6014 件の論文
この論文は、グラフ基礎モデルの発展に伴い未探索であったグラフドメイン逐次学習（Domain-IL）における catastrophic forgetting を、埋め込みのシフトと決定境界の逸脱を防ぐための知識の解離と保存を可能にする「GraphKeeper」を提案し、既存手法を大幅に上回る性能で達成したことを示しています。
この論文は、構造化正則化、ロバストな前処理、効率的な最適化を通じて過学習を抑制し、多クラス分類におけるロジスティック回帰に基づく再較正手法のバイアス・バリアンスのトレードオフを効果的に管理することで、既存の手法よりも大幅な精度向上を実現する手法を提案し、オープンソース実装を提供しています。
本論文は、時間系列基盤モデルのデータ価値評価において、従来の手法が抱える計算コストと時系列依存性の課題を解決するため、コンテキスト微調整と時間ブロック集約を活用した軽量かつ高精度な評価手法「LTSV」を提案し、その有効性を検証したものである。
この論文は、事前学習済み時系列基盤モデル（TSFM）のインコンテキスト学習を活用し、微調整や従来の分類モデルの学習なしにサーボプレスモータのベアリング振動データを健康状態ごとに分類する手法を提案し、従来のカスタム AI 解決策を超えたスケーラブルな予知保全システムの実現可能性を示しています。
この論文は、推論と学習を分離し、オフポリシーバイアスなしで同期 RL と等価な非同期パイプラインを実現する「Periodic Asynchrony」を提案し、NPU 環境において既存フレームワークの 3〜5 倍のトレーニングスループット向上を達成したことを示しています。
本論文は、EFISH 法に基づく放電中の電界プロファイル再構成のために、従来の ANN や CNN を凌駕する汎用性と精度を有し、不完全な入力データにも頑健な新しい「デコーダー型 DeepONet（DDON）」という解釈可能なオペレーター学習モデルを提案し、その有効性をシミュレーションおよび実験データで実証したものである。
この論文は、教育分野の専門用語の曖昧さを解消し事実性を高めるため、エンティティリンキングとハイブリッド再ランク付けを統合した「ELERAG」と呼ばれる新しい RAG アーキテクチャを提案し、ドメイン固有のデータセットにおいて従来の手法を上回る性能を実証したものである。
本論文は、階層的構造セマンティクスの不足を解消し、ドメインノイズや敵対的攻撃に対する堅牢性を向上させるため、構造認識セマンティック拡張、情報ボトルネック、およびエキスパート適応ルーティングを組み合わせた新しいグラフ基礎モデル「SA²GFM」を提案し、ノードおよびグラフ分類タスクにおいて既存の最先端手法を上回る性能を実証しています。
本論文は、RL におけるサンプルの難易度事前分布を活用してヒントの比率を適応的に調整し、勾配変調とロールアウト難易度事後分布に基づく優位性推定を導入することで、探索と模倣のバランスを最適化し、推論能力と分布外汎化性能を大幅に向上させる「ADHint」という新しい手法を提案しています。
この論文は、埋め込みノルムの膨張が複雑なプロンプトの失敗原因であることを特定し、方向のみを最適化する「方向性テキスト反転（DTI）」を提案することで、テキスト忠実性と被写体類似性を両立させ、学習済み概念間の滑らかな補間を可能にする個人化テキスト生成手法を開発したことを示しています。
本研究は、高密度筋電図を用いた多自由度指運動の連続解読において、空間記述子に基づく手法が従来の時間領域特徴量と比べて統計的に有意な精度向上をもたらさなかったものの、次元削減手法より優れており、高密度筋電図の空間分解能を維持することが重要であることを示した。
本論文は、無線ネットワークにおける周波数選択的な電磁界（EMF）予測の信頼性を高めるため、多様な文脈情報を統合し不確実性を明示的に評価できる条件付き拡散モデル「EMFusion」を提案し、既存の手法を上回る精度と確率予測性能を実証したものである。
本論文は、機械学習によるパラメータ最適化手法を導入して波動関数ラジアル分布関数（WT-RDF）の振幅精度を向上させた「WT-RDF+」フレームワークを開発し、Ge-Se および Ag-Ge-Se 系アモルファス材料の原子構造再構成において、従来の機械学習モデルを上回る性能を実現したことを報告しています。
この論文は、勾配降下におけるアクティベーション更新の非理想的なスケーリングを補正する新たな理論的枠組みを提案し、既存の正規化手法とは異なる機能を持つ「PatchNorm」などの新しい手法を開発することで、モデル性能の向上と正規化のメカニズムに関する概念の再構築を実現したことを示しています。
本論文は、分散最適化において複数の局所更新を導入することで収束が加速されることを、Performance Estimation Problems (PEP) を用いた厳密な理論解析により初めて証明し、最大限の改善を得るには 2 回の局所更新で十分であることを示しています。
本論文は、任意の条件付き推論を可能にするため、単一の生成モデルを学習し事後予測区間による不確実性を定量化する「ベイズ生成モデル（BGM）」という新しい枠組みを提案し、その収束性と統計的整合性などの理論的保証を示したものです。
この論文は、LLM 駆動の Web 研究エージェントを用いて、人間によるキュレーションを上回る品質で多様な予測質問を自動生成・解決し、AI 予測モデルの評価と予測精度の向上を実現するシステムを提案するものである。
この論文は、インフルエンス関数を用いてトレーニングデータに微小な編集を加えることで、モデルの動作を意図的に誘発・制御する「Infusion」というフレームワークを提案し、画像および言語タスクにおいてその有効性とアーキテクチャ間での転移性を示しています。
この論文は、顧客の選好変動やモデルの誤指定といった現実の課題に対処するため、分布のシフトを考慮した最悪ケース期待収益を最大化する頑健なアソートメント最適化の枠組みを提案し、その計算可能性と統計的効率性（特に「頑健なアイテム別カバレッジ」という新たなデータ要件の発見）を理論的に保証するものです。
本研究は、クリーンな参照音声が必要ない非侵入型音声評価モデルとして、畳み込みブロックとマルチヘッド自己注意層を組み合わせたボトルネック・トランスフォーマーを提案し、既存の自己教師あり学習ベースのモデルを上回る精度で短時間客観的明瞭度（STOI）スコアを予測可能にしたことを示しています。