SAGE：生成的推薦のためのシーケンスレベルの適応的勾配進化
既存の生成型推薦システムであるOneRecなどは、専用の語彙構築に依存しており、これが高い維持コストや拡張性の欠如、さらには30%を超えるセマンティック衝突を引き起こしていた。また、従来の最適化戦略であるGBPOは静的な勾配境界を持つ「対称的な保守性」という問題を抱えており、コールドスタート項目の露出を44.
Cog AI Archive
最新の記事
SAGE：生成的推薦のためのシーケンスレベルの適応的勾配進化
既存の生成型推薦システムが抱える専用語彙への依存と、固定的な勾配制限によるコールドスタート項目の抑制および多様性の欠如という課題を解決するため、大規模言語モデルの語彙を直接再利用しつつ、シーケンスレベルで最適化を行う新たなフレームワークであるSAGEを提案した。
LION：マルチモーダル属性グラフ学習のためのクリフォード・ニューラルパラダイム
マルチモーダル属性グラフ（MAG）におけるモダリティ間の整列不全と融合の適応性不足を解消するため、クリフォード代数に基づく新しい神経パラダイム「LION」を提案しました。 幾何学的多様体上での高次グラフ伝播（CGP）により、グラフの広域な文脈を考慮した効率的なモダリティ整列を実現し、従来の1ホップ制限やモダリティ固有の制約を数学的に克服しています。 整列済みトークンの幾何学的グレード特性を活用する適応型ホログラフィック集約（AHA）を導入し、エネルギーとスケールに基づく動的なフィルタリングを通じて、9つのデータセットと6つの下流タスクで最高水準の性能を達成しました。
LION：マルチモーダル属性グラフ学習のためのクリフォード神経パラダイム
LIONは、マルチモーダル属性グラフ（MAG）におけるモダリティの整列と融合の課題を解決するために、クリフォード代数を導入した新しい神経パラダイムである。従来のグラフ機械学習手法がグラフの文脈を無視した整列や、トポロジーの事前知識を十分に活用できない融合に陥っていたのに対し、本手法は幾何学的な多様体上での伝播と集約を分離して実行することで、高次の相互作用を捉える。9つのデータセットを用いた広範な実験により、グラフ関連タスクで平均5.24%、モダリティ関連タスクで平均7.68%の精度向上を達成し、数学的な安定性と収束性の証明により、理論的な堅牢性と最先端の性能を実証している。
コンフォーマル予測における被覆率・長さ指標への疑問：短い区間がより良いとは限らないとき
従来のコンフォーマル予測（CP）の評価において、実際の値を含む「被覆率」と予測の精密さを示す「平均区間長」の二つの指標だけでは、手法の真の有用性や信頼性を判断するには不十分であることが本研究によって指摘されました。
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
共形予測（CP）の評価で主流の「被覆率」と「区間長」という指標は、特定の確率で空集合を返す「Prejudicial Trick（PT）」という手法によって、統計的な妥当性を維持したまま数値だけを欺瞞的に向上させることが可能です。
HER：LLMロールプレイングのための人間らしい推論と強化学習
現在の大規模言語モデル（LLM）によるロールプレイは、キャラクターの口調や知識の模倣には長けているものの、その行動の背後にある内面的な思考や推論をシミュレートすることが困難であるという課題を抱えています。
HER: LLMロールプレイングのための人間らしい推論と強化学習
HER（Human Emulation Reasoning）は、LLMのロールプレイングにおいてキャラクターの内面的な思考を高度にシミュレートするための統合フレームワークであり、隠された三人称視点の「システム思考」と、公開される一人称視点の「ロール思考」を分離した二層構造の思考プロセスを導入しています。
L$^3$: 大規模ルックアップ層
L3（Large Lookup Layer）は、従来のMixture-of-Experts（MoE）が抱える動的ルーティングに伴うハードウェア効率の低下や学習の不安定さを解消するために提案された、新しいスパースアーキテクチャである。
L$^3$：大規模ルックアップ層
L$^3$（Large Lookup Layer）は、従来のMixture-of-Experts（MoE）が抱えるハードウェア効率の低下や学習の不安定さを克服するために提案された、新しいスパースなデコーダ層のアーキテクチャである。