偏微分方程式（PDE）を解くための新しいニューラルオペレータ「IMNO」を提案。システムの低次元構造を明示的に利用することで、物理的解釈性、精度、安定性を向上させます。

VIALS：生命科学におけるアーティファクトの視覚的解釈のためのベンチマーク

生命科学分野の視覚的アーチファクト解釈のためのベンチマーク「VIALS」を提案。161の解釈タスクからなり、バイオテクノロジー産業の研究ワークフロー全体を網羅する。

PerturbRx：患者の薬物応答予測のための治療条件付き潜在遷移学習

患者の薬剤応答予測のため、治療条件付き潜在遷移を学習するフレームワーク「PerturbRx」を提案。治療下での分子変化を明示的にモデル化し、患者・薬剤応答特徴量として利用する。