機械学習、人工知能、自然言語処理、コンピュータビジョン、マルチエージェント。
星は AI がタイトルと要旨から付けた大まかな評価です。新規性・根拠の強さ・影響範囲を採点し、1〜5 の星に換算しています（5 つ星は約 2%、4 つ星は約 10%）。サイトでは 4〜5 つ星の論文だけを「注目」として示し、注目点を一言添えています。印がないことは論文の質が低いことを意味しません。全文は読んでいないため、論文を選ぶ際の目安であり、質の評価として確定したものではありません。「コードあり」は要旨にコード・データ・ツールの公開が明記されていることを示します。
説明Honeycomb-Surfels：効率的なシーン描画・再構成のための小型六角形プリミティブ
要約本論文は、一次の空間色場を持つ平面六角形の表面要素Hexelsを提案し、3Dシーンと2D画像を効率的に表現する手法を示す。34シーンの実験では、メモリを揃えた2DGSと比べてPSNRが4.53〜7.38 dB向上し、学習時のVRAMも少なくなっている。3D表面再構成では、15のDTUスキャンで誤差が28.9%減少し、6つのTanks and Templesの表面シーンでは平均F1が34.38%で、2DGSの31.72%を上回った。
説明ThinkWorld：世界想像で動力連鎖推論を強化し、人の動画からロボット操作を学ぶ手法
要約本論文は、視覚・言語・行動（VLA）ロボットモデルのためのThinkWorldという学習フレームワークを提案しています。行動の推論を、現在の状態から将来の状態へ至る中間の動きを表す離散運動トークン列「Chain-of-Dynamics（CoD）」として表現し、その予測が実際の結果とよく一致するものを強化学習で強めます。これにより行動ラベルのない動画からも観測された状態遷移による監督が得られ、人とロボットの経験が同じ推論空間を改善します。シミュレーションと実機実験では、人からロボットへの転移と未知のタスク・環境への汎化が示されています。
説明離散トークンは視覚信号を意味的に損失なく表現できるか？離散的な記号で画像を表すときに量子化によって意味情報が失われるかを調べ、新しい量子化手法を提案する論文です。
要約論文は「量子化誤差は必ず意味の損失を招く」という前提に疑問を投げかけ、誤差が大きい離散表現の方が理解性能が高い場合があることを示しています。重要なのは離散インデックスの有効ビット予算であるとしています。著者らは因子化ベクトル量子化（Factorized Vector Quantization）を提案し、対称な並列コードブックで視覚特徴の相補的な視点を量子化します。ビット予算が増えても性能が向上し、マルチモーダル理解で連続表現に並ぶとしています。
説明テスト時にいつ介入すべきか：介入の時期とラベル照会を制御する PORTAL 手法の提案
要約本論文は、展開後のモデルがテスト時に適応する際、同じ介入でもバッチによって効果が正反対になりうる問題を扱う。著者らは、介入をいつ適用するか、どの入力にラベルを付けるか、いつ照会を止めるかを決める制御器 PORTAL を提案する。実験では、全体では精度を下げる介入が一部のバッチでは有用になり、入力順序の変化による深刻な失敗も防げることが示されている。
説明注意力をラティス・ゲージ理論として捉える：関係はウィルソン・ループを通じてのみ相互作用する
要約本論文は、各実体の座標系が独立に回転できる場合、関係同士は共有される閉路（ウィルソン・ループ）を通じてのみ相互作用すると示します。これにより、エッジ注意機構が取りうる対称性に適った唯一の形を導いています。一般の関係グラフ上では、学習なしでholonomy注意として実装され、疎なグラフ上の未観測のS4関係の推論や、破損した三角形の検出に用いられています。
説明KPPax：大気化学の機械学習のための微分可能な動力学ODEプリプロセッサ
要約本論文は、KPP言語で記述された大気化学機構を、微分可能でJITコンパイル・ベクトル化可能なJAXコードに変換するツールKPPaxを提案する。隐式ソルバーとdiffraxライブラリの順方向・逆方向随伴法により、手作業で随伴コードを導出することなく厳密な感度を得る。POLLUベンチマーク機構で、Fisher情報行列による速度係数の同定可能性解析と、排出インベントリのニューラルネットワーク補正（オフライン学習後のオンライン微調整）の二つの応用を示している。
説明手内物体の姿勢到達を、器用さと安全性を両立させて実現する研究
要約本論文は、多指ハンドで物体を手の中で目標位置と姿勢まで動かす課題を扱います。人間のデータを使わずシミュレーションで LEAP ハンドの方策を学習し、実機に適用しています。さらに保守性を調整できる残差安全フィルタを加え、物体の落下を大きく減らしつつ、目標の大部分に到達できることを示しています。
説明GEPA-Curator：自己改善型エージェントのための選別学習フレームワーク
要約本論文は、大規模言語モデルのエージェントにおけるプロンプト最適化を改善する GEPA-Curator を提案している。この手法は、ノイズの多い信頼性の低い学習信号を生むおそれのあるタスクを除外し、同じタスクで過去に成功した軌跡を追加の文脈として最適化器に提供する。GoBrowse、ALFWorld、AppWorld、τ-bench で、Gemini 3.1 Pro と Claude Opus 5 を最適化モデルとして評価しており、平均性能は両ベースラインと同等以上で、GEPA に対して最大 20.7%、ACE に対して最大 21.2% の向上が報告されている。
説明大規模言語モデルは自由な探索で隠された物理法則を発見できるか？
要約本論文は、物理法則を変更した模擬世界を自動生成する LongChang という枠組みを提案します。評価対象の大規模言語モデルは、研究課題やヒントなしに、物体を操作し道具を作って自ら問いを立てて調べます。12 のモデルのうち、GPT-6-Astra の発見率は 16.7%で、残りの 11 モデルは 0%でした。探索記録からは、未調査の異常が残ることと、変更された物理法則の特定が部分的にとどまることが分かります。
説明制御可能な環境合成によるツール利用エージェントのスケーリング則の研究
要約本論文は、複雑な多段階タスクを完了できる大規模言語モデルのツール利用エージェントをどう構築するかを扱う。SynthAPIパイプラインを提案し、ツール、タスク、ツールが操作するデータベースの多様性を制御しながら環境を生成する。458,752件のタスクと、4つのサイズの849の学習済みモデルで生成パラメータを体系的に変えた結果、合成環境の規模と構成から下流の汎化性能を予測するスケーリング則を導出した。データ量が増えると、タスク数を増やすより、ツールとデータベースの多様性を広げる方が効果的で、データの複雑さを高めると利得が大きいことが示された。この知見に従って学習したエージェントは、4つの評価ベンチマークで先行研究のデータで学習したモデルを上回った。
説明MuonGS：緩和された重みノルム制御による LLM の事前学習
要約本論文は、Muon オプティマイザにおける重みノルム制御を、累積有効学習率という指標で分析し、vanilla Muon、MuonW、MuonH の累積特性を比較しています。著者らは、各更新の放射方向成分を Gram–Schmidt（GS）射影で除去し、重みノルムを固定せずに累積を保証する MuonGS を提案しています。実験では、長い学習期間において MuonGS が MuonH より低い検証パープレキシティを示し、密モデルでは検証損失を揃えた場合に約15%のトークン換算の高速化が推定されています。
説明一般化二次ルーティングによる多状態線形注意（MERLIN）：長文モデリングを改善する注意集約手法
要約本論文は、自己注意機構の二次の計算量が長い系列の処理を制限する問題に対し、多状態線形注意（MSLA）の情報集約を改善するMERLINを提案する。MERLINは各セグメントのキーの一次・二次モーメントを保持し、クエリが各セグメントとの整合の平均と分散を復元できるようにすることで、内容を考慮した集約を行う。Gated DeltaNet-1.3BとMamba-2-780Mの多状態版での実験では、複数の長文脈タスクで既存の集約手法を上回る結果が示されている。
説明メタ認知デコーディング：拡散言語エージェントのための効率的な推論手法
要約本論文は、拡散言語モデルに組み込む軽量なプラグインとして、メタ認知コントローラーを提案している。このコントローラーは、現在の応答の必要性とエージェントと環境との相互作用に応じて、トークンをいつ確定し、生成をどこまで広げるかを決定する。エージェントの軌跡データで学習され、正確さと生成コストのバランスを取る。五つのベンチマークでの実験では、最も効率的なベースラインと比べて推論のFLOPsを平均20.6%削減し、タスク精度は競争力のある水準を維持した。
説明クロスビュー時系列物体対応のためのビデオ拡散Transformerの転用
要約本論文は、クエリマスクをもとに異なる視点と時間をまたいで同一物体の同一性を保つXTrackフレームワークを提案しています。事前学習済みビデオDiTを用い、RGBからマスクへの潜在変換によってクロスビューのマッチングと時系列追跡を同時にモデル化します。さらに、焦点付きクロスビュー注意の整列、ハードネガティブ条件付け、局所文脈クロップにより対応の信頼性を高め、Ego-Exo4Dの疎な注釈を擬似ラベルで稠密化して学習に用います。
説明と要約を作成中です
説明まず知識を学び、次に描く：視覚生成の新しい学習パラダイム
要約本論文は、自己回帰事前学習で高レベルの意味知識を獲得し、拡散モデルの事後学習で高忠実度のレンダリングを行う視覚生成の学習パラダイムを提案している。比較実験では、自己回帰が下流のレンダリングにより適した事前学習目標であることが示された。また、画像デコーダや再構成損失を用いず、言語による監督のみで学習する純粋な意味トークナイザも提案されている。さらに、知識獲得とレンダリングの計算最適スケーリング則を示し、それに基づいて30億パラメータのテキスト画像生成モデルを学習し、GenEvalで86、DPG-Benchで87を達成した。
説明希少でも関連があっても誤る：メモリがLLM集団意思決定を失敗させる仕組み
要約LLM集団の議論を最終意思決定者用の短いメモリに圧縮する際、何を残すべきかを検討した論文です。作者らは60テンプレート・480タスクからなる診断ベンチマーク「CrossProfile」を提案し、希少な事実を優先する方法と判断基準に関連する事実を優先する方法を比較しました。両方の方法は予測可能な場面で失敗し、正確さは選択方式よりも記憶に残った証拠のバランスに左右されることが示されています。
説明動的スポーツの知覚と予測：一人称テニス映像における視覚モデルの時空間知能
要約本論文は、一人称映像と五台の三人称映像、全体位置、接触時刻、打球種類の注釈を含むテニスデータセットを構築しました。複数の視覚モデルを用いて、一人称画像から選手とボールの位置や軌道、ストローク種類、次の接触時刻を予測しています。さらに、視覚予測に基づいて全身の動作をリアルタイムで生成する条件付き拡散モデルを提案しています。
説明VideoLVR：根拠付き動画証拠に基づく潜在視覚推論
要約本論文はVideoLVRを提案し、マルチモーダル大規模言語モデルが関連する動画の時点の局所領域から潜在的な視覚証拠を構築し、中間推論ステップを支えられるようにします。テキスト座標での参照や切り抜き画像の再挿入による視覚情報の忘却や文脈の大幅な拡大を避けることが目的です。視覚トークン予測を用いてテキスト生成と統一し、強化学習にも拡張して最終回答の報酬で最適化します。複数の動画ベンチマークで有効性が示され、特に細粒度の視覚証拠を要するタスクで効果が高いとされています。
説明EnvSched：ロールアウト効率の高いエージェント強化学習のための環境認識スケジューリング
要約本論文は、言語エージェントの強化学習において、環境と結び付いたタスクをどの順序・配分で学習に使うかを決めるオンラインスケジューラEnvSchedを提案する。環境とタスクの組を節点とする二重関係グラフを構築し、過去のロールアウト統計から報酬の分散を予測して、高分散のタスクと未観測の環境へ学習データを割り当てる。Qwen3-8Bでの実験では、40ステップ後にBFCL-v3、tau-Bench、ACEBench-Agentの平均スコア48.81を達成し、ランダム選択が120ステップで到達した最高値を上回った。
説明回答の変化を超えて：局所的な音声証拠に対する同クラス一致対照
要約この論文は、音声言語モデルを対象に、問い合わせ対象の音イベントを局所的に置き換えた際の回答の変化を比較しています。同クラス置換と異クラス置換を、同じ区間、レベル推定、ドナー音のフィッティング、クロスフェードで行い、同クラス置換のみ正解が保たれるようにしています。600の合成サウンドスケープと2系統のアーキテクチャの3モデルで評価しています。
説明MoI-Bench：モバイル端末での画像生成・編集のためのベンチマーク
要約本論文は、モバイルユーザーのニーズに基づく画像生成・編集のベンチマークMoI-Benchを提案し、64のサブタスクと1150のサンプルを含みます。16の操作と8種類の視覚的対象カテゴリを組み合わせて評価を行い、評価手法MoI-Evalも併せて提案しています。端末側モデルとサーバー側モデルを評価した結果、現状の端末側モデルは効率的な生成や編集が可能である一方、タスク範囲の拡大が重要であり、特に同一性の保持と文字描画の編集品質の改善が必要だとされています。
説明GAS-PFN：ゼロショット交通予測のためのグラフ認識型時空間事前データ適合ネットワーク
要約本論文は、交通予測向けのゼロショットモデルGAS-PFNを提案する。合成タスク事前分布にランダムウォーク拡散で得た道路トポロジーを組み込み、事前学習中にグラフ結合された交通動態を学習させる。推論では共有Transformerによるマスク条件付きの二つのパスで、センサー自身の時間的動態と隣接センサー間の時空間相互作用を別々にモデル化する。90分予測の六つのベンチマークで、先行PFNモデルのTimePFNに比べMSEは平均34.0%、業界開発の汎用ゼロショット予測器四種に比べ平均27.7%低減した。
説明TANDEM：複雑なマルチエージェント環境で情報ギャップに対処するため集中型と分散型の批評器を両立させる手法
要約本論文は、集中学習・分散実行（CTDE）型のマルチエージェント強化学習において、学習時には見える大域状態が実行時には見えないことで生じる情報ギャップを扱う。提案手法TANDEMは、1つの集中型批評器を各学習ステップで集中読み出しと分散読み出しの二通りに用い、パラメータを持たないゲートで両者を比較し、一致する箇所では分散読み出しで方策を学習する。評価は発見、サンプリング、野火消火の3領域で行われ、批評器を取り除いた後の実行時報酬を比較している。TANDEMは9設定中8設定で最良の結果を示したとされる。
説明潜在世界モデルの限界を理解する
要約本論文は、潜在世界モデルの信頼性を検討しています。環境の遷移写像と学習された潜在ダイナミクスの間の等変性条件として「忠実な潜在世界モデル」の概念を提案し、行動条件付きの潜在予測を評価する指標として潜在ロールアウト一貫性（LRC）を導入しています。調査した最先端の潜在世界モデルのいずれも、環境のダイナミクスを実際に忠実にモデル化することによってタスクを解決してはいないと報告しています。
説明Timestral：確率的時系列予測のための基盤モデル群
要約本論文は、5M、28M、123M、209Mパラメータの4つの時系列基盤モデルからなるTimestralを紹介している。GIFT-Eval、TIME、fev-benchでSOTAを達成し、Timestral-209Mと Timestral-123Mが全指標で上位2位を占めたと報告している。手法は、予測トークンを因果的に符号化された文脈から分離するDecoupled Horizon Forecasting（DHF）、因果アーキテクチャ内で既知の未来の共変量を扱う枠組み、そして大規模な合成データで事前学習し、実データと合成データの混合で拡張文脈を用いて事後学習する2段階パイプラインである。
説明REGER：意味ID を用いて項目間の関係をモデル化する生成的推薦フレームワーク
要約本論文は、生成的推薦のためのREGERフレームワークを提案している。項目間の意味的関係と協調的関係を、意味的事前学習、履歴の符号化、意味ID生成の各段階に明示的に組み込む。また、意味IDの接頭辞木上での階層的な選好分解について理論的な分析を示し、判別型教師モデルの条件付き分布を蒸留して交差エントロピーと同時に最適化する。実データセットでの実験で、既存の生成的推薦のベースラインを一貫して上回ったと報告している。
説明サッカー中継におけるゼロショットのマルチモーダル事象検出
要約本研究は、サッカー専用の学習を行わずに、試合の全編中継から事象を検出・分類し時間的に特定するゼロショットの枠組みを提案しています。試合は重なり合うクリップに分割され、コンパクトな視覚ストーリーボードと対応する実況テキストを、汎用マルチモーダルモデルが共同で処理します。手動注釈された3試合・130件の事象で、最良の構成はF1@5sで72.0%を達成し、クロスデータセット設定でSoccerNetで学習したCALFおよびNetVLAD++を上回りました。
説明スペクトル組紐：動的有向ネットワークのための位相的記述子
要約本論文は、動的有向ネットワークの機械学習のための「スペクトル組紐（spectral braids）」手法を提案する。各スナップショットをコミュニティ単位の遷移行列に集約し、その複素固有値の時間変化を追跡して、描かれる組紐を語として読み取る。その語をBurau表現で行列に写像し、任意の分類器に使える固定長の特徴ベクトルを得る。合成されたオンラインコミュニティのネットワーク分類では、4クラスで97.1%の精度を達成し、固有値を追跡しない最良の特徴セットの44.5%を上回った。
説明物語の展開とともに：人間のように映画を見て登場人物を識別する
要約本論文は、外部のキャストリストや俳優の写真、事前に作成された登場人物データベースを使わず、映画そのものから主要な登場人物を特定し名前を割り当てる問題を扱う。著者らは、台詞で言及された名前と映像の文脈から、画面に映る誰がその名前かを判定する「キャラクター命名タスク」を提案し、データセットと注釈、映像と台詞を用いるモデルを提示している。さらに、映画の進行に合わせて登場人物のバンクを段階的に構築する枠組みも紹介している。
説明ノイズ平面：指数と分散をつなぐ拡散ブリッジ
要約本論文は、Tweedie ノイズに対応する統一的な拡散ノイズ除去フレームワーク p-Bridge を提案している。ノイズ指数 p は分散と強度の関係を表し、累積測定量 ν がノイズレベルを制御する。両者でガウス、ポアソン、ガンマの各モデルを含むノイズ平面を定義している。単一の指数条件付きネットワークで異なる指数のノイズに適応し、合成画像、FMD 蛍光顕微鏡画像、多センサー SAR 画像で実験を行っている。
説明と要約を作成中です
説明LCM-Promo：大規模言語モデルに基づく販促配分のためのアップリフトモデル
要約本論文は、販促配分のためのアップリフトモデル LCM-Promo を提案している。これは取引型のコマースデータで微調整された大規模言語モデルであるタスク特化型の Large Commerce Model（LCM）で、ユーザーの意図と販促への反応を予測する。単一トークンの出力を転換しきい値の確率として解釈することで、本番ログから単調な販促反応曲線を学習し、曜日や配送時間帯などのセッション文脈も考慮する。離反ユーザーの再活性化を対象とした本番環境の A/B テストでは、Segment-EMA の本番ベースラインと比べて、転換率が 1% 向上し、販促コストが 6% 削減された。
説明Gym-Anything-RT：視覚言語エージェントのためのリアルタイム環境の拡張
要約本論文は、視覚言語エージェントのリアルタイム対話能力を調べるためのフレームワーク Gym-Anything-RT を提案しています。six 種類の能力の分類に基づき、エージェント型パイプラインで視覚的なミニゲームを自動生成し、100 本を構築しました。実時間で実行した場合の GPT-6 Astra (xHigh) の通過率は 9.0% で、環境を一時停止すると 75.0% に上がりました。フレームワークと生成されたミニゲームは公開されています。
説明ReferStream：ストリーミング動画生成における対話型被写体注入
要約本論文は、ストリーミング動画生成の途中で新しい被写体を自然に注入するフレームワーク「ReferStream」を提案する。追加学習を必要とせず、現在のシーンを用いた参照の構築（Joint Latent）と一時的なキャッシュ注入（Cache Restoration）を組み合わせる。あわせて、参照の到着スケジュール、指示の変化、被写体の存在の明示的な注釈を備えたベンチマーク「ReferStream Bench」を導入している。同ベンチマークでの実験では、全参照を事前に与えられるオフライン手法を含む比較基準より、テキスト遵守、被写体類似度、数量の正確さで高い結果を示した。
説明Pneuma：商用航空機の予知保全のための大規模実世界時系列ベンチマーク
要約本論文は、就航中の商用航空機の機上時系列データに基づく、初の公開大規模予知保全ベンチマーク「Pneuma」を紹介しています。抽気系統を中心に、4機種・検証済みの故障シナリオ9件を含み、実際の整備記録と対応づけられています。多変量予測、教師あり故障分類、教師なし異常検知の3つのタスクを設定し、4系統の手法に属する25以上のモデルを評価した結果、細かな故障の兆候の検出には現代の強力なモデルでも苦労することが示されました。
説明不確実性定量化が機能しない場合：臨床的なクラス不均衡下の選択的予測における構造的脆弱性と修正
要約本論文は、臨床人工知能における選択的予測システムを扱う。このシステムは高信頼度の症例を自動的に判定し、曖昧な症例を人間の専門家に委ねる。少数クラスが臨床的に関心のある結果である不均衡な予測課題では、標準的な不確実性指標が臨床的な曖昧さではなくクラス所属を反映し、少数派の患者を体系的に不利に扱うことを示す。著者らは修正フレームワークを提案し、56の合成条件と3つの神経変性疾患コホートで評価し、閾値に整合した不確実性指標と層別化された評価の採用を提言している。
説明自己強化の集団的ダイナミクス：ラベルなしRLVRでタスク間結合が方策崩壊を引き起こす仕組み
要約ラベルなしの検証可能報酬による強化学習（RLVR）では、モデルが自身の多数決と一致すると報酬を得ます。初期には推論能力が向上しますが、やがて自己評価報酬が一つの答えに集中し、正答率が低下して、すべての問題に同じ答えを返すまで崩壊することがあります。論文は、この崩壊が学習問題数に依存する集団的な不安定性として説明できることを示し、問題同士がパラメータを共有する理論モデルを提示しています。シミュレーションと小型Transformerの実験により、理論の予測が確かめられています。
説明関節物体操作のための運動学的制約参照評価法
要約この論文は、操作方針が通常は二値のタスク成功率だけで評価され、指示された動作が物体の運動学的制約に適合しているかを判断できないと指摘する。著者は制約参照戦略（CRS）を提案し、エンドエフェクタの指示ツイストを物体の関節軸へ射影して、関節に沿った前進と制約から外れた無駄な動きを区別する。この手法は関節モデルとそこから導かれる関節追従型のスクリプト制御器を必要とするが、記録済みのデモや学習型の判定器は必要としない。
説明いつ、どこで、何を修正するか：ロボット方策のための人間誘導型適応残差補正
要約本論文は、凍結された方策の上で強化学習により残差補正を学習する軽量な事後学習モジュール、適応残差補正（ARC）を提案する。疎な人間の補正を用いて自律探索を導き、介入前の状態が残差制御を有効にするタイミングを、補正の幾何構造が残差行動空間で探索する方向を決め、タスク報酬が最終的に実行される残差を決定する。実ロボットでの3つの精密操作タスクにおいて、ARCは平均タスク成功率を33.3%から75.0%に向上させた。
説明GroundControl：衛星画像を条件とする多視点拡散モデルによる、3D再構成を使わない新視点合成
要約本論文は、衛星画像と街路レベルの入力画像を条件として新視点画像を生成する、新しい多視点拡散モデルを提案している。条件付けにはクロスアテンションを用い、三次元シーン再構成は行わず、位置姿勢付きの街路画像と衛星画像のみに依拠する。屋外データセットでの実験では、衛星画像のみ、または街路画像のみを条件とするベースラインより新視点合成で優れており、特に対象視点と入力視点の重なりがごくわずかな困難な場合に効果が大きいと報告されている。
説明どちらの手が遅れたか？両手ツール操作におけるロボットの失敗復旧のための診断
要約本論文は、両手ツール操作タスクにおけるロボットの失敗を診断する問題を扱っています。シミュレーション実験で、記録された軌跡から失敗の原因を特定し、ツールの滑り、どちらの手が遅れたか、二つの原因が同時に起きる場合などを、各センサ経路でどこまで判別できるかを比較しています。原因を特定できない場合に対応を引き上げる修復方針は、真の原因を知っている場合と同程度の数の失敗を2回以内の試行で修復できたと報告されています。
説明GTFormer：Transformerの自己注意機構に代わる、線形時間で長系列に外挿できるグラフニューラルネットワーク
要約本論文は、Transformerの全対全の自己注意機構の代わりに階層型グラフニューラルネットワークを用いるGTFormerを提案している。学習は長さ512以下の系列のみで行われ、八つの長文脈ベンチマークで評価された。著者らは、単一のGPUで4,194,304トークン（8192倍）まで追加学習なしに外挿でき、メモリは線形に増加し、高い精度を保ったと報告している。
説明構造ギャップ：データを増やしても構造化推論の代わりにはならない
要約現代のAIには、十分に大きな学習器を十分なデータで訓練すれば、明示的な領域知識は不要になるという考えがある。本論文はこの考えの限界を検討する。ソルバー、対称群、グラフ、物理法則などの既知の構造によって入出力写像が定まる問題を定義し、構造を与えられた手法と例だけを与えられた学習器との間の有限資源の差を「構造ギャップ」と呼ぶ。ガウス逆問題について理論的な証明を示し、既知演算子の反転、スパース回復、グラフ到達可能性の実験でその仕組みを検証している。
説明大規模言語モデルの直交的かつパラメータ化された多属性ステアリング
要約本論文は、推論時にアクティベーション・ステアリング（activation steering）によって大規模言語モデルの振る舞いを調整する方法を扱っています。まず各ステアリングベクトルで最も効果的な区間を特定し、ステアリング範囲をそれに合わせて再スケーリングします。次に、方向に沿ってアクティベーションを押すのではなく目的の特性の強度に設定する、パラメータ化ステアリングを提案します。複数の特性を同時にステアリングする際にベクトル同士が干渉する問題に対しては、ベクトルを直交化して特性を分離する手法を示しています。
説明視覚基盤モデルのデータ効率的な微調整に関する覚書
要約本論文は、視覚基盤モデルの効率的な微調整について実証的な評価を行うものです。注意機構、畳み込み、Mambaの各モデル系統と、視覚プロンプティング、線形プロービング、全層微調整、LoRAなどの転移手法の組み合わせを比較しています。さらに、視覚プロンプティングの性能向上に一般的な正則化手法を適用する効果も検討し、資源が限られた環境での実践的な指針を示すことを目指しています。
説明オンライン資源配分のための耐戦略的深層強化学習
要約本論文は、オンライン資源配分における二つの相互に関連する課題、すなわち将来の需要が不確実な中で希少な資源を効率的に配分すること、そしてエージェントがタスクの価値と要件を正直に申告することを確実にすることに取り組んでいます。著者らは、オンライン資源配分のための初の耐戦略的深層強化学習メカニズムを提案しています。単調ニューラルネットワーク、一般化された臨界支払い、そして強化学習または既存ルールの模倣による学習を組み合わせています。4種類の資源を用いた実験では、ニューラルルールがオフライン福祉上限の97.8%に到達し、模倣学習は261秒で97.5%に達しました。これは強化学習より約89倍速い結果です。
説明ALADDIN：1ステップ顔交換のための敵対的潜在拡散蒸留手法
要約本論文は、ターゲット画像の姿勢・表情・髪型・照明を保ったまま、ソースの顔の同一性を移す1ステップの顔交換手法ALADDINを提案しています。事前学習済みの多段階フローマッチングモデルで生成器を初期化し、同一性と対象属性保持の制約の下で敵対的に学習します。論文によれば、同程度の同一性転移において、単段階手法の中で真実味と対象保持が最先端であり、多段階モデルと同等の結果を28倍少ないネットワーク評価回数で達成しています。
説明共変量空間上の場としての回帰関数：発展方程式、ヘッセ行列、識別
要約本論文は、ある時点での結果変数の共変量に対する条件付き平均を共変量空間上の場とみなし、共変量と結果が時間とともに変化するときにこの場がどう変わるかを研究する。その場が二階の発展方程式を満たすことを示し、拡散項は回帰関数のヘッセ行列と共変量増分の瞬間共分散の重み付きトレースで与えられることを明らかにしている。さらに二値結果の場合の Nagumo 型方程式と行進波、そして二次回帰やカーネル平滑化との関係も論じている。
説明semanticfa：心理尺度の回答データ不要な意味的因子分析を行うRパッケージ
要約本論文は、言語モデルの埋め込みを用いて尺度項目の意味的類似度を因子分析する、Rパッケージsemanticfaを紹介する。IPIP大五因子マーカー50項目をQwen3-Embedding-8Bで埋め込み、874,434人の回答による因子分析と比較した例を示す。意味構造と回答構造の一致を「意味-行動的一貫性」として尺度の測定可能な性質とみなし、意味的因子分析は回答ベースの因子分析を補完するものであり、置き換えるものではないと述べている。
