Accounting for shared covariates in semi-parametric Bayesian additive regression trees
この論文は、線形予測子と BART 成分の共分散を共有する際に生じる識別不能性やバイアスを、木生成の移動を改良することで解決し、主要な共変量間の複雑な相互作用をモデル化可能にする半パラメトリック・ベイズ加性回帰木（BART）の拡張手法を提案し、教育評価データやベンチマークデータを用いた検証でその有効性を示したものである。
🤖 Category
cs.LG
6623 件の論文
A White-Box SVM Framework and its Swarm-Based Optimization for Supervision of Toothed Milling Cutter through Characterization of Spindle Vibrations
本論文では、切削工具の摩耗や破損に伴う主軸振動の時間領域応答と統計的特徴を分析し、特徴選択と群知能アルゴリズムによる最適化を組み合わせたホワイトボックス型サポートベクターマシン（SVM）フレームワークを提案し、工具状態のリアルタイム監視におけるその有効性と解釈可能性を実証しています。
Automated Reinforcement Learning: An Overview
本論文は、強化学習のモデル化やアルゴリズム選択、ハイパーパラメータ調整などの主要な構成要素を自動化する「自動強化学習（AutoRL）」の動向を、大規模言語モデルを用いた最新手法や将来の統合が期待される技術を含めて包括的に概観し、その課題や今後の研究方向について議論している。
Explainable classification of astronomical uncertain time series
この論文は、天文学における不確実な時系列データの分類において、既存の解釈可能な手法の性能不足とデータ不確実性の欠如を解決するため、データの不確実性を入力として取り込み、予測の解釈性を保ちながら最先端の性能を達成する新しいモデルを提案するものである。
Empirical Asset Pricing via Ensemble Gaussian Process Regression
この論文は、条件付き期待リターンを予測するためにガウス過程回帰に基づくアンサンブル学習手法を導入し、大規模な米国株式データを用いた実証分析において既存の機械学習モデルを上回る統計的・経済的パフォーマンスを示すとともに、予測の不確実性を考慮した平均分散最適ポートフォリオの構築により、等加重やバリュー加重ポートフォリオ、さらには S&P500 を凌駕する成果を報告しています。
Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part I
この論文は、観測や行動を予測することなくコストのみを予測するコスト駆動型アプローチを用いて、未知の部分的に観測可能なシステム（LQG 制御）に対する最適な状態表現と制御器を有限サンプル保証付きで学習する方法を確立したものである。
On the Impact of Sampling on Deep Sequential State Estimation
本論文は、深層カルマンフィルタに重要度サンプリングを適用して IW-DKF を提案し、より厳密なモンテカルロ目的関数を用いることで、非線形物理モデルにおける状態推定とパラメータ学習の精度を向上させることを示しています。
Remaining-data-free Machine Unlearning by Suppressing Sample Contribution
本論文は、学習済みモデルにおける特定サンプルの寄与を「入力に対する感度の上昇」として捉え、その感度を直接抑制することで、残存データへのアクセスなしに最高水準の性能を維持しつつ機械的忘却を実現する手法「MU-Mis」を提案しています。
Survey of Computerized Adaptive Testing: A Machine Learning Perspective
本論文は、従来の心理測定学に依存するコンピュータ適応型テスト（CAT）の枠組みを、測定モデルや問題選択アルゴリズムなどの主要構成要素に機械学習を統合する新たな視点から包括的に調査し、より強健で公平かつ効率的な次世代テストシステムの構築を提唱するものです。
Simulating Non-Markovian Open Quantum Dynamics with Neural Quantum States
この論文は、環境の記憶効果を「散逸子（dissipatons）」として符号化し、ニューラル量子状態（NQS）と階層的運動方程式（HEOM）の精度を維持しながら計算スケーラビリティを向上させる「散逸子埋め込み量子マスター方程式（DQME）」フレームワークを提案し、非マルコフ的開放量子ダイナミクスの効率的なシミュレーションを実現したことを報告しています。
LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks
本論文は、低ランク適応（LoRA）を拡張して自己注意ネットワークに適用する「LoRA-Ensemble」を提案し、明示的なアンサンブルと同等以上の精度と較正性能を、はるかに高い計算効率で実現する手法を提示しています。
Fast Explanations via Policy Gradient-Optimized Explainer
この論文は、方策勾配法を用いて確率分布でアトリビューションベースの説明を最適化する「FEX」という新しいフレームワークを提案し、従来のモデル非依存アプローチと比較して推論時間を 97% 以上削減しつつ、高品質で汎用的な説明をリアルタイムで可能にすることを示しています。
Exploring Diffusion Models' Corruption Stage in Few-Shot Fine-tuning and Mitigating with Bayesian Neural Networks
本論文は、少ショット微調整における拡散モデルの学習過程で生じる「腐敗段階」を、ベイズニューラルネットワークを用いて学習分布を広く捉えることで理論的に説明し、生成画像の忠実度と多様性を向上させる手法を提案しています。
DKDL-Net: A Lightweight Bearing Fault Detection Model via Decoupled Knowledge Distillation and Low-Rank Adaptation Fine-tuning
本論文は、知識蒸留と低ランク適応微調整を組み合わせることで、計算コストを大幅に削減しつつ最先端の精度を達成する軽量な転がり軸受故障検出モデル「DKDL-Net」を提案しています。
Estimating Treatment Effects under Algorithmic Interference: A Structured Neural Networks Approach
この論文は、二面市場におけるアルゴリズム干渉により既存の推定量が偏る問題を解決するため、競争的な割り当てメカニズムを明示的にモデル化する構造化半パラメトリック枠組みと二重機械学習を組み合わせた新たな推定手法を提案し、大規模フィールド実験を通じてその有効性を実証したものである。
LAMBDA: A Large Model Based Data Agent
LAMBDA は、大規模言語モデルを活用し、コード生成を行う「プログラマー」とデバッグを行う「インスペクター」という 2 つの代理エージェントを連携させることで、自然言語による直感的なデータ分析を可能にするオープンソースのマルチエージェントシステムである。
OTAD: An Optimal Transport-Induced Robust Model for Agnostic Adversarial Attack
この論文は、最適輸送理論に基づく正則化と凸統合問題の解決を通じて、局所リプシッツ連続性を保証しつつ訓練データに高精度に適合する新しい強健な敵対的防御モデル「OTAD」を提案し、多様なデータセットにおいて既存の強健モデルを上回る性能を実証しています。
Mini-batch Estimation for Deep Cox Models: Statistical Foundations and Practical Guidance
本論文は、深層コックスモデルにおけるミニバッチ確率的勾配降下法（SGD）の統計的基盤を確立し、新しい推定量（mb-MPLE）の一貫性と収束性を証明するとともに、学習率とバッチサイズの比率の重要性や大規模実データへの適用可能性など、実用的な指針を提供しています。
Variational Learning of Gaussian Process Latent Variable Models through Stochastic Gradient Annealed Importance Sampling
この論文は、高次元空間や複雑なデータにおける提案分布の生成が困難という既存のベイズ GPLVM の課題を解決するため、変分推論と Annealed Importance Sampling を組み合わせ、すべての変数を再パラメータ化することで効率的な学習を実現し、より tight な変分境界や高い対数尤度、頑健な収束性を実現する手法を提案しています。
The Z-Gromov-Wasserstein Distance
本論文は、任意の距離空間に値をとるカーネルを持つ-ネットワークを定義し、これらを比較するための-グロモフ・ワッサーシュタイン距離を導入することで、既存の距離の多くを包含する統一的な理論的枠組みを構築し、その距離が持つ望ましい性質や計算可能な近似手法を示しています。