Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases
本論文は、リレーショナルデータベースにおける不均衡データ問題に初めて着目し、関係性ごとのゲート制御と関係性ガイドの少数派合成を用いて不均衡なエンティティ分類を改善する深層学習手法「Rel-MOSS」を提案し、既存手法を上回る性能を実証したものである。
🤖 Category
cs.LG
11575 件の論文
Robust Transfer Learning with Side Information
この論文は、ソースとターゲットのダイナミクスに関するサイド情報（特徴モーメントの境界、分布距離、密度比など）を制約付き推定に統合して不確実性集合を構築するフレームワークを提案し、環境の大きなシフト下でも過度に保守的にならない頑健な転移学習を実現し、サンプル効率と目標ドメインでの性能を向上させることを示しています。
Semantic Risk Scoring of Aggregated Metrics: An AI-Driven Approach for Healthcare Data Governance
この論文は、医療機関における部門間データ共有の課題を解決し、HIPAA などの規制を遵守しながら統計的開示を未然に防ぐため、SQL メトリクスの構文と意味的特徴を CodeBERT と XGBoost を用いて分析し、事前実行段階でリスクスコアと説明可能な警告を生成する AI 駆動型のガバナンスフレームワークを提案するものである。
ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework
この論文は、台風やパンデミックなどの大規模社会イベント下での人間移動を生成する際、既存の手法が抱えるイベント注釈付きデータセットの欠如と習慣的パターンとイベント制約の競合を解決するため、初めてイベント注釈付きデータセットを構築し、Fuzzy-Trace 理論に基づく自己整合型 LLM フレームワーク「ELLMob」を提案するものです。
RL unknotter, hard unknots and unknotting number
この論文は、強化学習を用いて任意の結び目を単純化するパイプラインを開発し、極めて複雑なアンノット図やのような結び目に対しても、そのアンノッティング数を推定する新たな手法を提案している。
PSTNet: Physically-Structured Turbulence Network
この論文は、物理法則をアーキテクチャに直接組み込んだ軽量ニューラルネットワーク「PSTNet」を提案し、限られた計算リソースを持つ航空機のオンボードシステムにおいて、従来の手法や大規模モデルよりも効率的かつ高精度に大気乱流を推定できることを実証しています。
Local Constrained Bayesian Optimization
高次元制約付き最適化問題の次元の呪いを克服し、制約ペナルティ付き代理モデルの微分可能な地形を活用して局所探索と探索を交互に行う「局所制約ベイズ最適化（LCBO）」を提案し、その収束性の理論的保証と 100 次元までのベンチマークにおける最先端手法を上回る性能を実証した。
Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
本論文は、混合専門家（MoE）および混合線形専門家（MoLE）アーキテクチャを原子間ポテンシャルに適用し、共有専門家と非線形性の組み合わせ、および元素ごとのルーティング戦略が、化学的に解釈可能な専門分化を実現しながら、OMol25、OMat24、OC20M 各ベンチマークで最先端の精度を達成することを示しています。
\$OneMillion-Bench: How Far are Language Agents from Human Experts?
この論文は、法律や金融などの専門分野における経済的に重要なシナリオを評価し、既存のベンチマークでは捉えきれない言語エージェントの実務能力を測定するために、専門家が作成した 400 件のタスクと厳格な評価基準を備えた新しいベンチマーク「\$OneMillion-Bench」を提案しています。
MJ1: Multimodal Judgment via Grounded Verification
本論文は、視覚的証拠に基づく構造化検証チェーンと反事実的一貫性報酬を導入した強化学習により、30 億パラメータの MJ1 が Gemini-3-Pro などの大規模モデルを上回る高精度なマルチモーダル判断を実現し、モデル規模の増大なしに判断の信頼性を向上させる手法を提案しています。
SmartThinker: Progressive Chain-of-Thought Length Calibration for Efficient Large Language Model Reasoning
この論文は、大規模推論モデルにおける冗長な思考プロセスを解決し、動的な長さ推定と報酬係数調整により、推論の短縮と精度向上を両立させる新しい手法「SmartThinker」を提案するものである。
Amortizing Maximum Inner Product Search with Learned Support Functions
この論文は、最大内積検索（MIPS）の計算コストを削減するため、キー集合の支持関数の性質を利用し、入力凸ニューラルネットワーク（SupportNet）または勾配計算を不要なベクトル値ネットワーク（KeyNet）を用いてクエリに対する最適キーを直接予測する「アモルタイズド MIPS」と呼ばれる学習ベースのアプローチを提案しています。
FedMomentum: Preserving LoRA Training Momentum in Federated Fine-Tuning
FedMomentum は、SVD を用いて LoRA 更新の主要な方向性を抽出・再構成する新しいフェデレーティング学習フレームワークを提案し、既存手法が抱える数学的誤りや構造的表現性の低下を解決することで、収束速度と最終精度の両方を向上させる。
Capacity-Aware Mixture Law Enables Efficient LLM Data Optimization
本論文は、モデル容量とデータ混合の非線形な相互作用を考慮した「CAMEL」という法則と損失からベンチマーク精度を予測する手法を提案し、大規模言語モデルのデータ混合最適化コストを半減させつつ、下流タスクの性能を最大 3% 向上させる効率的なパイプラインを確立した。
GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables
この論文は、時系列データと外生変数の時間的・チャネル間の相関をノイズに強く統合的にモデル化し、変分生成器、グラフ構造アライナー、グラフリファイナーの 3 段階のプロセスを通じて予測精度を向上させる「GCGNet」という新しい手法を提案し、12 の実世界データセットで最先端の手法を上回る性能を実証しています。
CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling
本論文は、対照的なプロファイリングと要約を組み合わせた新たなパラダイム「CDRRM」を提案し、高品質な評価基準の自動生成を通じて、大規模言語モデルの報酬モデリングにおける解釈性、バイアス低減、およびデータ効率を飛躍的に向上させることを示しています。
Stabilized Fine-Tuning with LoRA in Federated Learning: Mitigating the Side Effect of Client Size and Rank via the Scaling Factor
本論文は、連合学習における LoRA の不安定性、特にクライアント数とランクに依存する勾配崩壊を解消するため、集約プロセスを考慮した最適スケーリング因子を導入し、高ランク適応の安定性と収束性を大幅に向上させる「Stabilized Federated LoRA (SFed-LoRA)」を提案するものです。
Adversarial Domain Adaptation Enables Knowledge Transfer Across Heterogeneous RNA-Seq Datasets
この論文は、異なる前処理パイプラインやターゲット表現型を持つ異質な RNA-seq データセット間で、敵対的ドメイン適応を用いた深層学習フレームワークを提案し、限られたデータ条件下でもがんタイプや組織タイプの分類精度を向上させることを示しています。
Deterministic Differentiable Structured Pruning for Large Language Models
本論文は、LLM の推論コスト削減に向けた構造化プルーニングにおいて、既存の確率的な手法が抱える訓練・推論の不一致や表現力の限界を克服するため、離散的なノルムの目的関数を直接最適化する決定論的なソフトな代替関数を用いた「決定論的微分可能プルーニング（DDP）」を提案し、Qwen3 などの大規模モデルにおいて既存手法を上回る高スパース性と低性能損失を達成したことを報告しています。
Hybrid Quantum Neural Network for Multivariate Clinical Time Series Forecasting
本論文は、心拍数や酸素飽和度などの生理学的時系列データを予測するために、GRU エンコーダーと変分量子回路（VQC）を統合したハイブリッド量子・古典ニューラルネットワークを提案し、小規模な臨床データセットにおいて高い精度とノイズ耐性を示すことを実証しています。