深層学習と条件付き正規化フローを用いることで、氷床内ラジオ検出器からの生信号から、ニュートリノの方向、エネルギー、フレーバー(相互作用タイプから推定)を高精度に再構成し、イベントごとの事後確率分布、特にニュートリノ方向の非対称な不確実性を初めて予測できるようになった。
モーターの故障診断において、短時間フーリエ変換とその亜種を用いて電流信号を時間-周波数2次元画像に変換し、畳み込みニューラルネットワーク(CNN)で学習することで、従来の機械学習手法や2次元画像ベースの手法を上回る、高い精度で故障診断が可能になる。
ウェーブレット変換を用いてモータ電流信号を時間-周波数2次元表現に変換することで、深層学習モデルを用いたモータ故障診断の精度を向上させることができる。
本稿では、画像復元における公平性の新しい定義として、異なるグループの画像の分布を均等に維持できるかを評価する「知覚的公平性(PF)」を提案する。
本稿では、行列ノイズ除去問題において、BABPノイズ除去器が漸近的にベイズ最適であることを、直交不変事前分布と、ウィシャート行列信号とウィグナー行列ノイズというより一般的な場合を考察することで示す。
本稿では、観測データがまばらでノイズの多いカリフォルニア州セントラルバレーにおいて、地下水位の長期および季節変動トレンドをモデル化するために、ガウス過程と深層ニューラルネットワークを組み合わせた新しい機械学習手法を提案しています。
本稿では、勾配ノルムの分位数をクリッピングしきい値として用いる、確率的勾配降下法(SGD)の新しいクリッピング戦略を紹介する。この戦略は、裾の重いサンプル(無限分散を含む)や、データストリームにおける一部の外れ値に対してロバストかつ効率的な最適化アルゴリズムを提供する。
本稿では、非独立非等方データから共通の線形表現を効率的に学習するアルゴリズムを提案し、その収束性を理論的に解析した。従来の手法では、データの非独立性や非等方性によってバイアスが生じ、サンプル効率が低下する問題があった。提案手法であるDe-bias & Feature-Whiten (DFW)は、これらのバイアスを軽減することで、従来手法よりも優れたサンプル効率を達成できることを示した。
有限のサンプリングレートを持つ連続時間線形システムに対して、非確率的なノイズの下で学習し、固定の最適線形コントローラと同等の性能を発揮するオンライン制御アルゴリズムを設計することが可能である。
本稿では、ランダム特徴モデル(RFM)と2層ニューラルネットワークの学習能力を統一的に解析するための双対性フレームワークを提案し、近似と推定の間の双対性を情報ベースの複雑性の観点から明らかにする。