統計・確率
TECHNICAL POSTS
技術ブログ
全 61 記事
統計・確率
デフォルト確率の推定値は、どこまで信じてよいか：少数データとブートストラップ
モンテカルロ法
ポートフォリオのリスク管理：デフォルト相関が損失分布の裾を作る
統計・確率
貸し倒れをどう測り、いくら資本を積むか：信用リスク管理の全体像
機械学習
ローカルLLMに載せ替える前に考えるべきこと：APIプロバイダーが作りこんでいる周辺機構の分析
機械学習
ローカルLLMのガードレールは剥がせる：オープンウェイトモデルのリスク管理
機械学習
生成AIの社内管理を何から始めるか：金融庁のモデル・リスク管理原則を流用する手順
機械学習
「何を隠しているか」をLLMの内部状態に直接聞く：Activation Oraclesという検査手法
機械学習
SAEが取り出した特徴は、業務の監視項目になるか
機械学習
プロンプトを書き換えずにLLMの挙動を変える：Function VectorとSteering Vector
機械学習
出力を読まずに嘘を見つけられるか：線形プローブでLLMの内部状態を読む
AIエージェント
エージェント連携の単一障害点は、直接の依存先ではない
AIエージェント
エージェントに何を覚えさせるか：長いコンテキスト・RAG・Prompt Cachingをコストで選ぶ
AIエージェント
エージェント出力の品質を確率で保証する：Conformal Predictionで人手に回す割合を決める
AIエージェント
LLM-as-a-Judgeのバイアスはどこまで補正できるか：提示順・回答の長さ・自己選好
AIエージェント
評価データセットは何件必要か：合格率の幅と、改善を検出できる件数
AIエージェント
タスクを分けるほど精度は上がるのか：エージェントの分割数を式で決める
機械学習
BigQueryオプティマイザのコストモデルに外部APIの料金は考慮されない：BigQuery MLの注意点
数値計算・最適化
人間が事前に定義する範囲は、70年でどこまで縮んだか
AIエージェント
最適化計算にLLMを使うときのベストプラクティス
機械学習
小規模チームのMLOps最小構成：Composerを入れず、Cloud Run jobsで4つの要件を満たす
機械学習
「精度を上げたい」の前に決めること：精度改善・閾値・運用を経済的インパクトから考える
統計・確率
LLMリーダーボードはなぜ歪むのか：Bradley-Terryモデルと交絡・選択バイアスをシミュレーションで理解する
統計・確率
UCBはThompson Samplingに追いつけるか：報酬スケールと探索定数を検証する
合成データ・プライバシー
εをいくつにするか：差分プライバシーの機構と精度の交換を実測する
合成データ・プライバシー
モデルは学習データを漏らすか：メンバーシップ推論攻撃を実装して測る
機械学習
乱数シードを変えるだけでスコアは動く：モデル比較に必要な統計的作法
統計・確率
A/Bテストを毎日覗くと偽陽性は何倍になるか：ピーキング問題と逐次検定
合成データ・プライバシー
合成データはどこまで実データの代わりになるか：TSTRによる有用性の定量評価
統計・確率
予測区間の「95%」は本当に95%か：Conformal Predictionで被覆率を保証する
統計・確率
極値統計入門：正規分布では測れないテールリスクをGPDで評価する
統計・確率
ベイズA/Bテストとバンディット：Thompson Samplingで後悔を最小化する
モンテカルロ法
正規化定数なしでサンプリングできる理由：Metropolis-HastingsとHMCの効率を測る
モンテカルロ法
粒子フィルタ入門：非線形・非ガウスな状態空間を逐次モンテカルロで推定する
数値計算・最適化
ベイズ最適化入門：ガウス過程と獲得関数で評価回数を抑えて最適化する
数値計算・最適化
KLダイバージェンスが発散する場面で、Wasserstein距離は何を測っているか
機械学習
確率校正入門：分類器の「0.9」は本当に90%か（Platt・Isotonic・Temperature）
機械学習
カルマンフィルタ入門：状態空間モデルでノイズ下の真値を推定する
合成データ・プライバシー
ADS-GANによる合成データ生成、分布・ユーティリティ・プライバシーの評価
合成データ・プライバシー
合成データから個人は特定できてしまわないか：プライバシー品質の4つの測り方
合成データ・プライバシー
金融データのプライバシー保護：合成データ生成技術の概要と考察
機械学習
データの性質で選ぶナイーブベイズのサブタイプ
統計・確率
相関係数が拾えない依存をどう表すか：代表的な5つのコピュラ
モンテカルロ法
VaRは分布の仮定でどれだけ動くか：モンテカルロ法とヒストリカル法をS&P500で比べる
モンテカルロ法
準モンテカルロ法で使用される低不一致列の解説、次元数による有効性の違い
機械学習
「どうすれば審査に通ったのか」に答える：DiCEで反実仮想サンプルを作る
モンテカルロ法
モンテカルロ法における次元の呪いの緩和方法：重点サンプリングによる効率化
統計・確率
相関から因果へ進むには何を仮定するか：傾向スコアマッチングで選択バイアスを測る
数値計算・最適化
シミュレーテッドアニーリングで解く巡回セールスマン問題
数値計算・最適化
確率的最適化アルゴリズムの実装と比較：遺伝的アルゴリズムと勾配降下法
統計・確率
頻度主義統計学とベイズ統計学、それぞれのアプローチ
機械学習
時系列データの交差検証：なぜTimeSeriesSplitを使うべきなのか
機械学習
機械学習モデルの説明可能性手法の比較：SHAPとLIMEの出力の一貫性評価
機械学習
次元削減手法の比較検証：定量的・定性的評価によるPCA、t-SNE、UMAPの特徴分析
機械学習
取引の「つながり」は不正検知にどれだけ効くか：GNNとMLPの比較
機械学習
時系列データの予測：LSTMとTransformerの性能比較
数値計算・最適化
数値積分の実装と比較：台形法からガウス求積法まで
統計・確率
球面上に均一にランダム分布する点群を生成する
統計・確率
一様乱数から任意の分布を作る：逆関数法の仕組みと実装
数値計算・最適化
Scipyの最適化に導関数をどう与えるか：Autogradとの組み合わせ
数値計算・最適化