4572 件の論文
この論文は、確率的変分不等式における「確率性バリア」を打破し、STORM 法と同一バッチ曲率検証を統合した新しいアルゴリズム「VR-SDA-A」を提案することで、非凸非凹最適化問題において最適なオラクル複雑度 O(ε⁻³) を達成しつつ、手動学習率調整なしで自動ステップサイズ適応を可能にする手法を確立したものである。
この論文は、重み行列の低ランク構造を利用した特異なベイズニューラルネットワークを提案し、従来の平均場近似よりもはるかに少ないパラメータ数で、深層アンサンブルに匹敵する予測性能と優れた外れ値検出・較正性能を実現することを示しています。
この論文は、統計力学の手法を用いて高次元における Classifier-free Guidance の「生成歪み」の発生を相転移として理論的に解明し、多様性の低下を防ぐために負のガイダンスウィンドウを備えた新しいガイダンススケジューリング手法を提案しています。
この論文は、大規模言語モデルのハルシネーションが、限られた容量下での情報理論的に最適な戦略として、事実と非事実のスコア分布間の最小 KL ダイバージェンスによって特徴づけられるレート歪み定理の必然的な帰結であることを示しています。
本論文は、物理的制約や時間的整合性を欠く場合が多いゼロショット動画生成モデルによる計画を、学習されたアクション条件付き世界モデルを用いた潜在空間軌道最適化によって実行可能な動作系列に接地する手法「GVP-WM」を提案し、ナビゲーションや操作タスクにおいて長期的な実行可能計画の回復を実証しています。
分散拡散モデルにおける生成品質は、数値的安定性ではなく、現在のノイズ除去状態と一致する専門家のデータ分布へ入力をルーティングする「専門家 - データ整合性」によって支配されていることが示されました。
この論文は、オンライン数学チューティングプラットフォームのデータを用いて、学習者のスキル向上を最大化する個人向け演習シーケンスを生成する文脈的トンプソンサンプリングに基づくバンドットアプローチを提案し、その有効性とスケーラブルな個人化学習の可能性を実証しています。
この論文は、有限の 4 次モーメントを持つ一般の非ガウスノイズ下における非対称スパイクテンソルモデルの最尤推定量の漸近的挙動を解析し、そのスペクトル分布や統計的限界がガウスノイズの場合と同一の普遍性を示すことを証明しています。
この論文は、k 項比較から得られる情報をペアワイズ比較の完全なトーナメントグラフとして集約し、推移閉包を計算することで追加のクエリなしに順位を導出する「BLITZRANK」という枠組みを提案し、LLM 再ランク付けにおいて既存手法を精度維持または向上させながらトークン使用量を大幅に削減する結果を示しています。
この論文は、大規模言語モデルの推論プロセスにおける冗長性を削減し、GRPO の限界を克服するために、長さやエントロピーに基づいてグループ応答を細かく重み付けする強化学習アルゴリズム「FGO」を提案し、性能を維持したまま推論コストを効果的に圧縮できることを示しています。
この論文は、ジェネリックな物体追跡の汎用性と堅牢性を向上させるため、JEPA アーキテクチャを拡張して追跡モデル自体の予測を行う「GOT-JEPA」フレームワークと、オクルージョン（遮蔽）の細かなパターンを捉えて追跡精度を高める「OccuSolver」を提案し、複数のベンチマークでその有効性を示したものです。
この論文は、オフライン強化学習において安全性の優先順位を厳密に維持し、理論的な保証と実証的な有効性を兼ね備えた新しいフレームワーク「LexiSafe」を提案するものです。
医療画像の空間的構造が弱い領域において、位置エンコーディングや [CLS] トークンを除去しパッチの置換不変性を導入した軽量モデル「ZACH-ViT」が、データ不足の条件下でも従来の Vision Transformer よりも優れた性能を発揮し、データ構造に適合したアーキテクチャ設計の有効性を示しました。
統計物理学の観点から新たな難問ベンチマークを提案し、公平な比較を通じて古典的アルゴリズムがグラフニューラルネットワークよりも依然として優れていることを示しました。
この論文は、大規模言語モデルを用いた自律型 AI 分析者が人間と同様に多様な分析結果を生み出すことを実証し、AI による科学的研究における結果のばらつきを可視化し、透明性を高めるための新たな規範（多宇宙報告とプロンプトの開示）の必要性を提唱しています。
本論文は、組合せオークションや機械学習の解釈可能性などにおいて重要なサブアディティブ集合関数の学習において、既知の事前分布に基づき追加の値問い合わせ（オフラインおよびオンライン）を戦略的に選択することで、欠損値による最小・最大補完間の加法誤差を最小化する手法を提案し、その理論的性質と実効性を検証したものである。
この論文は、大規模言語モデルが学習初期にバイグラム統計に基づく誤ったバイアスを形成し、それが学習を通じて解消されずに定着することで、文法判断タスクで持続的なエラーを引き起こす「早期構造と持続的誤り」という現象を、BabyLM 上の OPT モデルを用いた BLiMP ベンチマーク評価と質的・量的分析を通じて明らかにし、これを説明する「バイグラム仮説」を提唱している。
本論文は、臨床的な説明責任を高めるため、画像の特定領域を専門モデルで抽出し、それを証拠として活用して推論を行う「CARE」という、臨床ワークフローを模倣したマルチモーダル医療推論のためのエージェンティックフレームワークを提案し、既存の最先端モデルを上回る精度と信頼性を達成したことを示しています。
本論文は、拡散モデルにおける Classifier-Free Guidance (CFG) を制御理論の観点から再解釈し、従来の線形制御に起因する不安定性やオーバーシュートを解消するため、スライディングモード制御を適用した「SMC-CFG」を提案し、多様なモデルにおいて高いセマンティック整合性とロバスト性を達成することを示しています。
本論文は、コード分析タスクにおけるマルチタスク学習とパラメータ効率型微調整（PEFT）を統合した初の包括的評価を行い、単一の共有 PEFT モジュールがフル微調整に匹敵する性能を発揮しつつ、ストレージや計算コストを大幅に削減できることを示し、さらにタスクの組み合わせやモデル構造が成功に与える影響を明らかにした。