機械学習

サインイン

本論文では、ノンパラメトリックベイズ混合モデルにおいて、混合測度の密度推定を優先した事後分布要約のための新しいアプローチを提案する。

LHCにおけるダークマターと関連したヒッグス粒子対生成の探索において、XGBoostと深層学習を用いた機械学習は、従来のカットベース解析と比較して、信号の有意性を大幅に向上させる。

膨大な地球システムデータで学習した基盤モデル「Aurora」は、従来の予測システムを上回る精度と効率性で、大気質、海洋波、熱帯低気圧の進路、高解像度気象予報など、地球システム予測の複数の分野において最先端の性能を発揮します。

本稿では、従来のシグネチャーカーネルの計算コストの課題を軽減するため、ランダムフーリエ特徴に基づく高速化手法を提案し、大規模時系列データセットへの適用を可能にする。

高次元かつ不完全な市場において、深層学習を用いて二次ヘッジ（平均分散ヘッジとローカルリスク最小化を含む）を効率的に計算する新しい手法が提案されている。

本稿では、確率法則（より一般的には符号付き有限変動測度）を、指定された数のディラック質量の和で最適に近似する「測度量子化」の手法を提案する。

本稿では、拡散モデルに分布制約を導入することで、公平なデータ生成や事前学習モデルの適応といった課題に取り組む、新しい学習フレームワークを提案する。

Decision MetaMamba (DMM)は、従来の決定Transformerに比べ、パラメータ数を大幅に削減しながらも、状態空間モデル(SSM)であるMambaにトークンミキサーを導入することで、オフライン強化学習における性能向上を実現する。

セグメント化された時系列データの分類において、従来の手法では見落とされてきた、連続するセグメント間の文脈依存性とラベルの不整合性という課題を、コンテキスト対応型一貫性学習フレームワークCon4mによって効果的に解決できる。

グラフ縮約（GC）における進捗状況を体系的に評価するために、包括的なベンチマークであるGC-Benchが開発され、その有効性、転送可能性、効率性に関する重要な洞察が得られた。

会社概要

プロダクト

リソース