6650 件の論文
本論文は、SHAP や LIME などのポストホック説明手法がビジネス研究で広く用いられているものの、それらが生成する説明をデータの本質的な関係性の証拠として誤解釈する傾向が横行しており、高い予測精度があっても説明の信頼性は保証されないため、仮説検証ではなく探索的ツールとして位置づけるべきであると警鐘を鳴らしています。
本論文は、データ移動やメモリアクセスなどのオーバーヘッドを包括的に評価する厳密なエネルギーモデルを用いて、特定の条件下（平均スパイク率が 6.4% 未満など）でのみスパイクニューラルネットワーク（SNN）が従来の量子化人工ニューラルネットワーク（QNN）を上回るエネルギー効率を実現し得ることを実証し、スマートウォッチのバッテリー寿命を倍増させる可能性を示唆しています。
この論文は、物理システムの数学的構造と安定性を保ち、入力と潜在空間の力を双方向に変換可能にする「結合振動子ネットワーク（CON）」を提案し、これにより画像からのみ学習した複雑な非線形力学を閉形式の制御理論と組み合わせて効率的に制御する手法を実現したことを示しています。
この論文は、事前学習された拡散モデルを用いてソースドメインの軌跡にノイズを加え、ターゲットドメインの特性に整合させながら元の意味情報を保持する「xTED」というフレームワークを提案し、複雑なモデル構造に依存せず、データレベルでドメインギャップを効果的に埋めることで、限られたターゲットデータ下での意思決定タスクにおける政策学習の性能を向上させることを示しています。
本論文は、ボルツマン分布からの効率的なサンプリングを目的として、ノイズ付きエネルギーの学習に基づく拡散サンプリング手法「NEM」と、そのバイアスと分散を調整するブートストラップ技術を組み合わせた「BNEM」を提案し、複雑な分布における最先端の性能と頑健性を示しています。
この論文は、有限 horizon のマルコフ決定過程における方策勾配法の非凸最適化問題に対し、Polyak-Łojasiewicz-Kurdyka 条件を満たす構造的特徴を特定することで、非凸性にもかかわらず大域的最適解への収束を保証し、在庫管理やキャッシュバランス問題など多様なオペレーションモデルにおけるサンプル複雑性の保証を初めて提供することを示しています。
この論文は、Mori-Zwanzig 形式に着想を得て、遅延時間変数をデータから学習するニューラル遅延微分方程式（NDDE）を提案し、部分観測条件下での非マルコフ的動的システムのモデル化において、既存の手法よりも優れた性能とデータ効率を実現することを示しています。
本論文は、MineDojo などの高次元オープンワールド環境において、ゴール条件付きのジャンプ状態遷移とアフォーダンスマップの活用を通じて「長短期世界モデル」を構築し、エージェントの想像ホライズンを拡張することで長期的な報酬を見据えた探索効率を大幅に向上させる手法「LS-Imagine」を提案しています。
この論文は、モーメンタム SGD を用いた敵対的訓練を離散時間力学系として捉え、PAC ベイズ解析枠組みを通じて学習ダイナミクスとロバスト一般化誤差の関係を解明し、ロバスト過学習のメカニズムを統一的に説明するとともに、敵対的重み摂動の最適化における限界を指摘するものである。
本論文は、トランスフォーマーがインコンテキスト学習を通じて動的システムの隠れ状態を暗黙的に推定し、モデルや勾配更新なしに線形・非線形システム双方においてカルマンフィルタや粒子フィルタに匹敵する出力予測を実現することを示しています。
この論文は、主データと補助データの間にある未知の不一致を考慮しつつ共通性を自動的に活用する「適応型転移クラスタリング（ATC）」アルゴリズムを提案し、その最適性と転移学習の利点を理論的に証明するとともに、数値実験と実データ分析でその有効性を示しています。
この論文は、非凸・非滑らかな 2 ブロック最適化問題を解くための学習型近接交互最小化アルゴリズム（LPAM）と、その収束性を保つ解釈可能なネットワーク（LPAM-net）を提案し、特に多モーダル MRI 画像再構成における高い性能とパラメータ効率を実証しています。
この論文は、連続的な特徴に依存する従来の深層学習とは異なり、画像を視覚的プリミティブで再構成することで高次な構造的説明を学習する神経記号システムを提案し、組織学的画像の異常診断において、従来の深層学習アーキテクチャよりも高い分類精度と透明性を達成したことを示しています。
この論文は、畳み込みニューラルネットワークの層パラメータをニューラル常微分方程式によって記述される連続的な力学系としてモデル化する「Puppet-CNN」を提案し、入力複雑さに応じて計算量を動的に調整可能にしながら、保存される学習パラメータを大幅に削減しつつ競合する予測性能を達成することを示しています。
この論文は、生成タスクの複雑さに応じて拡散過程自体を各サンプルに動的に適応させる「入力適応型生成ダイナミクス」を提案し、固定された拡散軌道に依存する従来の手法よりも少ないサンプリングステップで高品質な画像生成を実現することを示しています。
本論文は、深層学習を用いたヒップ型外骨格の制御における生物学的関節モーメント推定モデルの精度を維持しつつ、データ収集コストを大幅に削減するため、多様な歩行タスクの中から最小かつ代表的なタスクセットを特定する最適化戦略を提案し、その有効性を示したものである。
この論文は、従来のカーネル法が抱える高コストな計算・記憶要件を克服し、有限次元表現に基づくパラメトリック手法により、ノイズのある点評価から滑らかな関数とその導関数を最小最大最適収束率で推定し、かつメモリ効率を大幅に向上させる手法を提案し、その最適性を証明するものである。
本論文では、生成拡散モデル（GDM）の概要と最近の研究動向を解説し、近距離場チャネル推定への適用事例を通じて、大規模 MIMO 通信における効率的なチャネル状態情報（CSI）取得への可能性を明らかにするとともに、将来の課題と研究の方向性を示唆しています。
本論文は、プロンプト・チューニングにおける埋め込みの収束（クラスタリング）が必須ではないことを示し、制御可能な埋め込みの事前分布が重要であり、異なるタスク間での活性化空間のクラスタリング特性がモデルの汎化能力の理解に新たな示唆を与えることを明らかにしています。
この論文は、事前学習された視覚言語モデル（VLM）を活用して画像から抽象的な記述子（述語）を学習し、これを用いた記号的な世界モデルを構築することで、限られた短いデモンストレーションから未知の環境や目標、そして長期のタスクに対するゼロショットな汎化を実現するロボット制御手法を提案しています。