Ready2Unlearn: A Learning-Time Approach for Preparing Models with Future Unlearning Readiness
この論文は、メタ学習の原理に基づき、将来的なデータ削除要求に備えて学習段階からモデルを最適化する「Ready2Unlearn」という新しいアプローチを提案し、プライバシー保護やセキュリティの観点から、従来の反応的な手法よりも効率的で原理的な機械学習の忘却を実現することを示しています。
🤖 Category
cs.AI
5566 件の論文
FreeKV: Boosting KV Cache Retrieval for Efficient LLM Inference
FreeKV は、アルゴリズム側で推論のクリティカルパスから KV 選択を分離するスペキュレイティブ検索と微細な修正を、システム側で CPU/GPU メモリ間のハイブリッドレイアウトと二重バッファリングによるストリーミング検索を採用することで、精度を維持しつつ既存の KV キャッシュ検索手法を最大 13 倍高速化するトレーニング不要のフレームワークを提案するものです。
A Neuro-Symbolic Approach for Reliable Proof Generation with LLMs: A Case Study in Euclidean Geometry
この論文は、類似問題の提示と形式検証器によるフィードバックを組み合わせたニューロシンボリック手法を提案し、これにより大規模言語モデルの幾何学証明生成の精度を大幅に向上させることを示しています。
MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision
この論文は、検証セットを必要とせず、メタフィードバックに基づいて推論時に動的にマルチエージェントシステムの設計を自己進化させるフレームワーク「MAS-ZERO」を提案し、推論、コーディング、エージェントタスクにおいて既存の手法を上回る性能とコスト効率を実現することを示しています。
The Cell Must Go On: Agar.io for Continual Reinforcement Learning
本論文は、非エピソード的かつ動的に変化する環境における継続強化学習の研究プラットフォーム「AgarCL」を、ゲーム『Agar.io』に基づいて提案し、標準的な強化学習アルゴリズムおよび既存の継続学習手法の性能を評価した結果、AgarCL が提示する課題は安定性 - 可塑性のジレンマを超えたものであることを示しています。
Maximum Principle of Optimal Probability Density Control
本論文は、大規模な多エージェント制御問題に対処するため、確率分布空間における最適制御問題に対して最大値原理とハミルトン・ヤコビ・ベルマン方程式を確立し、深層ニューラルネットワークを活用した高次元問題に対する拡張可能な数値アルゴリズムを提案する理論的枠組みを構築したものである。
Stronger Enforcement of Instruction Hierarchy via Augmented Intermediate Representations
この論文は、大規模言語モデルにおけるプロンプト注入攻撃への防御を強化するため、入力層だけでなくネットワークの中間層にも特権情報を埋め込むことで、既存手法よりも最大 9.2 倍の攻撃成功率低下を実現する新しいアプローチを提案しています。
OCN: Effectively Utilizing Higher-Order Common Neighbors for Better Link Prediction
この論文は、高次共通近傍における冗長性と過平滑化の問題をそれぞれ直交化と正規化で解決する「直交共通近傍（OCN）」を提案し、リンク予測タスクにおいて既存の最善手法を平均 7.7% 上回る性能達成と理論的裏付けを示しています。
Representing local protein environments with machine learning force fields
本論文は、原子レベルの基盤モデルから得られる中間特徴量を用いた局所タンパク質環境の新しい表現手法を提案し、これが二次構造や化学的特性を効果的に捉えるだけでなく、NMR 化学シフトの予測において最先端の精度を達成する物理情報に基づく予測器の構築を可能にしたことを示しています。
MMTU: A Massive Multi-Task Table Understanding and Reasoning Benchmark
本論文は、表形式データの理解・推論・操作に関する専門家のレベルを包括的に評価するため、25 の実世界タスクと 2 万 8 千以上の質問からなる大規模ベンチマーク「MMTU」を提案し、最先端のモデルでも高い性能が求められていることを示しています。
BemaGANv2: Discriminator Combination Strategies for GAN-based Vocoders in Long-Term Audio Generation
本論文は、AMP モジュールと新規の Multi-Envelope Discriminator を導入し、長尺音声生成における時間的整合性や周期性のモデル化を強化した GAN ベースのボコーダ「BemaGANv2」を提案し、各種識別器の組み合わせ戦略を客観的・主観的指標を用いて体系的に評価したものである。
Co-LoRA: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients
この論文は、データとモデルの両方の異質性に対処し、タスク関連性を考慮した集約戦略と次元不変モジュール「Co-LoRA」を導入することで、現実的な多モーダル環境におけるパーソナライズド連合学習の性能を大幅に向上させる手法を提案し、40 のタスクを含む新しいベンチマークでその有効性を示しています。
Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning
本論文は、LLM の常識推論と古典的計画を融合させ、3D 環境における目標の文脈に応じた段階的な緩和（ゴール・リラクゼーション）を実現する「ContextMatters」を提案し、これにより未達成になりがちなタスクの成功率を大幅に向上させ、実世界ロボットでの実行も可能にしたことを示しています。
From Semantic To Instance: A Semi-Self-Supervised Learning Approach
この論文は、農業分野における密集・自己遮蔽物体のインスタンスセグメンテーション課題を解決するため、最小限の人手注釈で形状やテクスチャに焦点を当てた「GLMask」を用いた半自己教師あり学習アプローチを提案し、小麦の穂の検出で mAP@50 98.5% の最高精度を達成したことを報告しています。
Adaptive Batch-Wise Sample Scheduling for Direct Preference Optimization
本論文は、大規模言語モデルの学習状態に応じてバッチごとに訓練サンプルを動的に選択する新しいアルゴリズム「SamS」を提案し、DPO のコアアルゴリズムを変更することなく、計算コストを最小限に抑えつつモデルの汎化性能を大幅に向上させることを示しています。
A Simple "Motivation" Can Enhance Reinforcement Finetuning of Large Reasoning Models
この論文は、報酬関数の説明をプロンプトに組み込むことで大規模推論モデルの強化学習微調整を効率化する「MeRF（Motivation-enhanced Reinforcement Finetuning）」を提案し、その有効性を実証しています。
SUBARU: A Practical Approach to Power Saving in Hearables Using SUB-Nyquist Audio Resolution Upsampling
本論文は、サブ・ナイキストサンプリングと低ビット解像度を意図的に採用することで消費電力を 3.31 倍削減しつつ、モバイルプラットフォーム上でリアルタイムに動作する広帯域音声再構成手法「SUBARU」を提案し、ノイズ環境下での高品質な音声強調を実現する実践的なアプローチを提示しています。
LD-RPS: Zero-Shot Unified Image Restoration via Latent Diffusion Recurrent Posterior Sampling
本論文は、事前学習された潜在拡散モデルとマルチモーダル理解モデルを活用し、対データなしで多様な画像劣化をゼロショットで統一復元する「LD-RPS」を提案し、既存手法を上回る性能を実証したものです。
Noisy PDE Training Requires Bigger PINNs
この論文は、ノイズを含むデータを用いた物理情報ニューラルネットワーク（PINN）の学習において、誤差をノイズ分散以下に抑えるためにはネットワーク規模が一定の閾値を超えて大きくする必要があることを、ハミルトン・ヤコビ・ベルマン方程式などを用いた理論的解析と実験で実証しています。
A Robust Incomplete Multimodal Low-Rank Adaptation Approach for Emotion Recognition
本論文は、センサー故障やプライバシー保護により生じる不完全なマルチモーダルデータの問題に対処するため、モダリティ組合せごとの共有情報と固有特徴を分離し、表現空間の分離性に基づいて動的に学習比率を調整する新しいパラメータ効率型学習フレームワーク「MCULoRA」を提案し、感情認識タスクにおいて既存手法を上回る性能を達成したことを示しています。