3821 件の論文
この論文は、自然言語で記述されたイベント定義を少量またはゼロの学習データで多変量時系列信号にマッピングする「知識誘導型時系列イベント検出」という新たな課題に対し、言語記述と物理的データを橋渡しする「イベント論理木（ELT）」を導入し、神経記号的 VLM エージェントと組み合わせて高精度な検出と説明可能な推論を実現する手法を提案し、実世界データに基づくベンチマークでその有効性を示したものです。
本論文は、Softmax 変換器において入力無視などのデフォルト状態を実現するために「アテンションシンク」が数学的に必要不可欠であり、その原因が正規化制約にあることを理論的に証明し、ReLU アテンションではシンクが発生しないことを実験的に実証したものである。
本論文は、既存の攻撃手法では防御されるグラフベースの RAG（GraphRAG）の脆弱性を突くため、知識の進化経路を偽造して知識グラフを汚染し、LLM を意図的な有害な回答に誘導する新たな攻撃手法「KEPo」を提案し、その有効性を実証したものである。
この論文は、フェデレーテッド推薦システムにおけるデータ異質性とスパース性の課題を解決し、安定した汎化アイテム埋め込みの学習を通じて推薦精度を向上させるため、シャープネス感知最小化を採用した新しいフレームワーク「FedRecGEL」を提案するものです。
この論文は、推論モデルの長い生成出力に伴う KV キャッシュのメモリ消費と帯域幅の課題を解決するため、計算オーバーヘッドを最小化し、単一最適化オペレータによる統合で最大 11.8 倍のスループット向上と 80% の KV キャッシュ圧縮を実現する「LongFlow」という効率的な圧縮手法を提案するものです。
本論文は、ナノフォトニックデバイスの製造ばらつきを予測し不確実性をモデル化するため、設計レイアウトから走査型電子顕微鏡画像に似た多様な高解像度予測を生成する条件付き生成敵対ネットワーク「Gen-Fab」を提案し、既存の手法を上回る精度と汎化性能を実証したものである。
この論文は、ユーザーのプライバシー制御と高い認識性能を両立させるために、潜在空間で活動と敏感な属性を分離する条件付き特徴量分離（CFD）に基づく手法を提案し、自動符号化器を用いた少ショット学習との比較を通じて、次世代 IoT 向け HAR システムがプライバシー保護、少ショット適応性、堅牢性を統合的に最適化する新たな研究の方向性を示しています。
この論文は、実世界の検索行動分析を動機として、確率順序制約を混合整数凸二次最適化問題として定式化し、特にサンプルサイズが小さい場合に既存手法よりも優れており、十分なデータがある場合には同等の性能を示す、複数の離散単峰分布の同時推定手法を提案しています。
この論文は、テキスト、画像、音声、動画、文書など多様なモダリティに特化したツールを中央のスーパーバイザーが動的に調整・統合する自律型 AI フレームワークを提案し、既存の階層型ベースラインと比較して回答までの時間を 72%、会話のやり直しを 85%、コストを 67% 削減しながら精度を維持できることを実証しています。
この論文は、複数の関連タスク間で因果メカニズムの一部が不変であるという性質を利用した「マルチタスク反因果学習（MTAC）」フレームワークを提案し、マンハッタンとニューアークの住民報告データを用いた都市イベントの復元タスクにおいて、既存の強力なベースラインを大幅に上回る精度を達成したことを示しています。
この論文は、時系列データにおける時間依存の交絡バイアスに対処し、個人化医療などの分野で反事実推定を改善するため、敵対的表現学習とオートエンコーダ構造を組み合わせ、既存のシーケンスモデルに適用可能な新しい手法「CAETC」を提案し、その有効性を示したものです。
この論文は、電子カルテのビッグデータを用いて、生存分析を分類タスクに再構築する新たなフレームワークを提案し、糖尿病や高血圧などの 5 つの慢性疾患のリスク予測において、LightGBM や XGBoost などの既存モデルと同等かそれ以上の性能を発揮し、さらに医師による臨床検証を受けた説明可能性を有することを示しています。
この論文は、物理モデルの完全な方程式を必要とせず、ポテンシャルに基づく報酬整形とエネルギー感知型行動正則化を統合した軽量な手法「H-EARS」を提案し、深層強化学習の収束性、安定性、およびエネルギー効率を向上させる理論的基盤と実証結果を示しています。
本論文は、機械学習システムの広範な設定空間における構造化最適化手法「AutoScout」を提案し、混合離散・連続最適化とハイブリッドなシミュレーション手法を組み合わせることで、専門家の手動調整を最大 3 倍上回るトレーニング速度を実現することを示しています。
本論文は、RoPE（回転位置符号化）を隠れ次元の一部（約 10%）にのみ適用する「部分 RoPE」が、標準的な手法と同等の収束性能を維持しつつ、特に長文脈において最大 10 倍のメモリ削減を実現し、モデル設計における効率性と安定性のバランスを最適化する有効な手法であることを示しています。
この論文は、2D 外観のみに依存する既存手法の限界を克服し、3D 基礎モデルと勾配に基づく Gromov-Wasserstein 輸送を組み合わせることで、明示的な幾何学的アノテーションなしに野外画像のセマンティック対応付けを高精度に実現する「Shape-of-You」という新しいフレームワークを提案しています。
この論文は、クライアント間のデータ異質性をガウス生成モデルで捉え、グローバルな共有目標とローカルな個人化目標をバランスさせる二重目的関数と、カルマンゲインに着想を得た双スケール融合フレームワークを採用することで、従来の分類器ヘッド中心のアプローチを超えた個人化フェデレーティング学習手法「pFedGM」を提案し、多様なシナリオで最先端の性能を達成することを示しています。
この論文は、視覚言語行動（VLA）モデルにおける継続的強化学習において、複雑な手法ではなく、低ランク適応（LoRA）を用いた単純な逐次ファインチューニングが、驚くべき学習能力と忘却の少なさを実現し、既存の複雑な手法を上回ることを示しています。
この論文は、静的な文脈情報に基づいて幾何学的制約を適応的に調整するニューロモジュレーション機構を導入した「ニューロモジュレーション制約オートエンコーダ（NcAE）」を提案し、非定常な環境条件下でも物理パラメータの変化と主要な入力表現を分離しつつ、多様体の幾何学的構造を正確に捉えることを実証したものである。
この論文は、方策勾配アルゴリズムが訓練中にエントロピー（探索の多様性）を自然に減少させる問題を指摘し、REPO や ADAPO といったエントロピー制御メカニズムを導入することで、多様性を維持しつつ性能と継続学習能力を向上させる手法を提案しています。