空中画像の歪みを補正するための空間ワーピングを用いることで、より正確な空中画像の予測が可能になる。
制約を無視すると、冗長または不要な仮説的説明が大量に生成される可能性がある。本研究では、制約を考慮した新しい仮説的説明の概念を提案し、その複雑性と性質を分析する。
大規模言語モデルの推論能力を向上させるために、問題の難易度に応じて適応的に粗粒度な集約と細粒度な反復的な洗練を行うフレームワークを提案する。
線形時間差分学習は、特徴量が線形独立でなくても、近似された価値関数が一意の点に収束し、重み更新が一つの集合に収束することが示された。
COVID-19 症状データを用いて、機械学習モデルを使って患者の診断を予測することができる。
大規模言語モデルを活用し、テキストから抽出した価値観に基づいた新しい価値観測定手法を提案し、その有効性を示す。
連合学習では、クライアントのデータ分布の異質性と全体的な長尾分布の問題に取り組む必要がある。本研究では、適応的ロジット調整、継続的クラスセンター最適化、特徴の装飾化の3つの修正を提案し、これらを組み合わせたFedLFメソッドを開発した。FedLFは、クライアントのローカル学習フェーズで実行され、プライバシーを保護しつつ、長尾分布の問題を効果的に緩和することができる。
データ剪定を通じて、訓練データ分布を目標データ分布に整合させることで、領域適応を行う。
深層部分劣モジュラ関数(EDSFs)は、すべての単調部分劣モジュラ関数を表現する能力を持ち、深層部分劣モジュラ関数(DSFs)よりも優れた一般化性能を示す。
現実世界のロボットへの強化学習の適用を阻害している主要な問題の1つが安全性である。本研究では、事前知識を活用しつつ、学習可能な制約を導入することで、長期的な安全性と不確実性への対処を実現する。