研究者詳細

顔写真

アリウ　カイト
蟻生　開人
Kaito Ariu
所属
データ駆動科学・ＡＩ教育研究センター　ＡＩ教育研究部門
職名
特任助教（研究）
学位

  • 博士(工学) （スウェーデン王立工科大学）

e-Rad 研究者番号
80984286

経歴 2

  • 2026年6月 ～ 継続中
    東北大学　データ駆動科学・AI教育研究センター AI教育研究部門　特任助教(研究)

  • 2021年 ～ 継続中
    株式会社サイバーエージェント　AI Lab　リサーチサイエンティスト

学歴 1

  • KTH Royal Institute of Technology　EECS, Doctoral Program　Division of Decision and Control Systems

    2018年 ～ 2023年

委員歴 7

  • AAAI Conference on Artificial Intelligence (AAAI 2026)　Senior Program Committee Member

    2026年 ～

  • International Conference on Learning Representations (ICLR 2026)　Area Chair

    2026年 ～

  • Annual Conference on Neural Information Processing Systems (NeurIPS 2026)　Area Chair

    2026年 ～

  • The 43rd International Conference on Machine Learning (ICML 2026)　Area Chair

    2026年 ～

  • The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)　Area Chair

    2025年 ～

  • The 42nd International Conference on Machine Learning (ICML 2025)　Area Chair

    2025年 ～

  • The Thirty-eighth Annual Conference on Neural Information Processing Systems (NeurIPS 2024)　Area Chair

    2024年 ～

︎全件表示 ︎最初の5件までを表示

受賞 18

  1. 言語処理学会第31回年次大会 優秀賞

    2025年3月　テキスト生成における最小ベイズリスク復号の理論的な理解に向けて

  2. Top Reviewer NeurIPS 2023

    2023年11月　NeurIPS

  3. 飯塚毅育英会 海外留学奨学金

    2018年

  4. 中島記念国際交流財団 海外留学奨学生

    2017年9月

  5. 日本学術振興会特別研究員 (DC1) 採用

    2017年4月

  6. 孫正義育英財団 第一期生 採用

    2017年

  7. プレSEUT奨励制度奨励金 採用

    2016年10月

  8. 特に優れた業績による奨学金返還免除

    2016年5月　日本学生支援機構

  9. 日本学生支援機構第二種奨学金(短期留学) 採用

    2016年2月

  10. 第59回 宇宙科学連合講演会若手奨励賞 最優秀賞

    2016年2月

  11. トビタテ!留学JAPAN 日本代表プログラム 第4期生採用

    2016年2月

  12. Advances in Space Research - Most Downloaded Article in the last 90 days, A dimensionless relative trajectory estimation algorithm for autonomous imaging of a small astronomical body in a close distance flyby

    2016年

  13. 公益法人 NEC C&C 財団 国際会議論文発表者助成事業 採択

    2015年10月

  14. 博士課程リーディングプログラム「社会構想マネジメントを先導するグローバ ルリーダー養成プログラム」採用

    2015年10月

  15. 東京大学工学系研究科 海外選抜派遣プログラム「MIT との分野横断型グロー バル人材育成のための集中ワークショッププログラム」選抜, 参加

    2015年9月

  16. Distinction Award of Hybrid Art, Prix Ars Electronica 2015, ARTSAT1:INVADER team

    2015年5月

  17. 東京大学総長賞

    2015年3月　東京大学

  18. 日本航空宇宙学会学生賞

    2015年3月

︎全件表示 ︎最初の5件までを表示

論文 47

  1. Adaptive Joint Testing of Policies in Discounted Markov Decision Processes 査読有り

    Po-An Wang, Kaito Ariu

    NeurIPS　39　2026年12月

  2. Posterior Tracking for Best-Arm Identification in Bernoulli Bandits 査読有り

    Kaito Ariu, Junpei Komiyama

    NeurIPS　39　2026年12月

  3. Consensus Group Relative Policy Optimization for Text Generation 査読有り

    Yuki Ichihara, Yuu Jinnai, Kaito Ariu, Eiji Uchibe

    EMNLP 2026 (Main Conference)　2026年10月

  4. Last-Iterate Convergence of Regularized Gradient Methods for Stochastic Monotone Variational Inequalities 査読有り

    Shinji Ito, Taira Tsuchiya, Kaito Ariu, Kenshi Abe

    ICML　306　50047-50071　2026年7月

    出版者・発行元： PMLR

  5. Asymmetric Perturbation in Solving Bilinear Saddle-Point Optimization 査読有り

    Kenshi Abe, Mitsuki Sakamoto, Kaito Ariu, Atsushi Iwasaki

    ICML (Oral)　306　150-184　2026年7月

    出版者・発行元： PMLR

  6. Policy Testing in Markov Decision Processes 査読有り

    Kaito Ariu, Po-An Wang, Alexandre Proutiere, Kenshi Abe

    AISTATS　2026年5月

    詳細を見る 詳細を閉じる

    We study the policy testing problem in discounted Markov decision processes (MDPs) under the fixed-confidence setting. The goal is to determine whether the value of a given policy exceeds a specified threshold while minimizing the number of observations. We begin by deriving an instance-specific lower bound that any algorithm must satisfy. This lower bound is characterized as the solution to an optimization problem with non-convex constraints. We propose a policy testing algorithm inspired by this optimization problem--a common approach in pure exploration problems such as best-arm identification, where asymptotically optimal algorithms often stem from such optimization-based characterizations. As for other pure exploration tasks in MDPs, however, the non-convex constraints in the lower-bound problem present significant challenges, raising doubts about whether statistically optimal and computationally tractable algorithms can be designed. To address this, we reformulate the lower-bound problem by interchanging the roles of the objective and the constraints, yielding an alternative problem with a non-convex objective but convex constraints. Strikingly, this reformulated problem admits an interpretation as a policy optimization task in a newly constructed reversed MDP. Leveraging recent advances in policy gradient methods, we efficiently solve this problem and use it to design a policy testing algorithm that is statistically optimal--matching the instance-specific lower bound on sample complexity--while remaining computationally tractable. We validate our approach with numerical experiments.

  7. Time-Varyingness in Auction Breaks Revenue Equivalence 査読有り

    Yuma Fujimoto, Kaito Ariu, Kenshi Abe

    AAMAS (extended abstract)　2026年5月

    詳細を見る 詳細を閉じる

    Auction is one of the most representative buying-selling systems. A celebrated study shows that the seller's expected revenue is equal in equilibrium, regardless of the type of auction, typically first-price and second-price auctions. Here, however, we hypothesize that when some auction environments vary with time, this revenue equivalence may not be maintained. In second-price auctions, the equilibrium strategy is robustly feasible. Conversely, in first-price auctions, the buyers must continue to adapt their strategies according to the environment of the auction. Surprisingly, we prove that revenue equivalence can be broken in both directions. First-price auctions bring larger or smaller revenue than second-price auctions, case by case, depending on how the value of an item varies. Our experiments also demonstrate revenue inequivalence in various scenarios, where the value varies periodically or randomly. This study uncovers a phenomenon, the breaking of revenue equivalence by the time-varyingness in auctions, that likely occurs in real-world auctions, revealing its underlying mechanism.

  8. What you reward is what you learn: Comparing rewards for online speech policy optimization in public HRI 査読有り

    Sichao Song, Yuki Okafuji, Kaito Ariu, Amy Koike

    The 21st ACM/IEEE International Conference on Human-Robot Interaction (HRI 2026)　2026年3月

  9. The Role of Contextual Information in Best Arm Identification 査読有り

    Masahiro Kato, Kaito Ariu

    Journal of Machine Learning Research　27　(51)　1-61　2026年3月

  10. Learning from Delayed Feedback in Games via Extra Prediction 査読有り

    Yuma Fujimoto, Kenshi Abe, Kaito Ariu

    NeurIPS　2025年12月

  11. Last Iterate Convergence in Monotone Mean Field Games 査読有り

    Noboru Isobe, Kenshi Abe, Kaito Ariu

    NeurIPS　2025年12月

  12. Theoretical Guarantees for Minimum Bayes Risk Decoding 査読有り

    Yuki Ichihara, Yuu Jinnai, Kaito Ariu, Tetsuro Morimura, Eiji Uchibe

    ACL (main)　2025年7月

  13. Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model 査読有り

    Kaito Ariu, Alexandre Proutiere, Se-Young Yun

    ICML　2025年7月

  14. Global Behavior of Learning Dynamics in Zero-Sum Games with Memory Asymmetry 査読有り

    Yuma Fujimoto, Kaito Ariu, Kenshi Abe

    AAMAS (full paper)　2025年5月

  15. Nash Equilibrium and Learning Dynamics in Three-Player Matching $m$-Action Games 査読有り

    Yuma Fujimoto, Kaito Ariu, Kenshi Abe

    AAMAS (extended abstract)　2025年5月

  16. Return-Aligned Decision Transformer 査読有り

    Tsunehiko Tanaka, Kenshi Abe, Kaito Ariu, Tetsuro Morimura, Edgar Simo-Serra

    Transactions on Machine Learning Research　2025年5月

  17. Boosting Perturbed Gradient Ascent for Last-Iterate Convergence in Games 査読有り

    Kenshi Abe, Mitsuki Sakamoto, Kaito Ariu, Atsushi Iwasaki

    ICLR　2025年4月

  18. Regularized Best-of-N Sampling with Minimum Bayes Risk Objective for Language Model Alignment 査読有り

    Yuu Jinnai, Tetsuro Morimura, Kaito Ariu, Kenshi Abe

    NAACL (main)　2025年4月

  19. Efficient Creative Selection in Online Advertising using Top-Two Thompson Sampling 査読有り

    Daiki Katsuragawa, Yusuke Kaneko, Kaito Ariu, Kenshi Abe

    WSDM (Industry Day)　2025年3月

  20. Synchronization behind Learning in Periodic Zero-Sum Games Triggers Divergence from Nash equilibrium 査読有り

    Yuma Fujimoto, Kaito Ariu, Kenshi Abe

    AAAI　2025年2月

  21. The Power of Perturbation under Sampling in Solving Extensive-Form Games

    Wataru Masaka, Mitsuki Sakamoto, Kenshi Abe, Kaito Ariu, Tuomas Sandholm, Atsushi Iwasaki

    2025年1月28日

    詳細を見る 詳細を閉じる

    This paper investigates how perturbation does and does not improve the Follow-the-Regularized-Leader (FTRL) algorithm in imperfect-information extensive-form games. Perturbing the expected payoffs guarantees that the FTRL dynamics reach an approximate equilibrium, and proper adjustments of the magnitude of the perturbation lead to a Nash equilibrium (\textit{last-iterate convergence}). This approach is robust even when payoffs are estimated using sampling -- as is the case for large games -- while the optimistic approach often becomes unstable. Building upon those insights, we first develop a general framework for perturbed FTRL algorithms under \textit{sampling}. We then empirically show that in the last-iterate sense, the perturbed FTRL consistently outperforms the non-perturbed FTRL. We further identify a divergence function that reduces the variance of the estimates for perturbed payoffs, with which it significantly outperforms the prior algorithms on Leduc poker (whose structure is more asymmetric in a sense than that of the other benchmark games) and consistently performs smooth convergence behavior on all the benchmark games.

  22. Evaluation of Best-of-N Sampling Strategies for Language Model Alignment 査読有り

    Yuki Ichihara, Yuu Jinnai, Tetsuro Morimura, Kenshi Abe, Kaito Ariu, Mitsuki Sakamoto, Eiji Uchibe

    Transactions on Machine Learning Research　2025年1月

  23. A Comment on “Adaptive Treatment Assignment in Experiments for Policy Choice” (2021) 査読有り

    Kaito Ariu, Masahiro Kato, Junpei Komiyama, Kenichiro McAlinn, Chao Qin

    Econometrica　2025年1月

  24. Filtered Direct Preference Optimization 査読有り

    Tetsuro Morimura, Mitsuki Sakamoto, Yuu Jinnai, Kenshi Abe, Kaito Ariu

    EMNLP (main)　2024年11月

  25. Hyperparameter-Free Approach for Faster Minimum Bayes Risk Decoding 査読有り

    Yuu Jinnai, Kaito Ariu

    ACL (Findings)　2024年8月

  26. Matroid Semi-Bandits in Sublinear Time 査読有り

    Ruo-Chun Tzeng, Naoto Ohsaka, Kaito Ariu

    ICML　2024年7月

  27. Model-Based Minimum Bayes Risk Decoding 査読有り

    Yuu Jinnai, Tetsuro Morimura, Ukyo Honda, Kaito Ariu, Kenshi Abe

    ICML　2024年7月

    詳細を見る 詳細を閉じる

    Minimum Bayes Risk (MBR) decoding has been shown to be a powerful alternative to beam search decoding in a variety of text generation tasks. MBR decoding selects a hypothesis from a pool of hypotheses that has the least expected risk under a probability model according to a given utility function. Since it is impractical to compute the expected risk exactly over all possible hypotheses, two approximations are commonly used in MBR. First, it integrates over a sampled set of hypotheses rather than over all possible hypotheses. Second, it estimates the probability of each hypothesis using a Monte Carlo estimator. While the first approximation is necessary to make it computationally feasible, the second is not essential since we typically have access to the model probability at inference time. We propose Model-Based MBR (MBMBR), a variant of MBR that uses the model probability itself as the estimate of the probability distribution instead of the Monte Carlo estimate. We show analytically and empirically that the model-based estimate is more promising than the Monte Carlo estimate in text generation tasks. Our experiments show that MBMBR outperforms MBR in several text generation tasks, both with encoder-decoder models and with large language models.

  28. On Universally Optimal Algorithms for A/B Testing 査読有り

    Po-An Wang, Kaito Ariu, Alexandre Proutiere

    ICML　2024年7月

    DOI： 10.48550/arXiv.2308.12000 　

  29. Adaptively Perturbed Mirror Descent for Learning in Games 査読有り

    Kenshi Abe, Kaito Ariu, Mitsuki Sakamoto, Atsushi Iwasaki

    ICML　2024年7月

    詳細を見る 詳細を閉じる

    In this paper, we address the problem of computing equilibria in monotone games. The traditional Follow the Regularized Leader algorithms fail to converge to an equilibrium even in two-player zero-sum games. Although optimistic versions of these algorithms have been proposed with last-iterate convergence guarantees, they require noiseless gradient feedback. To overcome this limitation, we present a novel framework that achieves last-iterate convergence even in the presence of noise. Our key idea involves perturbing or regularizing the payoffs or utilities of the games. This perturbation serves to pull the current strategy to an anchored strategy, which we refer to as a {\it slingshot} strategy. First, we establish the convergence rates of our framework to a stationary point near an equilibrium, regardless of the presence or absence of noise. Next, we introduce an approach to periodically update the slingshot strategy with the current strategy. We interpret this approach as a proximal point method and demonstrate its last-iterate convergence. Our framework is comprehensive, incorporating existing payoff-regularized algorithms and enabling the development of new algorithms with last-iterate convergence properties. Finally, we show that our algorithms, based on this framework, empirically exhibit faster convergence.

  30. Optimal Clustering from Noisy Binary Feedback 査読有り

    Kaito Ariu, Jungseul Ok, Alexandre Proutiere, Se-Young Yun

    Machine Learning　2024年2月16日

    詳細を見る 詳細を閉じる

    We study the problem of clustering a set of items from binary user feedback. Such a problem arises in crowdsourcing platforms solving large-scale labeling tasks with minimal effort put on the users. For example, in some of the recent reCAPTCHA systems, users clicks (binary answers) can be used to efficiently label images. In our inference problem, items are grouped into initially unknown non-overlapping clusters. To recover these clusters, the learner sequentially presents to users a finite list of items together with a question with a binary answer selected from a fixed finite set. For each of these items, the user provides a noisy answer whose expectation is determined by the item cluster and the question and by an item-specific parameter characterizing the {\it hardness} of classifying the item. The objective is to devise an algorithm with a minimal cluster recovery error rate. We derive problem-specific information-theoretical lower bounds on the error rate satisfied by any algorithm, for both uniform and adaptive (list, question) selection strategies. For uniform selection, we present a simple algorithm built upon the K-means algorithm and whose performance almost matches the fundamental limits. For adaptive selection, we develop an adaptive algorithm that is inspired by the derivation of the information-theoretical error lower bounds, and in turn allocates the budget in an efficient way. The algorithm learns to select items hard to cluster and relevant questions more often. We compare the performance of our algorithms with or without the adaptive selection strategy numerically and illustrate the gain achieved by being adaptive.

  31. Memory Asymmetry Creates Heteroclinic Orbits to Nash Equilibrium in Learning in Zero-Sum Games 査読有り

    Yuma Fujimoto, Kaito Ariu, Kenshi Abe

    AAAI　2024年2月

  32. Rate-Optimal Bayesian Simple Regret in Best Arm Identification 査読有り

    Junpei Komiyama, Kaito Ariu, Masahiro Kato, Chao Qin

    Mathematics of Operations Research　2023年8月25日

    出版者・発行元： Institute for Operations Research and the Management Sciences (INFORMS)

    DOI： 10.1287/moor.2022.0011 　

    ISSN：0364-765X

    eISSN：1526-5471

    詳細を見る 詳細を閉じる

    We consider best arm identification in the multiarmed bandit problem. Assuming certain continuity conditions of the prior, we characterize the rate of the Bayesian simple regret. Differing from Bayesian regret minimization, the leading term in the Bayesian simple regret derives from the region in which the gap between optimal and suboptimal arms is smaller than [Formula: see text]. We propose a simple and easy-to-compute algorithm with its leading term matching with the lower bound up to a constant factor; simulation results support our theoretical findings.

  33. Memory Asymmetry: A Key to Convergence in Zero-Sum Games

    Yuma Fujimoto, Kaito Ariu, Kenshi Abe

    2023年5月23日

    詳細を見る 詳細を閉じる

    This study provides a new convergence mechanism in learning in games. Learning in games considers how multiple agents maximize their own rewards through repeated plays of games. Especially in two-player zero-sum games, where agents compete with each other for their rewards, the reward of the agent depends on the opponent's strategy. Thus, a critical problem emerges when both agents learn their strategy following standard algorithms such as replicator dynamics and gradient ascent; their learning dynamics often draw cycles and cannot converge to their optimal strategies, i.e., the Nash equilibrium. We tackle this problem with a novel perspective on asymmetry in learning algorithms between the agents. We consider with-memory games where the agents can store the played actions in their memories in order to choose their subsequent actions. In such games, we focus on the asymmetry in memory capacities between the agents. Interestingly, we demonstrate that learning dynamics converge to the Nash equilibrium when the agents have different memory capacities, from theoretical and experimental aspects. Moreover, we give an interpretation of this convergence; the agent with a longer memory can use a more complex strategy, endowing the utility of the other with strict concavity.

  34. Exploration of Unranked Items in Safe Online Learning to Re-Rank 査読有り

    SIGIR (short)　2023年5月2日

  35. Learning in Multi-Memory Games Triggers Complex Dynamics Diverging from Nash Equilibrium. 査読有り

    Yuma Fujimoto, Kaito Ariu, Kenshi Abe

    IJCAI　118-125　2023年

    DOI： 10.24963/ijcai.2023/14 　

  36. Last-Iterate Convergence with Full and Noisy Feedback in Two-Player Zero-Sum Games 査読有り

    AISTATS　abs/2208.09855　2022年8月21日

    DOI： 10.48550/arXiv.2208.09855 　

  37. Optimal Fixed-Budget Best Arm Identification using the Augmented Inverse Probability Weighting Estimator in Two-Armed Gaussian Bandits with Unknown Variances.

    Masahiro Kato, Kaito Ariu, Masaaki Imaizumi, Masatoshi Uehara, Masahiro Nomura, Chao Qin

    CoRR　abs/2201.04469　2022年

  38. Thresholded Lasso Bandit 査読有り

    Kaito Ariu, Kenshi Abe, Alexandre Proutière

    ICML　878-928　2022年

  39. Policy Choice and Best Arm Identification: Comments on "Adaptive Treatment Assignment in Experiments for Policy Choice".

    Kaito Ariu, Masahiro Kato, Junpei Komiyama, Kenichiro McAlinn

    CoRR　abs/2109.08229　2021年

  40. A Practical Guide of Off-Policy Evaluation for Bandit Problems

    Masahiro Kato, Kenshi Abe, Kaito Ariu, Shota Yasui

    CoRR　abs/2010.12470　2020年10月23日

    詳細を見る 詳細を閉じる

    Off-policy evaluation (OPE) is the problem of estimating the value of a target policy from samples obtained via different policies. Recently, applying OPE methods for bandit problems has garnered attention. For the theoretical guarantees of an estimator of the policy value, the OPE methods require various conditions on the target policy and policy used for generating the samples. However, existing studies did not carefully discuss the practical situation where such conditions hold, and the gap between them remains. This paper aims to show new results for bridging the gap. Based on the properties of the evaluation policy, we categorize OPE situations. Then, among practical applications, we mainly discuss the best policy selection. For the situation, we propose a meta-algorithm based on existing OPE estimators. We investigate the proposed concepts using synthetic and open real-world datasets in experiments.

  41. Regret in Online Recommendation Systems. 査読有り

    Kaito Ariu, Narae Ryu, Se-Young Yun, Alexandre Proutière

    Advances in Neural Information Processing Systems 33: Annual Conference on Neural Information Processing Systems 2020(NeurIPS)　2020年

  42. Optimal Algorithms for Multiplayer Multi-Armed Bandits. 査読有り

    Po-An Wang, Alexandre Proutière, Kaito Ariu, Yassir Jedra, Alessio Russo

    The 23rd International Conference on Artificial Intelligence and Statistics(AISTATS)　4120-4129　2020年

    出版者・発行元： PMLR

  43. Attitude determination and control system for the PROCYON micro-spacecraft 査読有り

    Ikari, S., Inamori, T., Ito, T., Ariu, K., Oguri, K., Fujimoto, M., Sakai, S., Kawakatsu, Y., Funase, R.

    Transactions of the Japan Society for Aeronautical and Space Sciences　60　(3)　2017年

    DOI： 10.2322/tjsass.60.181 　

    ISSN：0549-3811

  44. Chance-Constrained Path Planning with Continuous Time Safety Guarantees. 査読有り

    Kaito Ariu, Cheng Fang, Márcio da Silva Arantes, Cláudio Toledo 0001, Brian Charles Williams

    The Workshops of the The Thirty-First AAAI Conference on Artificial Intelligence　2017年

    出版者・発行元： AAAI Press

  45. Design and Demonstration of the Visual Feedback Tracking System for the Close Asteroid Flyby 査読有り

    Kaito Ariu, Takaya Inamori, Ryu Funase

    2016 IEEE AEROSPACE CONFERENCE　2016年

    ISSN：1095-323X

  46. PROCYON's probability analysis of accidental impact on Mars 査読有り

    Sarli, B.V., Ariu, K., Yano, H.

    Advances in Space Research　57　(9)　2016年

    DOI： 10.1016/j.asr.2015.11.007 　

    ISSN：1879-1948 0273-1177

  47. A dimensionless relative trajectory estimation algorithm for autonomous imaging of a small astronomical body in a close distance flyby 査読有り

    Ariu, K., Inamori, T., Funase, R., Nakasuka, S.

    Advances in Space Research　58　(4)　2016年

    DOI： 10.1016/j.asr.2016.05.028 　

    ISSN：1879-1948 0273-1177

︎全件表示 ︎最初の5件までを表示

MISC 1

  1. 【採択論文紹介】A/Bテストにおいて最適な手法は何か？ (ICML2024)

    蟻生開人

    2024年6月

共同研究・競争的資金等の研究課題 4

  1. 実世界環境への適応性を加速する逐次的意思決定手法の探求

    蟻生 開人

    2026年 ～ 2031年

  2. ミニマックス最適化で拓く最適方策探索手法の構築

    蟻生 開人

    2025年4月 ～ 2030年3月

  3. 本質的な構造を活かした大規模逐次的意思決定手法の構築

    蟻生 開人

    2023年 ～ 2025年

  4. 共分散行列による不確定性の記述が過大な制御誤差を生む対象の制御手法の構築

    蟻生 開人

    2017年4月26日 ～ 2020年3月31日

    詳細を見る 詳細を閉じる

    今年度得られた研究成果は、以下のようにまとめられます。 第一に、近接フライバイ時の相対軌道推定アルゴリズムを新たに導出しました。具体的には、フライバイ時の相対軌道観測情報を、直交し雑音に関して互いに相関がなく独立な成分とみなせる方向に分解し、その分解した各成分への評価関数を設定し利用する推定手法を構築しました。先行研究は、画像情報における輝度重心という二次元の観測量に対して、相対軌道のすべてのパラメタを単一の関数にて評価するものでした。そのため、本来達成されうるべき精度を実現することができませんでした。本研究はそのような問題に対する一つの解決方針を提示します。 第二に、フライバイ撮像時における相対軌道推定において、宇宙機の姿勢制御の時定数に着目し、相対軌道推定精度の収束速度がミッション達成可能性に影響する根拠を明らかにしました。この結果により、新たなミッション計画時における推定アルゴリズム選択、撮像鏡の解像度、駆動鏡駆動精度等の撮像システム系全体への影響を定量的に評価し、明確な設計指針を示すことが可能となりました。 第三に、提案するアルゴリズムにて近接フライバイ時に達成しうる推定精度を画像素子上で想定されるホワイトノイズの大きさ、フライバイ時の最接近距離、推定開始時刻の観点から明らかにしました。先行研究と比較して、フライバイ最接近時の推定精度及び宇宙機の姿勢変更への時間余裕を共に１オーダー以上改善できることが明らかになりました。

メディア報道 21

  1. AI Lab、インタラクション分野のトップカンファレンス「HRI 2026」にて3本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=32905

    2026年1月

    メディア報道種別: インターネットメディア

  2. AI Lab、機械学習分野のトップカンファレンス「NeurIPS 2025」にて７本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=32650

    2025年10月

    メディア報道種別: インターネットメディア

  3. ICML 2025の狭き門を通過した日本企業、「SparceVLM」など論文7本を読み解く

    日経クロステック　https://xtech.nikkei.com/atcl/nxt/column/18/03230/100600008/

    2025年10月

    メディア報道種別: インターネットメディア

  4. AI国際会議「ICML 2025」の論文3260本を分析、LLM関連のRLHFやLoRAに高い注目

    日経クロステック　https://xtech.nikkei.com/atcl/nxt/column/18/03230/100200007/

    2025年10月

    メディア報道種別: インターネットメディア

  5. AI Lab、自然言語処理分野のトップカンファレンス「ACL 2025」にて5本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=32078

    2025年6月

    メディア報道種別: インターネットメディア

  6. AI Lab、機械学習分野のトップカンファレンス「ICML 2025」にて3本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=32051

    2025年6月

    メディア報道種別: インターネットメディア

  7. AI Lab、日本学術振興会 科学研究費助成事業（科研費）において2件の研究課題採択

    https://www.cyberagent.co.jp/techinfo/news/detail/id=31799

    2025年4月

    メディア報道種別: インターネットメディア

  8. 研究と事業の融合がもたらす革新― バンディットアルゴリズムの社会実装を成功に導いた舞台裏

    https://www.cyberagent.co.jp/way/list/detail/id=31632

    2025年4月

    メディア報道種別: インターネットメディア

  9. AI Lab、深層学習分野のトップカンファレンス「ICLR 2025」にて2本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=31574

    2025年3月

    メディア報道種別: インターネットメディア

  10. AI Lab、自然言語処理分野のトップカンファレンス「NAACL 2025」にて3本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=31509

    2025年3月

    メディア報道種別: インターネットメディア

  11. AI Lab、人工知能分野のトップカンファレンス「AAAI 2025」にて3本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=31431

    2025年2月

    メディア報道種別: インターネットメディア

  12. ドコモと共同設立した「株式会社Prism Partner」への技術提供に関する論文が、Web分野のトップカンファレンス「WSDM 2025」に採択

    https://www.cyberagent.co.jp/news/detail/id=31406

    2025年2月

    メディア報道種別: インターネットメディア

  13. AI Lab、マルチエージェント分野のトップカンファレンス「AAMAS 2025」にて主著論文採択

    https://www.cyberagent.co.jp/news/detail/id=31410

    2025年2月

    メディア報道種別: インターネットメディア

  14. AI Lab、自然言語処理分野のトップカンファレンス「EMNLP 2024」にて論文採択

    https://www.cyberagent.co.jp/news/detail/id=30949

    2024年10月

    メディア報道種別: インターネットメディア

  15. AI Lab、自然言語処理分野のトップカンファレンス「ACL 2024」にて3本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=30532

    2024年7月

    メディア報道種別: インターネットメディア

  16. AI Lab、機械学習分野のトップカンファレンス「ICML 2024」にて、過去最多となる5本の論文採択

    https://www.cyberagent.co.jp/news/detail/id=30359

    2024年6月

    メディア報道種別: インターネットメディア

  17. 人工知能分野のトップカンファレンス「AAAI 2024」にて2本の共著論文採択

    https://www.cyberagent.co.jp/news/detail/id=29714

    2024年1月

    メディア報道種別: インターネットメディア

  18. AI Lab、 さきがけ事業・科学研究費助成事業において2件の研究課題採択

    https://www.cyberagent.co.jp/news/detail/id=29499

    2023年11月

    メディア報道種別: インターネットメディア

  19. AI Lab、人工知能分野のトップカンファレンス「IJCAI 2023」にて主著論文採択

    https://www.cyberagent.co.jp/news/detail/id=28934

    2023年6月

    メディア報道種別: インターネットメディア

  20. AI Lab、情報検索・推薦システム分野のトップカンファレンス「SIGIR2023」にて3本の主著論文採択

    https://www.cyberagent.co.jp/news/detail/id=28884

    2023年5月

    メディア報道種別: インターネットメディア

  21. AI Lab、機械学習分野のトップカンファレンス「ICML2022」にて論文採択 ー高次元情報を用いた逐次的な意思決定手法を提案ー

    https://www.cyberagent.co.jp/news/detail/id=27702

    2022年

    メディア報道種別: インターネットメディア

︎全件表示 ︎最初の5件までを表示