モジュール型深層リカレントニューラルネットワークとクアッドローター応用
arXivに新しく登録された論文「Modular Deep Recurrent Neural Network: Application to Quadrotors」（arXiv:2609.04339v1）は、多様なRNNアーキテクチャの展開を容易にし、勾配ベースの学習手法の導関数を自動計算するためのモジュール型深層リカレントニューラルネットワーク（RNN）を提案している。提出履歴によると、v1は2026年9月3日18:06:46 UTCに登録され、ファイルサイズは約1,838KB。論文分類はcs.LG（機械学習）である。著者はNima Mohajerinともう1名だが、2014年に開催されたIEEE SMC会議の版ではN. MohajerinとS. L. Waslander名義であり、サンディエゴでの会議録1374-1379ページに対応する。関連する会議DOIは10.1109/SMC.2014.6974106。arXiv版にはDataCiteを通じてDOI 10.48550/arXiv.2609.04339が付与される予定だが、現在は登録保留中の状態と表示されている。
モジュール化により新たなアーキテクチャ群が生まれ、その中でも特に、多層RNNにフィードフォワード層間接続を追加する構造が注目される。この接続によって、高次のダイナミクスや非線形性を学習・モデル化する能力が大幅に向上し、さらに多層RNNにおける「空間方向の」勾配消失・爆発問題も緩和された。ここでの「空間方向」とは時間方向ではなく、層をまたぐ深さ方向の勾配伝播を指す。通常のRNNを深くすると誤差逆伝播の際に層間で勾配が指数関数的に減衰または増大しやすいが、フィードフォワード結合が別経路を提供することで訓練が安定化すると考えられる。
提案手法の有効性はクアッドローター（四旋翼機）のケーススタディで示された。具体的には、機体の高度ダイナミクスのモデルをこの特殊なネットワーク構造で学習している。既存手法は迅速に汎化できないか、まったく汎化できないのに対し、提案構造はモデル学習に成功したと報告されている。これは、複雑な非線形動的システムのモデリングにおけるモジュール型深層RNNの可能性を示す結果であるが、あくまで特定のネットワーク構造と特定の用途における観察であり、すべてのRNN構成や異なる飛行条件で同様の改善が保証されるわけではない。
arXivのページではPDFのほか、実験的HTML、TeXソース、ライセンス情報が提供され、NASA ADS、Google Scholar、Semantic Scholar、Connected Papers、alphaXiv、DagsHubなどへのリンクもまとめられている。現在のブラウズコンテキストはcs.LG、new/recent、2026-09となっており、論文の受付番号は2609.04339v1である。