プログラミング言語の意味論で、small-step semanticsとbig step semanticsの中間的なbig-stop semanticsというものがあるらしい。
https://dl.acm.org/doi/10.1145/3776718
直感的には次のような感じっぽい。
- small-step semantics: 式e1は1ステップ計算すると式e2になる。
- big-step semantics: 式eは最終的に値vになる。
- big-stop semantics: 式e1は何ステップか計算するとe2になる。
big-step semanticsっぽく簡単に書けて、停止しない計算も素直に扱える。
アメリカのCBPやICEが使っている顔識別技術はNEC製とのこと。
https://www.wired.com/story/mobile-fortify-face-recognition-nec-ice-cbp/
「NECグループ AIと人権に関するポリシー」と関連ページ
https://jpn.nec.com/sustainability/ja/social/ai.html
https://wisdom.nec.com/ja/feature/biometrics/2022032501/index.html
https://soudai.hatenablog.com/entry/2026/01/27/185902
「startならstopの方が対になるし、期間を表すならfrom-toやbegin-endの方が意味が通りやすい」というのは直感的にはそんなことはないと思うけど、何を示せたらそうである/そうでないと言えるだろうか(そもそもendとstopはニュアンス違う気もする)。
動詞のstartとendが対で使われている用例は英英辞典などにも多くあるけど、「本来は誤用だったが慣用化した」への反論としては弱い。
他の例: Javaの文字列のstartsWithとendsWith https://docs.oracle.com/en/java/javase/25/docs/api/java.base/java/lang/String.html#startsWith(java.lang.String)
また、動詞のstart/endではないが、日付の開始日と終了日はstart/endで表す例が多い。
例1: Wikipediaで日付の範囲を指定するテンプレート https://en.wikipedia.org/wiki/Template:Start_and_end_dates
例2: PostgreSQLの日付のOVERLAPS演算子の説明 https://www.postgresql.org/docs/current/functions-datetime.html
例3: JavaScriptのTimeRanges https://developer.mozilla.org/en-US/docs/Web/API/TimeRanges
例4: pandas.date_range https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.date_range.html
その他、カレンダーアプリでも開始日/終了日はstart date/end dateが多いっぽい?
https://www.theregister.com/2026/01/18/nvidia_fp64_emulation/
尾崎スキームという手法があり、8ビット整数などの低い精度の数で64ビット浮動小数点数などの高い精度の数の行列積を計算できる。2000 × 2000以上などの大きなサイズでは通常より高速になることもある。実数として考えると誤差なしだが、IEEE 754としては負のゼロなどが絡むと同一ではない。前処理と後処理で高精度演算は必要。使用メモリ量は増える。
https://arxiv.org/abs/2504.08009
https://link.springer.com/chapter/10.1007/978-3-030-50743-5_12
実アプリケーションで高速化できるとは限らないらしい。また、メモリ速度がボトルネックとなる場合もあるらしい。
機械学習の際、参考となるモデルを使うことで学習を効率化する手法についての論文。
https://arxiv.org/abs/2505.06699
学習中モデルの損失関数から、参考モデルの損失関数を引いたものを使って学習する。
直感的には、参照モデルでは上手く扱える(損失関数が小さい)が、学習中のモデルで上手く扱えない(損失関数が大きい)ようなデータを重点的に学習することで学習を効率化する。
知識蒸留とは違い、参照モデルよりも良い性能を出せる可能性がある。また、参照モデルとアーキテクチャが異なっていてもよい。
手法自体は以前から知られていて、学習データの絞り込みや重み付けに使われていたが、本論文では数学的な分析をしていて、学習データの絞り込みや重み付けをしなくても損失関数の入れ替えだけで効率化できることを示している。
理論的には、学習後の危険関数の上界の式に「最適なモデルの損失関数の分散」が通常は含まれるのに対し、これが「(最適なモデルの損失関数 - 参照モデルの損失関数)の分散」となることで、参照モデルが最適なモデルに十分近ければ上界がその分小さくなる、ということらしい。
コード的には、パラメータを更新する式に勾配∇avg(exp(損失関数))が含まれるので、損失関数が大きい部分は勾配も大きくなるということっぽい?
イギリスにおけるデジタル身分証の強制導入の断念に関する記事。
デジタル身分証の導入には賛成する人が多い(賛成57 %, 反対19 %, 意見なし24 %)ものの、セキュリティやプライバシー、周辺的な人々の排除、政府の権限拡大などに関する懸念が持たれていて、反対する請願や署名が集まっていた。
記事では、政府がプライバシーへの懸念に対処し、利点(詐欺やなりすましへの対処など)の説明をもっとすべきだったと提案している。
デジタル身分証がもたらす雇用にも触れているけど、逆にデジタル身分証によって減る雇用はあるんだろうか。効率化をするということは雇用を減らすということではないのだろうか。
ホワイトハウスのイーストウイング建て替えの寄付者に対し、民主党が書簡を出していて、それに対する各社の返答。
https://www.theverge.com/news/859578/trump-white-house-ballroom-microsoft-amazon-donations
https://techxplore.com/news/2026-01-meta-lines-massive-nuclear-power.html
オープンソース版のMySQLのコミットが2025年9月のチームのレイオフ報道以降行なわれていないらしい。