Fréchet regression of multivariate distributions with nonparanormal transport
本論文は、非パラノーマル輸送（NPT）メトリックをフレシェ回帰に統合することで、多次元分布応答の回帰分析における次元の呪いを緩和し、効率的な推定と解釈可能性を両立させる新しい手法を提案し、その理論的保証と実データへの適用性を示したものである。
📊 Category
stat.ML
329 件の論文
Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
この論文は、複雑な時空間依存関係と不確実性を扱うために、事前加算ノイズを駆動とした軽量な深生成アーキテクチャを用いた「深生成時空間回帰（Deep Generative Spatiotemporal Engression）」手法を提案し、6 つの疫学データセットにおける評価で、従来の時空間モデルを凌駕する高精度な確率的流行予測と説明可能性を実現したことを報告しています。
Combining Adam and its Inverse Counterpart to Enhance Generalization of Deep Learning Optimizers
この論文は、Adam の逆更新メカニズムを導入した「InvAdam」と、その収束性を補完する「DualAdam」を提案し、理論的解析と画像分類・大規模言語モデルの微調整実験を通じて、Sharp Minima の回避と汎化性能の向上を達成したことを示しています。
Making LLMs Optimize Multi-Scenario CUDA Kernels Like Experts
本論文は、科学計算を含む多様なシナリオを網羅するベンチマーク「MSKernelBench」を提案し、これに基づいてプロファイリング情報やコンパイル・実行ツールチェーンの自動構築を活用するマルチエージェントシステム「CUDAMaster」を開発することで、既存の自動化手法や cuBLAS などの高度に最適化されたライブラリと競合する性能を実現したことを示しています。
Conditional Rank-Rank Regression via Deep Conditional Transformation Models
この論文は、深層学習に基づく条件付き変換モデルと交差適合法を導入して連続・離散の両方の結果変数に対応する条件付きランク・ランク回帰（CRRR）を拡張し、非線形性や高次相互作用を考慮した世代間移動度のより正確な推定と推論を可能にする手法を提案し、米国所得やインドの教育移動度に関する実証分析を通じてその有効性を示しています。
Variational Flow Maps: Make Some Noise for One-Step Conditional Generation
この論文は、条件付き生成や逆問題を単一ステップで解決するため、サンプリング経路の誘導ではなく「適切な初期ノイズ分布を学習する」という新たな視点に基づき、変分フローマップ（VFM）というフレームワークを提案するものです。
Adversarial Latent-State Training for Robust Policies in Partially Observable Domains
この論文は、部分的に観測可能な強化学習における潜在状態分布のシフトに対する頑健性を向上させるため、敵対的な潜在初期状態分布を選択する設定を定式化し、理論的な証明と「戦艦」ベンチマークを用いた実証実験を通じて、構造化された敵対的曝露が最悪ケースの脆弱性を効果的に軽減することを示しています。
A Distributed Gaussian Process Model for Multi-Robot Mapping
この論文は、局所的な経験と計算のみを用いて大域関数を学習する分散ガウス過程モデル「DistGP」を提案し、動的接続環境や非同期学習に対応しながら、中央集権的バッチ学習と同等の性能を達成し、既存の分散手法よりも高い精度とロバスト性を示すことを実証しています。
Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II
この論文は、累積コストの予測を通じて潜在状態空間のダイナミクスを学習するコスト駆動型表現学習アプローチ（明示的学習と MuZero に類似した暗黙的学習の 2 手法）を用いて、無限時間不変線形二次ガウス（LQG）制御において、近最適な表現関数と制御器の有限サンプル保証を確立し、その解析に新たな確率過程の持久励起性を証明することを示しています。
Probabilistic Inference and Learning with Stein's Method
この論文は、Stein 演算子と Stein 集合から Stein 不一致を構築する方法、その計算可能性や収束検出などの性質、および Stein 変分勾配降下法との関連性など、Stein 法を用いた確率推論と学習の理論的・方法的側面を包括的に概説するものである。
Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy
この論文は、差分プライバシーの安定性を活用してデータを分割せずにフルデータで動作する新しい共形予測フレームワークを提案し、従来の分割ベースの手法よりも鋭い予測集合を実現しつつ、特定の条件下で名目上のカバレッジ水準を漸近的に回復できることを示しています。
An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
この論文は、複雑な時系列依存性と進化する横断面構造を有する高次元金融時系列における構造的な不安定性を検出するために、予測不一致、再構成の劣化、潜在歪み、ボラティリティのシフトなどの信号を統合し、経済的に整合的な要因レベルの帰属を可能にする解釈可能な生成フレームワーク「ReGEN-TAD」を提案するものである。
Reject, Resample, Repeat: Understanding Parallel Reasoning in Language Model Inference
この論文は、粒子フィルタリング（特に逐次モンテカルロ法）の理論的枠組みを用いて、言語モデル推論における並列サンプリング手法の精度とコストのトレードオフを厳密に分析し、その理論的限界と実証的な知見を明らかにしています。
Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids
本論文は、モンテカルロドロップアウト、変分フィードフォワード層、および確率的アテンションという 3 つの不確実性メカニズムを統合したベイズ変換器（BT）を提案し、極端な気象条件下でも優れた較正と不確実性推定を実現することで、スマートグリッドの確率的負荷予測において最先端の性能を達成したことを報告しています。
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。
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$4_1\#9_{10}$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。
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。
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。
Explainable Condition Monitoring via Probabilistic Anomaly Detection Applied to Helicopter Transmissions
この論文は、健全なデータのみを用いて確率的な異常検出手法を構築し、ベイズ推論による不確実性の定量化と説明可能性を備えた helicopter 伝動装置の条件監視手法を提案し、公開ベンチマークおよび実世界データによる検証で最先端の手法と同等の性能を達成したことを示しています。
Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting
この論文は、長期的時系列予測の分野において、MSE や MAE といった集計誤差指標の微細な改善に焦点を当てた現在のベンチマーク駆動型の評価手法が、実際の意思決定や時系列構造の維持といった本来の目的と構造的に乖離していることを指摘し、統計的忠実性、構造的整合性、意思決定への関連性を統合した多面的な評価視点への転換を提唱しています。