時系列間の拡散ブリッジモデル
拡散モデルは時系列予測において優れた能力を発揮するが、決定論的な予測においては、その確率的性質による不安定さが課題となる。本稿では、既存の拡散ベースの手法を包含する包括的なフレームワークを提示し、その上で、ブラウンブリッジ過程を活用して逆推定におけるランダム性を低減し、過去の時系列データから得られる事前情報と条件を取り入れることで精度を向上させた、新しい拡散ベースの時系列予測モデル「Series-to-Series Diffusion Bridge Model (S2DBM)」を提案する。
修正された人間原理を用いて、CDTは事前最適政策を正当化できるか？
本稿では、修正された人間原理を用いることで、因果決定理論 (CDT) が、ニューカム問題のような予測と因果関係が複雑に絡み合った状況においても、事前最適政策を推奨できるかどうかを考察しています。
集約を用いた対照学習によるテーブル理解の向上：ACCIO
ACCIOは、元のテーブルとそのピボットテーブルを対照学習で比較することで、テーブル理解を向上させる新しい手法である。
事前トレーニングされたエージェントとワールドモデルのためのスケーリング則
事前トレーニングされたエージェントとワールドモデルのパフォーマンスは、モデルのパラメータ数、データセットサイズ、計算量の増加によって向上しますが、その関係は単純な「大きいほど良い」という直観を超えて、言語モデルと同様にべき乗則に従うことが明らかになりました。
決定点過程事前分布を用いた時間点過程のベイズ混合モデル
本稿では、従来の時間点過程混合モデルにおける過剰適合とクラスタ多様性不足の問題に対処するため、決定点過程事前分布を用いた新しいベイズ混合モデル（TP2DP2）を提案する。
表現空間の橋渡し：ニューロシンボリックAIにおける表現空間
ニューラルネットワークと記号論理処理を組み合わせたニューロシンボリックAIは、AIモデルの全体的なパフォーマンスを向上させる効果的な手法であるが、そのデータ処理方法の違い、特にデータ表現方法の違いが、両者の連携を阻害する要因となっている。
勾配ブースティングツリーと大規模言語モデルを用いた、表形式データのFew-Shot学習
表形式データのFew-Shot学習において、従来手法よりも大幅に性能が向上したとされる大規模言語モデル（LLM）ベースの手法は、比較対象としたベースライン手法の性能が不十分であった可能性があり、実際には勾配ブースティング決定木（GBDT）も適切なパラメータ設定を行うことでFew-Shot学習において競争力のある性能を発揮する。
公平な探索と活用のトレードオフ：コンテキスト依存型バンディット問題における効率的なアルゴリズム
本稿では、グループ公平性の制約下にあるコンテキスト依存型バンディット問題において、効率的な探索と活用のバランスを実現する新規アルゴリズム「FexEx」を提案する。
集中治療室における堅牢なリアルタイム死亡率予測：時間差分学習を用いたアプローチ
時間差分学習を用いることで、集中治療室（ICU）での患者の長期死亡率を、従来の教師あり学習よりも高い精度で予測できる。
極端な多クラス分類におけるラベルの信頼性：極端な多クラス分類器はどの程度適切に較正されているのか？
極端な多クラス分類（XMLC）モデルは、多くの場合、予測の信頼性を示す較正された確率を提供することに失敗しており、特に大規模なデータセットや深層学習モデルでは顕著である。しかし、等張回帰を用いた事後的な較正は、予測精度を損なうことなく、モデルの較正を大幅に向上させる効果的な手法である。
© 2024 by Linnk AI