キャリブレーション指標の真実性：真実性ギャップの分析と新たな指標の提案
既存のキャリブレーション指標は、予測の真実性を適切に評価できない場合があり、予測モデルがシステムを悪用することを許してしまう可能性がある。本論文では、サンプリングに基づく新たな指標を提案し、その有効性を示す。
fMRI を用いた人間の視覚脳機能の機械視覚モデルへの模倣：Brainformer
人間の脳活動パターンをfMRIデータから分析し、その情報を活用することで、従来の自己教師あり学習を超える性能を持つ機械視覚モデルを開発できる可能性がある。
データ中心型グラフ学習：グラフデータの質と活用を最適化する手法の包括的な調査
グラフモデルの性能向上には、モデル中心的なアプローチではなく、グラフデータの質と活用を最適化するデータ中心的なアプローチが重要である。
連合学習における敵対的転移可能性の理解に向けて
連合学習（FL）システムは、従来の中央学習システムと比較して、転移ベースの敵対的攻撃に対して、特に両方のシステムが通常の悪意のないデータを処理する能力が同等の場合、より高いレベルの堅牢性を示す。
リスク考慮型強化学習における指数基準の研究
リスク考慮型強化学習において、指数基準を用いた新しいアルゴリズムを提案し、そのロバスト性とサンプル効率の向上について論じています。
変分最近傍ガウス過程
本論文では、大規模データセットに対して、従来の低ランク近似法よりも高精度な予測を可能にする、スケーラブルな変分ガウス過程法であるVNNGPを提案する。VNNGPは、スパースな精度行列近似と最近傍探索を組み合わせることで、計算量を抑えつつも高い予測精度を実現する。
ニューラルフィールドを用いた生成潜在拡散モデルによる合成乱流流入：CoNFiLD-inlet
CoNFiLD-inletは、従来の手法や他の深層学習ベースの手法よりも優れた、現実的で堅牢な、かつスケーラブルな乱流流入境界条件を生成するための新しい深層学習ベースのフレームワークである。
多変量ガウス分布における条件付き推論への無差別攻撃
本稿では、多変量ガウス分布モデルにおける敵対的攻撃の枠組みを提案し、攻撃者が条件付き推論を撹乱する方法と、その影響について考察する。
実験データに基づくグラフニューラルネットワークを用いた細孔スケール多相流の学習
本稿では、従来の数値モデルでは捉えきれない複雑な細孔スケール物理現象を捉えるため、グラフニューラルネットワークを用いてマイクロCT実験データから細孔スケール流体流動を直接学習する新しいアプローチを提案しています。
LIME 説明可能な AI 技術を用いた口腔扁平上皮癌の診断パフォーマンス向上のための深層学習アプローチ
本研究では、EfficientNetB3 を用いた深層学習モデルが、口腔扁平上皮癌（OSCC）の組織病理画像の分析において、98.33%の高い精度を達成し、LIMEを用いた説明可能なAI技術と組み合わせることで、OSCC診断における深層学習の可能性を示した。
