2025-01-11 に確認した最新投稿の一部です。
Article: 1
Title:
Published:
2025-01-07
Authors:
Hongruyu Chen, Helena Aebersold, Milo Alan Puhan, Miquel Serra-Burriel
Abstract:
因果機械学習(ML)手法は、個別化治療効果を推定することで、精密医療を前進させる大きな可能性を秘めています。しかし、その信頼性は、経験的な設定ではほとんど検証されていません。この研究では、2つの大規模なランダム化比較試験(International Stroke Trial(N=19,435)とChinese Acute Stroke Trial(N=21,106)のデータを使用して、メタラーナー、ツリーベース法、深層学習法を含む17の主流の因果不均一性ML法の内部および外部妥当性を評価しました。その結果、どのML手法も、内部でも外部でもパフォーマンスを確実に検証しておらず、提案された評価指標のトレーニングデータとテストデータの間に大きな不一致があることが明らかになりました。学習データから推定された個別化された治療効果は、分布シフトがない場合でも、テストデータに一般化されませんでした。これらの結果は、精密医療における因果型MLモデルの現在の適用性について懸念を提起し、一般化可能性を確保するためのより堅牢な検証手法の必要性を浮き彫りにしています。
Article: 2
Title:
Predicting the dynamics of a gas pocket during breaking wave impacts using machine learning
Published:
2025-01-07
Authors:
Rodrigo Ezeta, Bulent Düz
Abstract:
私たちは、砕波が固体壁に衝突したときに形成されるガスポケットのダイナミクスを予測するための機械学習モデルの実現可能性と精度を調査します。提案されたMLモデルは、畳み込み長短期記憶構造に基づいており、実験データで訓練されています。特に、衝突前の2つの高速カメラスナップショットを入力として受け取り、ガスポケットのダイナミクスを表す6つのスカラーを出力として生成します。実験は波状水路で行われ、ソリトンと水深プロファイルを組み合わせて、動的圧力センサーで計装された固体壁の近くで砕波を発生させます。水深 $h_\ell$ とパラメータ $\alpha = A/h_\ell$ ($A$ はソリトン波の振幅) を変化させることで、ガス ポケットのサイズと波動学が異なるユニークな砕波のファミリーを生成できます。このいわゆる波生成の位相空間($h_\ell$、$\alpha$)では、データセットを形成する67の異なる波の状態について実験を行います。実験的に、ガスポケットの振動周波数は、ガスの初期体積に幾何学的補正を加えたものに起因し、最大圧力と最小圧力は1次元のバグノルドモデルによって定性的によく捉えられることがわかりました。MLモデルに関しては、その性能を実験データと比較し、特にガスポケット内の最大圧力と最小圧力、振動周波数について、実験で見つかった傾向を定量的に再現していることがわかりました。
Article: 3
Title:
Published:
2025-01-09
Authors:
Hao-Chi Che, Huai-Ning Wu
Abstract:
この論文では、モーフィング航空機(MA)の変形と飛行の協調制御問題を、メタラーニング(ML)と結合状態依存リカチ方程式(CSDRE)を使用して研究します。この手法は、さまざまなモーフィング条件下でのMAの動的モデルがモーフィング条件に依存しない表現関数を共有することと、特定のモーフィング条件部分が一連の線形係数に存在するという2つの主要な観察結果に基づいています。そのために、ドメイン敵対的不変メタ学習(DAIML)を使用して、オフラインフライトデータとの共有表現を学習します。学習した表現関数に基づいて、MAの変形と飛行の協調制御を非協調微分ゲームとして定式化します。状態依存のフィードバック制御ソリューションは、CSDREのペアをアドレス指定することで導き出すことができます。この目的のために、Lyapunov反復を拡張して、CSDREの正の半定値(定値)安定化解を取得し、提案されたアルゴリズムの収束証明を提供します。最後に、開発された協調的なゲーム制御戦略の有効性を検証するために、シミュレーション研究が実施されます。
Article: 4
Title:
Bringing Order Amidst Chaos: On the Role of Artificial Intelligence in Secure Software Engineering
Published:
2025-01-09
Authors:
Matteo Esposito
Abstract:
文脈。安全で信頼性の高いソフトウェアの開発は、ソフトウェアエンジニアリング(SE)における重要な課題であり続けています。進化し続けるテクノロジー環境は、機会と脅威の両方を提供し、混沌と秩序が競い合うダイナミックな空間を作り出しています。セキュア・ソフトウェア・エンジニアリング(SSE)は、ソフトウェア・システムを危険にさらし、重要な国家インフラの侵害や多額の財政的損失を引き起こすなど、より広範な社会経済的リスクをもたらす脆弱性に継続的に対処する必要があります。研究者や実務家は、これらの脆弱性を検出して軽減するために、静的アプリケーションセキュリティテストツール(SASTT)や、機械学習(ML)や大規模言語モデル(LLM)などの人工知能(AI)アプローチなどの方法論を模索してきました。各方法には、独自の長所と制限があります。 目的。この論文は、AIの精度に影響を与えるドメイン固有の違いに対処することにより、SSEの混乱に秩序をもたらすことを目指しています。 方法論。この研究では、努力を意識した指標の評価、SASTTの分析、メソッドレベルの分析の実施、システマティックデータセットレビューなどのエビデンスに基づく手法の活用など、経験的な戦略を組み合わせて採用しています。これらのアプローチは、脆弱性予測データセットの特性評価に役立ちます。 業績。主な調査結果には、脆弱性を特定するための静的分析ツールの限界、脆弱性タイプのSASTTカバレッジのギャップ、脆弱性の深刻度スコア間の弱い関係、ジャストインタイムモデリングを使用した欠陥予測精度の向上、手つかずの方法によってもたらされる脅威などがあります。 結論。この論文では、SSEの複雑さと、AIによる脆弱性と欠陥の予測を改善するためのコンテキスト知識の重要性を強調しています。包括的な分析により、効果的な予測モデルが進歩し、研究者と実務家の両方に利益をもたらします。
Article: 5
Title:
Physics-inspired Machine Learning for Quantum Error Mitigation
Published:
2025-01-08
Authors:
Xiao-Yue Xu, Xin Xue, Tianyu Chen, Chen Ding, Tian Li, Haoyi Zhou, He-Liang Huang, Wan-Su Bao
Abstract:
ノイズは現在の量子コンピューティングにおける大きな障害であり、機械学習による量子エラー軽減 (ML-QEM) はこの課題に対処し、標準的な QEM 手法のサンプリング オーバーヘッドを削減しながら計算精度を向上させることを約束します。しかし、既存のモデルは物理的な解釈可能性に欠けており、広範なデータセットに大きく依存しているため、大規模な量子回路でのスケーラビリティが妨げられています。これらの問題に取り組むために、量子ノイズ蓄積の構造特性を多層回路に組み込んだML-QEM用の物理発想ニューラルネットワークであるNNAS(Neural Noise Accumulation Surrogate)を導入し、モデルに物理的な解釈可能性を付与します。実験結果は、NNASがエラー軽減機能、量子リソース消費、トレーニングデータセットサイズなど、さまざまな指標で現在の方法よりも優れていることを示しています。特に、QEM方式が一般的に困難であるより深い回路の場合、NNASはエラーを半分以上に大幅に削減します。また、NNASは、回路層全体のノイズ蓄積パターンを迅速にキャプチャできるため、必要なトレーニングデータが大幅に減少し、データセットへの依存度が少なくとも一桁減少します。この研究は、量子プロセスから派生した構造特性をニューラルネットワークアーキテクチャに統合する先駆者であり、QEMの性能と適用性を広く向上させ、さまざまな量子インスパイアードニューラルネットワークアーキテクチャに拡張する統合パラダイムを確立します。