4771 件の論文
この論文は、カーネル密度推定に基づく発散のワッサーシュタイン勾配流として「Drifting Model」を数学的に定式化し、モード崩壊とモードのぼやけを同時に回避する混合発散戦略や多様体への拡張を含む新しい生成モデルの枠組み「Gradient Flow Drifting」を提案し、その理論的根拠と有効性を示しています。
この技術ノートは、Optimistix ライブラリに基づき、JAX 環境で完全に互換性のある自己スケーリング・ブロイデン族（BFGS、DFP、ブロイデンおよびその自己スケーリング変種）と強 Wolfe 条件を満たすズーム線探索を実装したコードの概要と導入を目的としています。
この論文は、地理空間的意味文脈（GSC）を活用して音声イベントの曖昧さを解消する「Geo-AT」タスクを提案し、その評価基準となるデータセット「Geo-ATBench」と融合フレームワーク「GeoFusion-AT」を開発して、音声認識の精度向上と人間との整合性を検証したものです。
この論文は、数学や一般分野など多様な推論タスクにおいて、手動で設計された検証ルールに依存せず、大規模言語モデル自体を暗黙の検証器として利用し、生成された回答の条件付き期待尤度を報酬信号とする「条件付き期待報酬（CER）」を提案し、自由形式の回答にも柔軟に対応できる汎用的な強化学習手法を確立したことを示しています。
この論文は、ニューラルネットワーク内の「アクティブパス」に基づいた新規かつ説明可能な手法を提案し、侵入検知システムにおける機械学習モデルのバックドアトリガーを検出・除去する有効性を示す実験結果を報告しています。
この論文は、抽象解釈に基づく新しい帰納的説明手法「FAME」を提案し、大規模なニューラルネットワークにおいても説明のサイズを縮小しつつ計算を効率化し、VERIX+ などの既存手法を上回る性能を実証するものである。
この論文は、工業制御システム（ICS）における説明性とドリフト耐性を兼ね備えた異常検知を実現するため、時空間的注意機構とグラフニューラルネットワークを統合し、コンフォーマル予測による誤報制御を可能にする「STA-GNN」を提案するものです。
本論文は、核融合炉の磁気流体力学（MHD）問題において、限られた温度センサーデータから全状態を高精度に再構築するデータ駆動型の代理モデル「SHRED」の有効性を示し、リアルタイム監視・制御への応用可能性を明らかにしたものである。
この論文は、ブラックボックスモデルに対して敵対的サンプルを数学的に保証付きで計算する「Contract And Conquer（CAC）」手法を提案し、知識蒸留と探索空間の収縮に基づいて、既存の最先端手法を上回る性能を ImageNet データセットで実証したものである。
本論文は、データベーススキーマの進化がテキストから SQL への変換モデルの性能に与える影響を評価・改善するための包括的なベンチマーク「EvoSchema」を提案し、スキーマ変更の多様なタイプをシミュレートすることでモデルの堅牢性を向上させる道筋を示しています。
この論文は、リーマン多様体上の生成モデルにおいて、並行移動を用いた平均速度場と対数写像表現を組み合わせることで、数値積分や軌道シミュレーションなしに高品質なワンステップサンプリングを実現する「リーマン平均フロー（RMF）」を提案し、球面や SO(3) などの多様体上でその有効性を実証しています。
この論文は、予測器を用いて事前ラベル付けを行う学習強化型k-メディアンクラスタリング問題に対し、次元依存性を緩和し計算複雑性を大幅に改善する「サンプリング＆サーチ」という効率的なアルゴリズムを提案し、実験によりその有効性を示したものである。
この論文は、マルチテナント LLM 推論システムにおけるプレフィックスキャッシングのタイミング側面チャネル攻撃を、ユーザー間の完全な隔離ではなく、疑わしい共有のみを動的に制限する「CacheSolidarity」という軽量システムにより、性能と効率を犠牲にすることなく防御することを提案しています。
本論文は、Fashion-MNIST データセットを用いた実験を通じて、H-CNN VGG16 と GoogLeNet の二つのアーキテクチャにおけるモンテカルロドロップアウトとコンフォーマル予測による不確実性推定を比較し、GoogLeNet がより適切に較正された不確実性を示し、コンフォーマル予測が統計的に保証された予測セットを提供することで高リスクな意思決定における信頼性の向上に寄与することを明らかにしています。
この論文は、ドキュメント化に依存する従来の手法の限界を克服し、ランタイムでデータ漏洩を検知・拒否する7つのカーネルプリミティブと4つの制約からなる構造的な文法を提案し、その有効性を3つの言語実装と大規模な実証研究によって立証しています。
既存の深層学習モデルを再学習させることなく、任意の層にプラグインとして挿入可能な汎用モジュール「CUPID」を提案し、単一のモデルで確率的（Aleatoric）および認識論的（Epistemic）な不確実性を同時に推定し、その発生源を層ごとに解釈可能にする手法を提示しています。
この論文は、データサンプルのみを用いて自動エンコーダを設計し、通信負荷を削減しながら未知の目標分布と出力分布の総変動距離を最小化することで、共通乱数が限定的な状況でも強力な関数計算を保証する深層学習ベースの分散型関数計算フレームワーク「DeepRDFC」を提案しています。
この論文は、物理的複製不可能関数（PUF）を活用してニューラルネットワークの重みを固有のハードウェア特性に結びつけることで、複製されたハードウェア上でのモデル実行を不可能にし、知的財産の保護を実現する手法を提案しています。
本論文は、無線フェデレーテッドラーニングにおいて勾配の符号を優先し、パケットおよびデバイスレベルでの重要度に基づく階層的リソース配分を最適化することで、通信制約下でも高精度なモデル学習を実現する「SP-FL」という新たな枠組みを提案しています。
この論文は、高次元カオス力学系における極端事象の予測精度を向上させるため、支配方程式を必要とせずに最適時間依存（OTD）モードを用いて過渡的不安定性を効率的に捉えた解釈可能な前兆指標を構築し、これをトランスフォーマーモデルに組み込んだデータ駆動型フレームワークを提案するものである。