CauKer: Classification Time Series Foundation Models Can Be Pretrained on Synthetic Data
本論文は、ガウス過程カーネルの合成と構造的因果モデルを組み合わせることで多様かつ因果的に整合した合成時系列データを生成する「CauKer」を提案し、これにより大規模な実データに依存せず、スケーラブルかつ効率的に時系列基礎モデルを事前学習可能であることを示しています。
🤖 Category
cs.LG
7857 件の論文
GraphProp: Training the Graph Foundation Models using Graph Properties
この論文は、グラフの抽象的な構造に依存する不変量（グラフ不変量）の予測を通じて構造一般化を強化し、その表現を位置符号として活用してドメイン横断的なグラフ基礎モデル（GFM）を構築する「GraphProp」を提案し、特にノード属性がないグラフにおける分類や少数ショット学習において優れた性能を示すことを示しています。
Time-Scale Coupling Between States and Parameters in Recurrent Neural Networks
本論文は、RNN のゲーティング機構が状態空間の時間スケールとパラメータ更新を結合させ、固定の学習率であってもデータ駆動型の適応的学習率や勾配の異方性を生み出し、最適化の事前条件付けとして機能することを理論的・実験的に示したものである。
ECHO: Frequency-aware Hierarchical Encoding for Variable-length Signals
任意のサンプリングレートと可変長の信号に対応し、帯域分割アーキテクチャと周波数位置エンコーディングを統合した新しい基盤モデル「ECHO」を提案し、機械信号の異常検出や故障分類において最先端の性能を実現したことを報告する論文です。
Constraint Learning in Multi-Agent Dynamic Games from Demonstrations of Local Nash Interactions
この論文は、複数のエージェント間の局所ナッシュ均衡のデモンストレーションデータから混合整数線形計画（MILP）を用いてパラメトリックな制約を学習し、理論的な保証のもとで安全・危険領域の内側近似を導出するとともに、非線形ダイナミクスを持つエージェントの安全な運動計画を設計する手法を提案しています。
CbLDM: A Diffusion Model for recovering nanostructure from atomic pair distribution function
本論文は、単一金属ナノ粒子の原子対分布関数からナノ構造を復元する逆問題を、ラプラシアン行列を用いた条件付き潜在拡散モデル（CbLDM）によって解決し、物理的に意味のある構造生成と安定性の向上を実現したことを報告しています。
Entropy-Driven Curriculum for Multi-Task Training in Human Mobility Prediction
この論文は、Lempel-Ziv 圧縮に基づくエントロピー駆動のカリキュラム学習と、距離・方向の推定を組み合わせたマルチタスク学習を統合したフレームワークを提案し、HuMob チャレンジにおいて最先端の予測精度と最大 2.92 倍の収束速度向上を実現したことを示しています。
Synthetic data for ratemaking: imputation-based methods vs adversarial networks and autoencoders
この論文は、保険料率設定におけるデータ不足やプライバシー問題への対応策として、MICE 法が深層生成モデル（VAE や CTGAN）と同等以上のデータ忠実度と GLM 予測性能を維持しつつ、実装の容易さにおいて優位であることを示す比較研究をまとめたものである。
Faster Gradient Methods for Highly-Smooth Stochastic Bilevel Optimization
本論文は、上段非凸・下段強凸の確率的バイレベル最適化問題において、高次滑らかさを活用して超勾配を近似する高次有限差分法 F²SA-を提案し、その収束率を改善するとともに、下界がであることを示すことで、高次滑らかさの領域においてこの手法がほぼ最適であることを証明しています。
Behavioral Inference at Scale: The Fundamental Asymmetry Between Motivations and Belief Systems
大規模な LLM エージェント実験により、行動推論において動機はほぼ完全な精度で特定可能である一方、信念体系の推論には構造的な非対称性と情報理論的な限界が存在し、特に中立的な行動領域において推論精度が大幅に低下することが実証されました。
Synthetic Homes: An Accessible Multimodal Pipeline for Producing Residential Building Data with Generative AI
この論文は、生成 AI を活用して公開画像や住宅情報から住宅建築データを合成するモジュラー型マルチモーダルフレームワークを提案し、エネルギー効率の向上や地域規模の消費シミュレーションを可能にするための、コストのかかるデータへの依存を軽減するアクセシブルなパイプラインを確立したことを示しています。
Physics-Aware Neural Operators for Direct Inversion in 3D Photoacoustic Tomography
この論文は、3D 光音響トモグラフィ（PACT）において、物理法則を直接学習するエンドツーエンドのニューラルオペレーター「PANO」を提案し、従来の再構成手法よりも高品質な画像をリアルタイムで生成し、臨床応用への道を開くことを示しています。
Fast reconstruction of degenerate populations of conductance-based neuron models from spike times
この論文は、スパイクタイミングから深層学習と動的入力コンダクタンス（DIC）の理論的枠組みを組み合わせることで、神経の退化性（多様なイオンチャネル導電性の組み合わせが同様の活動を生む現象）を考慮しつつ、導電性ベースのニューロンモデルの生物物理パラメータを高速かつ効率的に再構築する手法を提案し、スパイク記録から機械的なモデルへの解釈可能な橋渡しを実現したものである。
MICA: Multi-Agent Industrial Coordination Assistant
本論文は、制限された計算資源やプライバシー制約下でも実用的な産業環境で動作する、5 つの役割特化型エージェントと安全チェックアウディット、および適応的ステップ融合（ASF）を採用したマルチエージェント協調アシスタント「MICA」を提案し、その有効性をベンチマークと評価指標を用いて実証するものである。
ORIC: Benchmarking Object Recognition under Contextual Incongruity in Large Vision-Language Models
この論文は、大規模視覚言語モデル（LVLM）が文脈的不整合下で物体認識に失敗する現象を「ORIC」フレームワークを用いて分析し、不整合な文脈における認識精度の低下を実証するとともに、視覚強化学習による微調整でモデルの信頼性を向上させる手法を提案しています。
ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks
この論文は、ハミルトン・ヤコビの到達可能性解析とハイパーネットワークを活用して、部分的に観測可能な環境においても最大安全集合を近似し、厳密な安全性保証を提供する「観測条件付き残差ニューラル制御バリア関数（ORN-CBF）」を提案し、地上ロボットおよびクアッドコプターの実験を通じてその有効性を検証したものである。
Empirical PAC-Bayes bounds for Markov chains
この論文は、マルコフ連鎖における擬スペクトルギャップの実証的上界を導出することで、依存データに対する初めて完全な実証的 PAC-ベイズ汎化誤差限界を確立したことを報告しています。
Linear probes rely on textual evidence: Results from leakage mitigation studies in language models
この論文は、言語モデルの有害行動を検出する白箱モニター（線形プローブ）が、システムプロンプトや思考過程などの「テキスト的な証拠」に過度に依存しており、それらが除去されると検出性能が大幅に低下する脆弱性があることを示しています。
AEGIS: Authentic Edge Growth In Sparsity for Link Prediction in Edge-Sparse Bipartite Knowledge Graphs
本論文は、エッジが疎な二部知識グラフにおけるリンク予測の課題に対し、既存のエッジのみを再サンプリングしてノード集合を維持する「AEGIS」というデータ拡張フレームワークを提案し、特に意味的 KNN による拡張が、自然に疎なグラフや人工的に疎化されたベンチマークにおいて予測精度と較正を向上させることを実証しています。
Aurora: Towards Universal Generative Multimodal Time Series Forecasting
本論文は、テキストや画像などのマルチモーダルデータからドメイン固有の知識を適応的に抽出し、ゼロショット推論を可能にするマルチモーダル時系列基礎モデル「Aurora」を提案し、複数のベンチマークで最先端の性能を達成したことを報告しています。