Are Expressive Encoders Necessary for Discrete Graph Generation?
この論文は、トランスフォーマーなどの高表現力なバックボーンに依存する従来のアプローチを見直し、残差接続を備えたモジュール型メッセージパスフレームワーク「GenGNN」を提案することで、離散グラフ生成において高い有効性を維持しつつ推論速度を大幅に向上させることを実証しています。
🤖 Category
cs.LG
2294 件の論文
MASEval: Extending Multi-Agent Evaluation from Models to Systems
この論文は、LLM ベースのマルチエージェントシステムの評価においてモデルだけでなくシステム全体の構成要素（トポロジーやオーケストレーションなど）を包括的に評価する新しいフレームワーク「MASEval」を提案し、フレームワークの選択がモデルの選択と同様に性能に大きな影響を与えることを示しています。
Expressivity-Efficiency Tradeoffs for Hybrid Sequence Models
本論文は、ハイブリッドシーケンスモデル（トランスフォーマーと状態空間モデルの組み合わせ）が、非ハイブリッドモデルでは大規模なパラメータや作業メモリを必要とする特定のタスクにおいて、理論的に小規模かつ効率的に解決可能であることを証明し、実験的にもパラメータ数最大 6 倍のモデルを上回る性能や優れた汎化性を実証したものである。
APPLV: Adaptive Planner Parameter Learning from Vision-Language-Action Model
本論文は、事前学習された視覚言語モデルと回帰ヘッドを用いて古典的ナビゲーションプランナーのパラメータを予測・学習する「APPLV」を提案し、従来の手法や直接行動を出力する VLA モデルよりも、未知環境での一般化性とナビゲーション性能を向上させることを実証しています。
Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study
地下の私有 5G 環境における実測実験により、従来のチャネル中心のモデルがリンク層の適応性を過小評価しスループットを過大予測する傾向にあることが示され、通信認識型ロボットの計画には実測データに基づくデータ駆動型アプローチが不可欠であることが明らかにされました。
A New Modeling to Feature Selection Based on the Fuzzy Rough Set Theory in Normal and Optimistic States on Hybrid Information Systems
この論文は、ハイブリッド情報システムにおける高次元空間での計算コストとノイズ問題を解決するため、オブジェクト間の結合距離に基づき正規および楽観的モードで動作する新しい特徴量選択モデル「FSbuHD」を提案し、UCI データセットを用いた実験で既存手法を上回る効率性と有効性を示したものである。
Cross-Domain Uncertainty Quantification for Selective Prediction: A Comprehensive Bound Ablation with Transfer-Informed Betting
本論文は、濃度不等式と多重検出補正を組み合わせ、ソースドメインのリスクプロファイルを用いてデータ不足環境での選択的予測の信頼区間を改善する「転移情報ベッティング（TIB）」を提案し、9 つの境界ファミリーを 4 つのベンチマークで包括的に評価した研究です。
FedLECC: Cluster- and Loss-Guided Client Selection for Federated Learning under Non-IID Data
FedLECC は、非 IID データ環境におけるフェデレーテッドラーニングの効率とスケーラビリティを向上させるため、ラベル分布の類似性に基づくクラスタリングと局所損失の指標を組み合わせて、少量かつ情報量の多いクライアントを賢明に選択する軽量な戦略を提案し、実験により精度向上と通信オーバーヘッドの大幅な削減を実証しています。
Quantifying Memorization and Privacy Risks in Genomic Language Models
この論文は、ゲノム言語モデル（GLM）が訓練データから特定の配列を記憶するリスクを定量化し、プライバシー漏洩や規制遵守の課題に対処するため、困惑度ベースの検出、カナリア配列の抽出、メンバーシップ推論の 3 つのアプローチを統合した包括的な評価フレームワークを提案し、その有効性を検証したものである。
Uncovering a Winning Lottery Ticket with Continuously Relaxed Bernoulli Gates
本論文は、非微分可能なスコアベースの選択に依存する既存手法の限界を克服し、連続的に緩和されたベルヌーイゲートを用いて重みを固定したまま勾配降下法で最適化を行うことで、強 Lottery チケットを効率的に発見し、Edge-Popup 手法の約 2 倍のスパース化を達成する初の完全微分可能なアプローチを提案するものである。
Vision-Language Models Encode Clinical Guidelines for Concept-Based Medical Reasoning
この論文は、臨床ガイドラインと視覚言語モデルを統合し、画像特徴・概念・診断を同時に学習して構造化された臨床ナラティブを生成する「MedCBR」という新しい概念ベースの推論フレームワークを提案し、医療画像診断の精度と解釈可能性を大幅に向上させることを示しています。
Optimizing Reinforcement Learning Training over Digital Twin Enabled Multi-fidelity Networks
この論文は、物理ネットワークとデジタルツインからのデータ収集比率を最適化し、強化学習を用いて基地局のアンテナ傾斜角を調整する階層的強化学習フレームワークを提案し、ユーザーのデータレート最大化と遅延制約の両立を実現する手法を提示しています。
Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance
この論文は、マルコフ連鎖、強化学習、LLM を組み合わせた 3 層アーキテクチャを採用し、行方不明児童の捜索計画において、構造化されていないデータから解釈可能な時空間リスク予測と最適化された捜索計画を生成する意思決定支援システム「Guardian」を提案し、その有効性を検証したものである。
BiCLIP: Domain Canonicalization via Structured Geometric Transformation
本論文は、異なるドメイン間の画像特徴が少数のアンカーを用いて復元可能な幾何学的変換によって関連付けられているという仮説に基づき、極めてシンプルかつパラメータ効率の高い BiCLIP というフレームワークを提案し、11 のベンチマークで最先端のドメイン適応性能を達成したことを報告しています。
Kernel Debiased Plug-in Estimation based on the Universal Least Favorable Submodel
本論文は、効率的な影響関数の明示的な導出や評価を必要とせず、普遍的最も不利な部分モデルに基づく RKHS 上のデータ適応的バイアス補正フローを構築することで、非パラメトリックモデルにおける経路微分可能なパラメータの推定を半パラメトリック効率限界で達成する「ULFS-KDPE」と呼ばれる新しいカーネル偏倚補正プラグイン推定量を提案し、その理論的基盤と数値的安定性を示したものである。
Towards Reliable Simulation-based Inference
この論文は、シミュレーションに基づく推論における機械学習モデルの過信を軽減し、推論の信頼性を向上させるために、「バランス化」という正則化手法と、新しい事前分布を採用したベイズ型ニューラルネットワークという 2 つのアプローチを提案・検証するものです。
A Consensus-Driven Multi-LLM Pipeline for Missing-Person Investigations
この論文は、欠落者捜査の最初の 72 時間を支援し、複数のタスク特化型 LLM と合意形成エンジン、そして QLoRA 微調整を組み合わせることで、信頼性の高い構造化情報抽出を実現する「Guardian」というエンドツーエンドシステムを提案しています。
A Survey of Reinforcement Learning For Economics
この論文は、次元の呪いによって従来の動的計画法が困難となる高次元の経済モデルに対し、強化学習が柔軟な解決策を提供する一方で、その実用性はサンプル効率やシミュレータの精度などの制約に依存していることを示す調査である。
The Inequality: Quantifying the Double Penalty of Mixture-of-Experts at Inference
本論文は、混合専門家（MoE）モデルが推論時に「重みの再利用断片化」と「KV キャッシュのメモリ制約」という二重のペナルティに直面し、長文脈環境では密度モデルよりもスループットが劣ることを「 不等式」で定式化し、MoE の推論効率の限界を指摘しています。
Semantic Level of Detail: Multi-Scale Knowledge Representation via Heat Kernel Diffusion on Hyperbolic Manifolds
本論文は、双曲多様体上の熱核拡散を用いた連続的なズーム操作「Semantic Level of Detail (SLoD)」を提案し、グラフラプラシアンのスペクトルギャップから知識グラフの抽象化レベルを自動的に検出する手法を確立したものである。