HB

@issei_sato 意図というよりは、元々原資が令和7年度補正予算なのでこれ以上持ち越せない & 補正予算なので制度整備もやむなくスケジュールが倒れ込んだ、の合わせ技で半年になってしまったのだと認識しています

SPReADの研究期間がすごい短い気がするのだが…どういう意図なのだろうか

オープンハウスでは総研大進学相談もできるので（直接研究者のポスターに来るのも勿論 OK）、統計科学コースに関心のある学部生も積極的に歓迎しています

【5/22(金)開催】統計数理研究所オープンハウス2026「データから意味を、現象から法則を：統計的因果推論が拓くAI for Science」 公開講演会、研究内容ポスター発表、統計よろず相談室、大学院相談室を開催します。ぜひご来場ください。 ism.ac.jp/openhouse/2026…

I’m excited to share a new paper on online inverse optimization/contextual recommendation! 🚀 It simplifies our NeurIPS 2025 method, keeps the best-known O(d log T) regret, removes costly projections via a second-order perceptron idea, and is robust to suboptimal-action feedback.

Stein's Method of Moments 推定量がスコアマッチングを中心に分解できることを示しました． この分解から，スコアマッチングの漸近分散を改善したり，漸近有効性を Wasserstein 幾何を通して特徴づけます． 指導教員の矢野先生（統数研）との共同研究です．
arxiv.org/abs/2603.12843

A perspective on flow matching that particularly resonates with me is a statistical-physics-flavored one: the proximal formulation makes the denoising dynamics look like a relaxation process in an effective potential landscape. Check out our recent work: arxiv.org/abs/2602.12683

かなりびっくりしたんですが、どうやら拙著が今年の（割と有名な）某大の二次試験に使われていたらしい…

@takeru_miyato Thanks!

@levelfour_ congrats!

After nearly 3 years, I completed my COLT2023 paper as a journal paper, which appeared yesterday in JMLR🙌 This was quite a longer journey than expected initially and finally... Proper losses in multiclass case, regret bounds, downstream tasks, and more! jmlr.org/papers/v26/24-…

@yurimik217 おお、おめでとうございます🎉🎉🎉🎉🎉

船井研究奨励賞を受賞いたしました🙏ありがたや〜 admin.funaifoundation.jp/photo/event/us…

Tired of KL penalties constraining your model? But don't want your policy to just hack the reward? Try Gradient Regularization! We show it beats a KL penalty in RLHF, RLVR and LLM-as-a-Judge! 🧵1/7

Proposing a high-dimensional asymptotic analysis framework for PDMP efficiency comparison 1. Derive diffusion approximation for various PDMP samplers 2. Compare the time scaling (≒ the scaling of computational complexity) required to obtain the limit 3. If the scaling is identical, compare the speed of the diffusion

@physics303 シャノンエントロピー、スパースでない輸送等の件に関してはまさにその通りです。仰るように「定義域端っこで微分が発散するか・しないか」が重要で、微分が発散すると定義域の端がとれない、それは OT の場合だと Birkhoff polytope の必ず内点が輸送解になることを示唆するので dense になります。

@levelfour_ ということですね。必要条件なので、必ずスパースになるとは言えない。ステートメント自体はよく理解できたと思います！ 自分は「スパースじゃない最適輸送」に興味があるので、どういう正則化だといいのかとか考えていましたが、とりあえずは Legendre-type なものをさぐってみればよさそうですね。

最適輸送でL2正則化をつけると輸送行列がスパースになるって言ってる論文あるんだけど、これなんで？？

This is a great collaboration with @KFukumizu, @WeiHuang_USTC, Shuntuo, and Nisha. As one of the convex analysis nerds, this work is genuinely an exciting one! arxiv.org/abs/2602.12683

To all convex analysis freaks: here's new perspective of flow matching🔭 The denoising operator from the corrupted to the target data is indeed a proximal operator of the Brenier potential (fig 1)! This viewpoint leads to Lyapunov analysis: FM identifies target support (fig 2).

@physics303 そのため輸送写像は Birkhoff polytope の face 上を取れるようになり、結果としてスパースな確率を出力することができるようになります。あくまでこれは必要であって十分ではないことに注意は必要です。

@physics303 （詳しくは Rockafellar (1970, Theorem 26.5) 参照）。輸送コストは開集合に含まれるため、全単射性を担保するためには輸送写像は Birkhoff polytope の内点しかとることができない、つまり確率として見たときは非スパースになります。反対に Legendre-type でなくなると主双対写像は全単射ではなく、

Flow Matching from Viewpoint of Proximal Operators ift.tt/8vqDUtd

Braun研究員(理研)の論文を公開しました。Muonなどのスペクトル勾配降下法の利点を理論的に示した論文です。データが非等方スパイク構造を持つとき、GDは学習序盤でスパイクに引っ張られて学習が遅くなりますが、スペクトル勾配降下法はスパイクに支配されずシグナルを速く学習することを示しました。