タイムライン検索

2026年5月29日

形式的予測（CP）とその拡張である形式的リスク制御（CRC）は、機械学習における不確実性を形式的保証を通じて定量化するための確立されたフレームワークである。しかし、最近のAIの革新は教師なし生成モデルによってもたらされている。

arXiv cs.LG

2026年6月1日

arXiv:2605.30675v1 不確実性定量化は大規模言語モデルの行動分析における大規模で成長するサブフィールドである。主にハルシネーション認識および対策のため、このフィールドは不確実性判断のタスク有効性への精度であるキャリブレーションの測定と改善に主に焦点を当ててきた。本研究では、

arXiv cs.CL

2026年6月2日

確率的勾配降下法（SGD）と確率的勾配ランジュバン動力学（SGLD）などのアルゴリズムの調整は、特にバッチサイズが大きい場合またはモデルが誤指定されている実際の関連設定では、近似サンプリングと不確実性定量化について課題が残ります。

arXiv cs.LG

2026年6月8日

シンボリック回帰（SR）は、数学関数の空間を体系的に探索し、データセット内の基礎的な関係を正確に捉えるモデルを発見する手法のクラスです。この分野の最近の進展にもかかわらず、不確実性定量化（UQ）のサポート不足が現実世界の意思決定プロセスへの採用を制限しています。回帰分析では、UQはモデルの信頼性に関する重要な情報を提供し、データの不確実性を考慮することでオーバーフィッティングを回避し、意思決定に向けた洞察を提供するのに役立ちます。本調査は、この問題に初めて明確に対処するもので、シンボリック回帰におけるUQの本質的な概念を紹介し、現在の文献を頻度主義的、ベイズ的、モデル選択という3つの研究方向に広く分類してレビューしています。その重要性にもかかわらず、シンボリック回帰におけるUQはまだ十分に探索されていないため、シンボリック回帰のための信頼できるUQ手法の研究をさらに進めることが重要です。

arXiv cs.LG

2026年7月1日

臨床医学では構造化された表形式データが主流ですが、既存のベンチマークは、複雑な調査サンプリング、人口統計学的オーバーサンプリング、サブグループの公平性といった現実世界の特性を反映できていません。本研究では、NHANES 2003-2006から派生したNHANES加速度計心血管代謝ベンチマークを導入します。これには、ヒップ装着型加速度計、絶食時検査室バイオマーカー、食事摂取量、身体測定値を持つ1,381人の成人データが含まれます。活動フェノタイプとライフスタイル共変量からグリコヘモグロビン（HbA1c）、絶食時トリグリセリド、C反応性タンパク質（CRP）を予測するために、3つの表形式学習手法（リッジ回帰、XGBoost、基盤モデルTabPFN v2）を評価します。TabPFN v2は全体的に最高のパフォーマンス（HbA1c R^2=0.156、CRP R^2=0.383）を達成しましたが、トリグリセリドは遺伝的優位性が知られていることと一致して、予測は困難なままでした（R^2 < 0.05）。

arXiv cs.LG

2026年7月7日

深層学習を用いて、人間によるラベル付けなしで、データが「リアル」か「ボガス」（偽物）かを分類する新しい手法が開発されました。この技術は、自動化されたデータ処理パイプラインにおいて、データの信頼性を評価する上で重要な役割を果たします。 研究チームは、人工的に生成された「トランジェント」と呼ばれるデータと、汚染された実際の観測データを学習に活用しました。これにより、人間が事前にラベルを付けたデータを用意する手間を省き、効率的な学習を可能にしています。 さらに、モデルの予測がどれだけ確からしいかを示す「不確実性定量化」についても検証が行われました。その結果、MCドロップアウトとディープアンサンブルという二つの手法を比較し、両者を組み合わせたハイブリッド戦略が有効であることが示唆されました。この不確実性定量化は、分類結果の信頼性を判断する上で役立ちます。 （arXiv cs.LG）

arXiv cs.LG

2026年7月15日

大規模言語モデル（LLM）は、現実世界のタスクを自律的に解決するためにますます導入されています。そのための重要な要素は、LLMにツール使用能力を付与するための広く使われているアプローチであるLLMファンクションコーリングパラダイムです。しかし、LLMが誤って関数を呼び出すと、特に資金の送金やデータの削除など、その影響が元に戻せない場合には、深刻な結果を招く可能性があります。

Apple Machine Learning Research

2026年7月15日

バッテリー劣化の長期的物理ベースシミュレーションは、メカニズムの理解に役立つが、計算コストが高く、長期間のサイクル寿命にわたる運用条件の稠密な探索には限界がある。ここでは、未知の充電レートにおけるリチウムイオンバッテリー劣化軌跡の代理モデリングのための、物理確率学習フレームワークを提案する。PyBaMMのDFN/P2D電気化学モデルで生成されたサイクル解決型劣化データを、まず容量に合わせた電圧および誘導体特徴量に変換し、変分オートエンコーダー（VAE）を用いてエンコードする。得られた2次元潜在空間は、サイクル進行と充電プロトコルの両方に応じて劣化軌跡を整理する。次に、サイクル数とCレートを入力変数として、この潜在空間でスパースマルチタスクガウス過程（GP）を訓練し、事後不確実性推定とともに潜在的劣化ダイナミクスの連続補間を提供する。プロトコルレベルのホールドアウト評価では、潜在空間GPは未知のCレート軌跡を正確に回復し、訓練データのサポートと一致する不確実性挙動を示す。

arXiv cs.LG