SAL：スパース化を伴うバックプロパゲーションフリーな学習のための選択的適応学習
標準的なディープラーニングが依存するバックプロパゲーションの生物学的な不自然さと、密な表現における勾配干渉の問題を解決するため、選択的パラメータ活性化と適応的領域分割を組み合わせた「選択的適応学習（SAL）」が提案されました。
Cog AI Archive
最新の記事
表現のアンラーニング：情報圧縮による忘却
機械学習モデルから特定のデータを忘却させる手法として、モデルのパラメータを直接修正するのではなく、内部の表現空間で情報を変換する「Representation Unlearning」という新しい枠組みが提案されました。
表現のアンラーニング：情報圧縮による忘却
機械学習モデルから特定の学習データの情報を削除するマシンアンラーニングにおいて、従来のモデルパラメータを直接変更する手法は計算コストや不安定さが大きな課題であったが、本研究ではモデルの内部表現空間で直接忘却を行う表現アンラーニングという新しい枠組みを提案している。
FlexCausal: 構造的フロー事前分布と多様体認識型介入による柔軟な因果もつれ解消
FlexCausalは、従来の因果もつれ解消学習が抱えていた「ガウス分布への過度な依存」と「潜在変数の独立性に関する制約」を打破するために提案された新しいフレームワークであり、ブロック対角共分散行列を持つVAEと正規化流（Normalizing Flows）を組み合わせることで、複雑な実世界のデータ構造をより正確に捉えることを可能にしています。 この手法では、外生ノイズに対して柔軟な密度推定を行うフローベースの事前分布を導入し、さらに潜在空間内での介入がデータの幾何学的構造（多様体）に沿うように制御する多様体認識型介入戦略を採用することで、構造方程式に矛盾しない高品質な反事実的画像の生成を実現しています。 合成データセット「Filter」を用いた検証および実世界のデータセットを用いた実験において、提案手法は既存の因果表現学習モデルを上回る性能を示しており、特に非ガウス的な統計特性を持つ因果因子の分離や、介入による影響の正確な伝播において顕著な効果を発揮することが確認されています。
FlexCausal：構造的フロー事前分布と多様体認識介入による柔軟な因果もつれ解消
FlexCausalは、複雑な実世界の因果関係を正確に抽出するために開発された、新しい因果もつれ解消表現学習（CDRL）のフレームワークである。従来のモデルが抱えていた「外生変数のガウス分布仮定」と「潜在変数の独立性仮定」という二つの制約を、正規化フローを用いた柔軟な密度推定とブロック対角共分散構造の導入によって打破している。さらに、データの幾何学的構造を考慮した多様体認識型の介入戦略と反事実的一貫性損失を組み合わせることで、構造的に正しく、かつ視覚的に高品質な反事実的画像の生成を可能にした。これにより、従来の因果VAEでは困難であった、非ガウス的なノイズを含む複雑なシステムにおける因果推論と、データの多様体を維持した高品質な画像編集の両立を実現している。
EmboCoach-Bench: 身体性AIエージェントの自律的なロボット開発能力を評価するベンチマーク
EmboCoach-Benchは、大規模言語モデル（LLM）を基盤としたエージェントが、ロボットの制御ポリシーを自律的に設計・実装・最適化する能力を評価するための、世界初のプロジェクトレベルのベンチマークである。
EmboCoach-Bench: 具現化エージェント開発におけるAIエージェントの能力を評価するベンチマーク
EmboCoach-Benchは、AIエージェントがロボットの制御ポリシーを自律的に設計・最適化する能力を評価するための新しいベンチマークであり、32種類の多様なタスクと4つの主要なシミュレーション基盤を用いて、エンジニアリングの全工程を網羅的に測定します。
再帰型スパイキングニューラルネットワークの勾配不要最適化に向けた信号適応型信頼領域法
1. 再帰型スパイキングニューラルネットワーク（RSNN）の強化学習において、個体群ベースの勾配推定に伴うノイズと不安定さを解消するため、推定された信号エネルギーに基づいて更新幅（KLダイバージェンス）を動的に調整する「信号適応型信頼領域法（SATR）」を開発した。 2.
再帰型スパイキングニューラルネットワークの勾配不要な最適化のための信号適応型信頼領域法
再帰型スパイキングニューラルネットワーク（RSNN）は、エネルギー効率に優れた制御ポリシーとして期待されていますが、高次元かつ長期的な強化学習タスクにおける訓練の不安定さが大きな課題となっていました。
思考の連鎖（CoT）圧縮の理論的解析：ALiCoTによる効率的な推論の実現
大規模言語モデルの思考の連鎖（CoT）は高度な推論を可能にする一方で、膨大なトークン生成による計算コストと遅延が課題となっており、推論過程を潜在状態に隠蔽する「暗黙的CoT」は複雑な論理タスクで性能が崩壊するという問題を抱えていました。