微分動的因果ネットワーク：モデル構築、同定、およびグループ比較
TL;DR脳システムの病態生理学的モデル化における課題に対し、EEGデータから直接微分因果ネットワークを構築する手法が提案されました。この手法は、神経集団の平均的な振る舞いを記述する結合回路に基づき、階層的な混合効果モデルを採用しています。
Cog AI Archive
最新の記事
人気記事ピックアップ
RedSage: サイバーセキュリティに特化した汎用LLM
TL;DRRedSageは、プライバシーリスクを回避しつつ多様なセキュリティ業務を支援するために開発された、オープンソースのサイバーセキュリティ特化型LLMである。118億トークンの専門データによる事前学習と、エージェントベースのパイプラインで生成された26.6万件の指示データによる調整を経て、既存モデルを上回る性能を実現した。
微分動的因果ネットワーク：モデル構築、同定、およびグループ比較
TL;DR脳システムの病態生理学的モデリングにおける課題を解決するため、EEGデータから直接微分因果ネットワークを構築する新しい手法が提案されました。この手法は、神経集団の平均的な振る舞いを記述する結合回路に基づき、階層的な混合効果モデルを用いて個体間の差異を扱います。
共形予測における被覆率と区間長指標への疑問：短い区間が必ずしも優れているとは限らない
TL;DR本研究は、共形予測の評価指標である被覆率と区間長が不十分であることを指摘しています。特定の条件下で区間長を意図的に短縮する「Prejudicial Trick（PT）」を用いると、被覆率を維持しつつ見かけ上の性能を向上させることが可能です。
共形予測における被覆率と区間長指標への疑問：短い区間が必ずしも優れているとは限らない理由
TL;DR本研究は、共形予測の評価指標である被覆率と区間長が不十分であることを指摘しています。特定の条件下で区間長を意図的に短縮する「Prejudicial Trick」を用いると、被覆率を維持したまま見かけ上の性能を向上させることが可能です。しかし、これは予測の不安定さを招くため、新たに区間安定性という指標を提案しています。
平均報酬Q学習における新しい収縮原理を用いた$\varepsilon^{-2}$依存性の達成
TL;DR平均報酬マルコフ決定過程におけるQ学習の収縮性の欠如という課題に対し、本研究は「レイジー化（lazified）」された動態を用いる手法を提案しました。到達可能性の仮定の下で、同期・非同期の両Q学習において最適なサンプル複雑性である$\widetilde{O}(\varepsilon^{-2})$を達成しています。
VSCOUT: 高次元データ監視のためのハイブリッド変分オートエンコーダによる外れ値検知
TL;DRVSCOUTは、高次元で複雑な分布を持つデータにおける異常検知（特にフェーズIのレトロスペクティブ監視）のために開発された新しい手法です。ARD-VAEを用いた特徴抽出とアンサンブルフィルタリングを組み合わせることで、汚染されたデータからでも「正常状態」の基準を正確に学習し、従来の手法よりも高い検知精度とロバスト性を実現します。
リソース制約下でのロバスト分散学習：非同期ADMMによる分散分位推定
TL;DRリソース制約下でのロバスト分散学習：非同期ADMMによる分散分位推定 arXiv 要約 背景。 技術要点 インパクト。 限界 次の一手 --- 論文情報 - URL: http://arxiv.org/abs/2601.20571v1。
経験的尤度に基づく公平性監査：分布に依存しない認証とフラグ付け
TL;DR機械学習モデルの公平性を監査するための新しいフレームワークとして、経験的尤度（EL）に基づいた手法が提案されました。この手法はデータ分布の仮定を置かないノンパラメトリックなアプローチであり、計算コストを大幅に削減しつつ、高い精度でバイアスの認証と特定が可能であることが示されました。
統計的保証付きLLM性能評価の効率化：FAQ手法の提案
TL;DR大規模言語モデル（LLM）の評価には多大なコストがかかりますが、本研究では限られたクエリ予算内でモデル精度を高精度に推定する新手法「Factorized Active Querying (FAQ)」を提案しました。FAQは履歴データの活用と適応的な質問選択により、ベースラインと比較して最大5倍の効率化を実現し、少ないクエリ数で信頼性の高い評価を可能にします。
Rectified Flowのサンプル複雑度は最適レートを達成：拡散モデルを超える効率性の理論的背景
TL;DR拡散モデルより効率的な生成モデルとして注目されるRectified Flowについて、そのサンプル複雑度が $\tilde{O}(\varepsilon^{-2})$ であることが証明されました。これは従来のFlow Matchingモデルの $O(\varepsilon^{-4})$ を改善し、平均推定の最適レートと一致します。
保存済みの記事がまだありません。
読み込み中…