2025-01-05 に確認した最新投稿の一部です。
Article: 1
Title:
Published:
2024-12-28
Authors:
Majid Aalizadeh, Morteza Azmoudeh Afshar, Xudong Fan
Abstract:
多重共鳴バイオセンサーと機械学習(ML)を組み合わせて、バイオセンシングにおけるパラメータ予測の精度を大幅に向上させる新しいフレームワークが提案されています。1次元データセットに限定される従来の単一共鳴システムとは異なり、このアプローチは、カスタム設計のナノ構造(アルミニウムリフレクター上に三角形の断面を持つシリコンナノロッドの周期配列)によって生成された多次元データを活用します。このマルチレゾナント構造では高いバルク感度値が達成され、特定のレゾナントピークは最大1706 nm/RIUに達します。横磁性分極(TM)および横電偏光(TE)からの複数の共振ピークの予測力は、リッジ回帰モデリングを使用して評価されます。系統的な解析により、複数の共振を組み込むと、シングルピーク解析と比較して屈折率検出精度が最大3桁向上することが明らかになりました。この精度向上は、バイオセンサーハードウェアを変更することなく実現され、バイオセンシングにおけるデータ中心の戦略の可能性を浮き彫りにしています。この知見は、バイオセンシングにおける新たなパラダイムを確立し、多重共鳴データ取得とMLベースの解析との相乗効果により、検出精度を大幅に向上させることができることを示しています。この研究は、高精度のバイオセンシング技術を進歩させるためのスケーラブルな道筋を提供します。
Article: 2
Title:
Symbolic Approximations to Ricci-flat Metrics Via Extrinsic Symmetries of Calabi-Yau Hypersurfaces
Published:
2024-12-27
Authors:
Viktor Mirjanić, Challenger Mishra
Abstract:
ヤウがカラビ・ヤウ多様体上のリッチ平坦計量の非構成的存在証明を提唱して以来、その明示的な構成を見つけることは、弦理論と代数幾何学の両方の発展にとって大きな障害であり続けている。最近の計算アプローチでは、機械学習を使用して、これらのメトリクスを近似するための新しい神経表現を作成し、高い精度を提供しますが、解釈可能性は限られています。この論文では、Fermat Calabi-Yau n-foldsのフラットメトリクスに対する機械学習の近似と、それらの新しい特性を発見するための3次元での1パラメータ変形の一部を分析します。我々は、平坦な計量が基底の多様体よりも多くの対称性を持つ場合を形式化し、これらの対称性が、平坦な計量が複素構造モジュライの特定の選択肢に対して驚くほどコンパクトな表現を認めることを意味することを証明する。このような対称性が特定の遺伝子座上のフラットメトリックを一意に決定することを示し、それに対して解析形式を提示します。また、理論的な結果をニューラルネットワークに組み込み、複数のCalabi-Yau多様体に対するリッチ曲率の最先端の削減を達成します。最後に、ML モデルを蒸留して、スカラー曲率がほぼゼロの Kahler メトリクスの閉形式式を初めて取得します。
Article: 3
Title:
Published:
2024-12-25
Authors:
Shoma Kudo, Satoshi Kagiwada, Hitoshi Iyatomi
Abstract:
植物病害診断のための画像ベースの自動化システムは数多くの研究で探求されており、優れた診断能力が実証されています。しかし、近年の大規模解析では、学習時とは異なる環境(ドメイン)で撮影された画像で検証すると、診断能力が大きく低下するという重大な限界が明らかになりました。この不足は、本質的にデータセットのサイズが限られていること、病気の症状が多様であること、そして栽培環境や機器や組成などのイメージング条件の大幅な変動に起因しています。これらの要因により、トレーニング データの種類が不十分になり、最終的にはシステムの堅牢性と一般化が制約されます。これらの課題に対処するために、限られたターゲットデータしか利用できない場合でも、実際のシステムで診断精度を向上させるための柔軟で効果的なアプローチであるFew-shot Metric Domain Adaptation(FMDA)を提案します。FMDA は、ソース (トレーニング) データの特徴空間とサンプルが限られているターゲット データとの間の “距離” を最小化する制約を診断モデルに導入することで、ドメインの不一致を減らします。FMDAは計算効率が高く、基本的な特徴距離の計算とバックプロパゲーションのみを必要とし、任意の機械学習(ML)パイプラインにシームレスに統合できます。20の畑と3つの作物種にわたる223,015枚の葉の画像を含む大規模な実験では、FMDAは、ターゲットドメインからの疾患ごとに10枚の画像のみを使用して、ターゲットデータがない場合と比較して11.1ポイントから29.3ポイントのF1スコアの改善を達成しました。さらに、FMDAは、同じデータを使用した微調整方法を常に上回り、平均8.5ポイントの改善を示しました。
Article: 4
Title:
Fundamental Limits in the Search for Less Discriminatory Algorithms – and How to Avoid Them
Published:
2024-12-24
Authors:
Benjamin Laufer, Manisch Raghavan, Solon Barocas
Abstract:
異種インパクトドクトリンは、不公平なデータ駆動型アルゴリズムの決定を対象とする重要な法的装置を提供します。最近の一連の作業は、このドクトリンからのある特定の構成要素、つまり差別の少ない代替案、つまり現状維持またはベースライン政策の同じビジネスニーズを満たしながら格差を縮小する代替政策を概念化し、運用することに焦点を当てています。この論文では、4つの基本的な結果を提示していますが、それぞれが差別性の低いアルゴリズム(LDA)の検索と使用の限界を表しています。(1)統計的には、LDAは固定された母集団を振り返るとほぼ常に識別可能ですが、観測されていない分布で代替分類器がどのように機能するかについて結論を出すことはより困難です。(2)数学的には、分類器は、各グループのサイズと各グループにおける関心のあるプロパティまたは結果の基本率を考慮して、グループ間の精度と選択率の格差の特定の組み合わせのみを示すことができます。(3)計算上、効用のベースラインレベルでの低視差分類器の検索はNP困難です。(4)モデリングと消費者福祉の観点からのみLDAを定義すると、LDAは、不利な立場にあるグループのメンバーを含む消費者を厳密に悪化させるLDAにつながる可能性があります。これらの調査結果は、一見すると企業が差別の主張に対して強力な防御をしているように見えるかもしれませんが、物語の一部しか語っていません。この状況で達成可能なことを制限した否定的な結果の一つ一つについて、実行可能な低格差政策を特定するのに非常に効果的な効果的で低コストの戦略が存在することを示す肯定的な結果を提供します。
Article: 5
Title:
Published:
2024-12-23
Authors:
Mauricio A. Diaz, Srinandan Dasmahapatra, Stefano Moretti
Abstract:
このホワイトペーパーでは、パラメータスキャンアルゴリズムの利用、実装、開発のために考案されたモジュール式のPythonライブラリであるhep-aidを紹介します。もともとは、計算コストの高いBeyond Standard Model(BSM)現象学におけるサンプル効率の高い多目的アクティブサーチアプローチのために考案されたこのライブラリは、現在、Constraint Active Search(CAS)アルゴリズム、多目的アクティブサーチ(AS)法(b-CASTOR)、およびMachine Learning Scan(MLScan)と呼ばれる自己探索法の3つの機械学習(ML)ベースのアプローチを統合しています。これらのアプローチは、サロゲートモデルを使用し、パラメーター空間を戦略的に探索して、より少ない評価で複雑な目的を満たす領域を特定することにより、高次元BSMシナリオにおける多目的最適化の課題に対処します。さらに、メトロポリス・ヘイスティングス法(MCMC-MH)を使用したマルコフ連鎖モンテカルロ法が実装され、メソッドの比較が行われます。このライブラリには、スペクトラム計算機としてSPhenoに基づく高エネルギー物理学(HEP)モジュールも含まれています。ただし、ライブラリモジュールと機能は、簡単に拡張でき、現象学用の他の外部ソフトウェアとも使用できるように設計されています。このマニュアルでは、hep-aidの主な機能の使用方法を紹介し、ライブラリの設計と構造について説明します。前述のパラメータスキャン法に基づくデモンストレーションは、HEPエイド法がBSM研究の効率を向上させ、高度なMLベースのアプローチを活用したHEPコンテキストでの新しい物理学の複雑で多目的な検索のための汎用性の高いツールセットを提供することを示しています。