機械学習、特にTransformerモデルを用いることで、複雑な散乱振幅、特にスピノルヘリシティー表現を効率的に簡素化できる可能性がある。
本稿では、機械学習における確率分布の最適化問題において、ミラー降下法と前処理付き勾配降下法をワッサースタイン空間に適用し、従来手法よりも効率的な最適化を実現する新しいアルゴリズムを提案する。
本論文では、観測データが複数の純粋な信号の重み付き和として生成される場合に、信号分離のための新しいベイズノンパラメトリックアプローチを提案する。このアプローチは、ガウス過程潜在変数モデル(GPLVM)を拡張し、観測されていない要因によって変化する信号をモデル化する。
本論文では、連続確率空間におけるmin-max最適化問題に対して、証明可能な粒子ベース主双対アルゴリズム(PAPAL)を提案し、混合ナッシュ均衡(MNE)を近似的に求める。
パーソナライズ化されたマルチモーダルデータを用いた、効率的かつ効果的なオンデバイスAIモデル適応のための、クラウドとデバイスのコラボレーションに基づく新しいフレームワークを提案する。
本論文では、多腕バンディット問題の新しいフレームワークである、多変量かつ確率的にトリガーされるアームを持つ組み合わせ的多腕バンディット(CMAB-MT)を提案し、その枠組みがエピソード強化学習問題を含む多くの重要な問題に適用できることを示す。
大規模ビジョン言語モデル (LVLM) における幻覚現象を軽減するため、幻覚誘導型最適化 (HIO) という新しい戦略が提案されている。
異なる次元を持つヒルベルト空間間の最適なマッピングを実現する部分ユニタリ演算子の学習方法と、その量子力学の逆問題、古典データ分析、ユニタリダイナミクス学習への応用について論じている。
本稿では、時間的特徴を保持するランダムウォークに基づく埋め込みを用いることで、異なるノード数と時間スパンを持つ時間グラフ間の新しい距離尺度を提案する。
本稿では、高次元データにおけるカーネル計算の計算量を削減する近似手法を提案する。これは、高次元カーネルをスライス表現を用いて一次元カーネルの集合として表現し、高速フーリエ変換などを用いて効率的に計算するものである。