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。
説明TC-ADA：意味セグメンテーションのためのワンショット能動的ドメイン適応
要約本論文は、新しい運転環境へ意味セグメンテーションモデルを移す際の高コストな密ラベル付け問題に取り組み、一度の選択と注釈で済む手法TC-ADAを提案している。単一ラウンドで目標ドメインの固定サブセットを選び密に注釈し、そのまま途切れなく適応を行う。選択段階では視覚基盤モデルの表現と無教師ドメイン適応モデルの意味予測を組み合わせ、目標ラベルなしで代表的かつ情報量の多い画像を選ぶ。適応段階では、ラベル付きソースデータ、ラベル付き目標データ、残りの未ラベル目標データを併用し、限られた目標ラベルの下で監督信号を調整する。著者らは5つの迁移設定で既存の代表的ベースラインを上回り、少数の目標ラベル画像で全教師あり学習に近い性能を得たと報告している。
説明MoGround：視覚言語モデルにおけるモダリティ干渉の測定と緩和
要約著者らは四つの視覚領域にまたがるデータセット MoGround を公開しました。各質問の答えは必ず一つのモダリティにのみ存在します。これにより、一方のモダリティだけで正答した後、もう一方の無関係な内容を加えると誤答に変わるモダリティ干渉を測定できます。七つのオープンソース視覚言語モデルでの実験では、干渉の程度はモデルによって異なり、モダリティの基盤の強さと負の相関があることが示されました。また、重み空間の頑健性ベクトルによる緩和手法を提案し、七つのモデルで干渉を9%から51%減らし、標準的なマルチモーダルタスクの平均精度低下は0.1ポイントにとどまりました。
説明APEX：エージェント支援型生産スケジューリングのための拡張可能なモデル
要約本論文は、汎用モデルとハイブリッド多目的探索を中核とする拡張可能な生産スケジューリングフレームワークAPEXを提案します。エージェントが自然言語でデータ準備やシナリオ検討を支援し、コーディングエージェントが新しい制約や目的の実装とテストを助けます。69の公開ジョブショップ系インスタンスで、8つのAPEX構成をNSGA-II、SPEA2、MOEA/D、SMS-EMOAと比較した結果、ハイブリッド構成が総合的な解の質で最良でしたが、首位の手法は問題の種類と目的によって異なりました。
説明グラフ誘導によるリポジトリ実行環境の自動構築（Graph2Env）
要約本論文は、リポジトリの実行に必要な環境要件、その依存関係と状態を明示的に表す型付き依存グラフ DepGraph を中心に据えたエージェント型手法 Graph2Env を提案しています。実行フィードバックによって DepGraph を継続的に改良し、成功した修復を再実行可能な構築手順として保存します。200 個の Python リポジトリによる評価では、環境構築成功率（EBSR）81.0%、環境セットアップ成功率（ESSR）59.3% を達成し、最も強い比較手法をそれぞれ 9.5 ポイント、9.0 ポイント上回りました。
説明ウェアラブル活動計と睡眠データの時系列グラフ学習による青年期の結晶性知能のモデル化
要約本研究は、青年期脳認知発達研究（ABCD、Release 5.1）の6,091人の青年について、約21日間のFitbitの日次集計データを用いています。日次行動を表す時系列グラフで結晶性知能を予測するSATURNというネットワークを提案しています。家族を統制した交差検証でR²は0.2783で、勾配ブースティングとBiLSTMの基準モデルを上回りました。説明可能性分析では、軽度活動、代謝当量、睡眠時間が主要な予測因子として挙げられています。
説明TeacherGRPO：教師アライメントで推論蒸留の能力差を埋める手法
要約大型の教師モデルから小型の生徒モデルへ推論を蒸留する際、教師が高度になるほど分布が生徒に近似しにくくなり性能が低下する問題を扱った論文です。著者らは、データを捨てず推論品質も損なわずに教師を生徒の分布へ適応させる「教師アライメント」を提案し、グループ相対方策最適化（GRPO）に基づく強化学習としてTeacherGRPOを構築しています。カリキュラム型の選択的アライメントと、重要度に応じた長さ正則化が主な構成要素で、著者らは複数の推論ベンチマークと蒸留手法で基準手法を大きく上回ったと報告しています。
説明軽量な二段階最適化による自己教師あり表現の調整：下流タスク学習の強化
要約本論文はBiSSLを改良したBiSSLightを提案する。BiSSLは事前学習と微調整の間に、下流タスクの目的関数で自己教師あり表現を精緻化する二段階最適化の過渡段階を設けるが、暗黙的な超勾配の近似コストが高い。BiSSLightはM-FACベースの暗黙的勾配近似とLoRAによるパラメータ効率の良い微調整を組み合わせ、より大規模なモデルへの適用を可能にした。著者らは、複数の下流タスクと現代的なアーキテクチャで性能が向上し、モデルが大きいほど効果が増すと報告している。ViT-Hバックボーンでは計算時間を先行手法の10分の1以下に削減したという。
説明解釈可能な深層学習による安静時機能的コネクトームの解析：青年期の知能のネットワーク・バイオマーカー
要約本論文は、ABCD研究の5,285名の安静時機能的MRIから流動性知能、結晶性知能、総合知能を予測する、解釈可能な深層学習フレームワークを提案しています。ピアソン相関は順に0.44、0.58、0.56で、既存手法より6〜9％改善したと報告されています。3種の説明手法による特徴ランキングはほぼ一致し、主要な予測ハブは典型的な脳システム内に位置する一方、最強の全体的予測経路は分散型の長距離中継接続を通じて、それらのハブを迂回することが多いことが示されています。
説明モーメントから測度の低次元半代数的台を復元する
要約本論文は、測度のモーメント情報のみから、コンパクトで余次元が少なくとも1の半代数的台（サポート）を復元する問題を扱います。モーメント行列の核情報とChristoffel–Darboux核を組み合わせ、台の離散近似を与えます。一意の大域的最小点を持たない多項式最適化問題から解析的に計算したモーメントと擬モーメントで手法を検証しています。
説明TT-VidT：時間軸を分離し、動き重視の動画事前学習を効率化
要約本論文は、動画の自己教師あり学習で手法そのものを比較できるよう、同条件で4×6=24通りのアーキテクチャと目的関数の組み合わせを検証しました（エンコーダ規模は約1.7億〜1.9億パラメータ）。提案手法のTT-VidTは、DINOv3で初期化したViT-B/16の逐次フレーム空間経路と、小型の時間転送層（Temporal Transfer Layer）を組み合わせ、Diff Compressionで学習します。Jester、Something-Something V2、ARID、Diving48の微調整で最も強い非TT手法を上回り、エンコーダのFLOPsはDisMoより48%、VideoMAEやV-JEPA2より55%少ないと報告されています。HMDB51、IARD、EPIC-Kitchensの結果は主張の範囲を限定しています。
説明下流タスクの有用性を基準にした記憶要約：MemSuit 手法の論文
要約既存の記憶システム向け要約器は、忠実性など人間向けの基準で最適化されることが多く、将来の質問に答えるために必要な証拠を残すという本来の目的と一致していません。本論文は MemSuit を提案します。これは自己蒸留の枠組みで、観測された質問と回答の組に条件づけた教師要約器が有用性を意識した記憶項目を生成し、生徒モデルは生の会話のみからそれを再現するよう学習します。多様な対話型の質問タイプにおいて、MemSuit は最先端のベースラインを一貫して上回ったと報告されています。
説明k近傍前処理がグラフニューラルネットワークに与える影響：公平性の観点から
要約本論文は、k近傍法に基づく前処理でグラフを構築し、均等化オッズ基準で公平性を評価する公平なグラフ畳み込みネットワーク（GCN）の設計手法を提案します。公平性の基準は、追加の損失項として最適化目標に組み込まれています。既知のバイアスを持つ3つの実世界の表形式データセットで実験を行い、近傍数kと公平性制約が、群間の偽陽性率・偽陰性率の差にどう影響するかを検証しています。
説明TTRSD：視覚言語モデル向けテスト時強化学習と自己蒸留の手法
要約本論文は、ラベルなし入力を用いてテスト時に視覚言語モデルを適応させる強化学習フレームワーク TTRSD を提案しています。複数視点での回答レベルの自己蒸留と、視覚的に敏感なトークンの選択を組み合わせ、フィードバックを視覚認識の弱点に集中させます。ラベルなしの適応サンプル 20 件のみで、7 つのベンチマークと 3 つのモデルで性能が向上し、InternVL3-2B の MMMU 精度は 35.79% から 49.32% に上がったと報告されています。
説明状態表現の不一致を解消：オープンループVLA計画のための状態空間視覚推論
要約本論文は、視覚言語行動（VLA）モデルが初期観測のみから行う開ループ計画において、状態表現の不一致という問題があると指摘しています。提案手法SSVR（State-Space Visual Reasoning）は、静的な視覚文脈、言語制約、再帰的な潜在状態を分離し、行動条件付きGRUで潜在状態を更新します。Qwen2.5-VLを基盤とした実験では、FrozenLake、Maze、MiniBehaviorで既存手法を大きく上回りました。
説明MetaBench-Harness：ベンチマーク生成ハーネスをエンドツーエンドで最適化する二重ループ探索法
要約大規模言語モデルの急速な進歩により、静的ベンチマークは作成より速く飽和しています。本論文は、内側ループでベンチマークハーネスが毎回新しいベンチマークを生成し、外側のメタハーネス層が過去の進化軌跡に基づいてハーネス実装を反復的に改良する二重ループ探索フレームワーク MetaBench-Harness を提案します。CodeContests と AIME-2024 での実験では、進化したベンチマークが最先端モデルに対して難度と識別力を持つことが示されました。
説明FoldAttention：高速デコードと決定的な逆伝播のための、事前宣言された参照値によるSoftmax注意機構
要約本論文は、自己回帰デコードにおいて長いコンテキストでKVキャッシュを読み込む注意機構の高コストに取り組む。FoldAttentionは、キーを走査する前に有限の参照値を固定し、各重みを計算時点で確定させることで、再スケーリングなしに異なるキー範囲の寄与を加算できるようにする。H100上でのQwen3-8Bの検証では、最速のBF16基線より高速化が報告されており、確定的逆伝播の速度についても結果が示されている。
説明『密な監督だけでは不十分』：長期タスクのオンポリシー蒸留における階層的監督配分に関する論文。
要約本論文は、長期的なエージェントタスクにおけるオンポリシー蒸留（OPD）を扱います。小型モデルが自ら生成した軌跡に対し、教師モデルが監督を与える手法です。著者らは、トークン単位の一様な監督配分は効果が乏しいと指摘し、粗から細へ進む LENS-OPD を提案します。これは Locate、Validate、Refine の三段階で監督を配分する枠組みです。複数のベンチマークと師弟構成の実験で、従来のOPDや代表的なベースラインを上回る結果が示されています。
説明StarBOA：ISAC ネットワークにおけるスパースレーダー微小ドップラーのためのリアルタイム Mamba 状態空間アンローリング
要約本論文は、統合センシング・通信（ISAC）において最大90％のデータ欠損があるチャープサブサンプリング下でのレーダー感知を扱います。注意機構に代えて因果的な Mamba 状態空間モデルを用い、過去の再構成を再走査せずにウィンドウ単位で増分更新する StarBOA を提案しています。各ウィンドウの処理時間は1.53ミリ秒で、先読みはありません。各稀疏度で基線の公開結果を上回るとされています。
説明凍結した結晶構造事前分布を錨とする適応的結晶探索（ANCHOR）
要約本論文は、凍結した結晶構造予測（CSP）モデルを物理的な事前分布として用い、組成空間を探索する強化学習ポリシーを多目的報酬で学習するANCHORを提案しています。同じCSPバックボーン上で、DNG生成の組成をANCHORのポリシーに置き換えると、MSUNは11.4%から47.6%、SUNは1.1%から22.1%に上がったと報告されています。著者らは、凸包上の割合は用いる評価ポテンシャルに依存すると述べています。
説明自己回帰事前学習におけるトークンの役割の分離（トークンが目標とコンテキストの二つの役割を果たすことを分けて調べた研究）
要約本論文は、自己回帰事前学習において個々のトークンからモデルがどのように学習するかを検討しています。制御されたノイズ注入により、トークンが予測目標である役割と文脈である役割を分離して調べています。その結果、ノイズのあるトークンを予測しやすくすると、目標としての害は減るものの、文脈としての害は増えるという逆転が見られました。この分離は、言語モデルが生成するテキストの説明にも用いられています。
説明DataMagic：宣言的マルチエージェント編成によるデータビデオ制作
要約データビデオは、動的なグラフ、音声ナレーション、同期したアニメーションでデータの洞察を伝える手法で、制作にはデータ分析、ナラティブ設計、動画編集の専門知識が必要です。本論文は、生の表形式データから宣言的マルチエージェント編成によってデータビデオを作成する DataMagic を提案します。宣言的仕様 DVSpec がグラフ、ナレーション、アニメーションを統合し、データの来歴と音声・映像の自動整合を保証します。109件の実サンプルでは、最先端の LLM（GPT-5）の品質 2.13/5 から DataMagic は 3.89 に向上し、成功率は 95% を超えました。ユーザー調査では作業時間が 79.7% 削減されています。
説明VaME：マルチモーダル埋め込みのための変分潜在推論の研究
要約本論文は、汎用マルチモーダル検索のためのコンパクトな埋め込み学習手法VaMEを提案する。潜在推論を軌道上の学習可能な分布としてモデル化し、変分潜在推論と強化学習、意味的デコード報酬によって最適化する。画像・動画・視覚文書検索を含むMMEB-V2ベンチマークで、多くの明示的CoTモデルと全ての潜在推論ベースラインを上回り、推論は少なくとも4.25倍高速である。
説明選択的状態空間フィルタによる行動境界検出：高精度かつストリーミング対応
要約本論文は、動作クラスを割り当てずに未編集動画を区間に分割する行動境界検出を扱う。事前抽出された動画特徴量に作用する境界検出アダプタを提案し、グループ単位の選択的スキャンで時系列表現を学習して境界タイムスタンプへ復号する。Breakfast、GTEA、50Salads の各データセットでのクラス非依存モデルの境界 F1 は 0.457、0.622、0.611 である。さらに、ニューラルの先読みなし、単一サンプルのピーク確認、有界メモリで特徴量をストリーミング推論できる状態保持型の変種も示されている。
説明SciGen-Verifier：科学画像生成の説明可能な検証のためのマルチモーダル推論モデル
要約科学的な図（回路図、幾何作図、関数グラフなど）の正しさの検証は難しく、既存の検証器は主に自然画像を対象とし、結果をスコアで示すだけで説明が不足しています。本論文は、二値判定・説明・修正編集指示の三段階からなるベンチマークSciGen-Verifyを構築し、コールドスタートの教師あり微調整と二段階の強化学習で学習したSciGen-Verifierを提案しています。より大規模な商用モデルに匹敵する性能を示し、画像を反復的に修正するオンライン批評器としても使えるとされています。
説明COEVO：文脈とパラメータを共進化させ再帰的自己改善を実現する手法
要約本論文は、大規模言語モデルの再帰的自己改善について、従来はパラメータのオンライン学習と文脈の最適化が別々に研究されてきたことを指摘しています。著者らは、モデルのパラメータと学習文脈を共通のフィードバックループ内で適応させるCOEVOという枠組みを提案し、方策のエントロピーとプロンプト条件付きの注意を調整信号として用いています。実験では、文脈を固定した強化学習と比べて課題性能が一貫して向上し、システムプロンプトの変更に対してより頑健な方策が得られたと報告されています。
説明CoViST：組み合わせ可能な状態による視覚トークン圧縮
要約本論文は、視覚言語モデルの視覚トークンを学習なしで圧縮するフレームワーク CoViST を提案しています。圧縮後の画像を、代表特徴、元の位置、有効な寄与重み、再利用可能な選択メタデータを含む組み合わせ可能な視覚状態として表現します。LLaVA-1.5-7B の7つのベンチマークでは、CoViST-Fixed が192、128、64トークンでそれぞれ未圧縮性能の99.9%、99.5%、98.1%を保持しました。
説明形態素の保持：ネパール語向け形態論ガイド付き事前トークン化
要約本論文は、バイトレベルBPEの前に、ネパール語の単語を語幹と接辞に分割することの効果を検証しています。公開されている文法に基づく有限状態トランスデューサ（Papaya）を提案し、607語の注釈データで境界F1 0.96を達成しました。17Mパラメータの言語モデルでは、同じ学習ステップで約1%のビット/バイト削減が見られましたが、下流タスクへの効果は小さいとされています。
説明条件付き潜在ノイズ除去による跨モーダル変換を用いた動画ディープフェイク検出
要約本論文は、動画ディープフェイクを検出するためのCTCLDフレームワークを提案している。潜在空間において、互いに条件付けられた双方向のノイズ除去により音声と映像の両モダリティを変換し、改変された信号に含まれる微細な不整合を捉える。実験の結果、包括的なドメイン整合が可能であり、競争力のある検出性能が得られたと報告している。
説明AutoHGNN：ハイパーグラフニューラルネットワークのためのロバストで効率的なニューラルアーキテクチャ探索
要約本論文は、ハイパーグラフニューラルネットワーク向けのニューラルアーキテクチャ探索フレームワーク AutoHGNN を提案し、ハイパーグラフ学習モデルの構造設計を自動化する手法を示している。探索空間にハイパー相互作用モジュール（HIM）を導入して従来のグラフニューラルネットワーク設計とハイパーグラフデータの不一致に対処し、ハイパーグラフ安定位相距離（HyperSTD）を構造選択基準として用いている。複数のベンチマークデータセットでの実験により、分類精度と時間効率の両面で、手作業設計および自動探索の基準手法を上回ったと報告されている。
説明タイムスタンプを超えて：長期タスク向けの決定整合型オンポリシー蒸留
要約本論文は、長期タスクのエージェント学習において、特権的指導と学習者の機能的決定がずれる問題を扱います。提案手法AlignOPSDは、信用を割り当てる前に監督信号を整合させ、決定区間を単位として信用を配分します。Qwen2.5-3BおよびQwen2.5-7BでALFWorld、WebShop、Search-QAを評価した結果、全8比較でGRPOとStepOPSDを上回ったと報告されています。
説明位置リスクからブロック生存へ：拡散言語モデルのより高速な生成手法
要約拡散言語モデル（DLM）は複数のトークンを並列に予測して生成を高速化できますが、予測方法と最終的な生成への寄与の間にずれがあります。本論文はBRISK-DLMという枠組みを提案し、モデルが自ら生成した系列で学習する際に位置ごとのリスクと報酬で重み付けし、推論時には軽量な接頭辞条件付き補正器で候補を並べ替えます。エンドツーエンドのスループットは最大37.4%向上し、タスク品質は維持されたと報告されています。
説明グレーボックスからグリーンボックスへ：物理情報機械学習は構造健全性モニタリングで炭素排出を減らせるか
要約本研究は、構造健全性モニタリングにおいて物理情報機械学習（グレーボックスモデル）が学習時間と計算由来の炭素排出を減らせるかを検討しています。残差モデリング、入力拡張、ハイブリッドモデリング、制約付き学習の4手法を、ガウス過程とニューラルネットワークにわたって評価しました。多くの事例で物理情報モデルの学習時の排出量が少なく、入力拡張モデルは例外でした。ただし、物理の導入による複雑さと学習データ削減の利点とのトレードオフが必要だと結論づけています。
説明Sivia：描くことを学び、学ぶことを学ぶ論文概要図生成システム
要約論文の概要図（overview figure）は読者が最初に目にする図であり、手法を正しく説明しつつ見栄えも求められます。Sivia は論文を読み、要素間の関係を計画し、近年のトップカンファレンス論文の視覚的構成を取り入れて、画像生成用のデザインを組み立てます。人手で誘導される再帰的自己改善（RSI）により、描画スキルと、その改善案を提案する更新器の両方を使うほど向上します。48 本のテスト論文では、両層を学習することで必須関係の正解率（RRA）が 93.54% に達し、可読性と視覚品質は五段階評価でそれぞれ 3.95 と 4.00 から 4.70 と 4.78 に上昇しました。
説明OLED-MoE：反復間の局所性を利用し、MoEベースdLLMの推論を高速化する専門家オフロードシステム
要約本論文は、混合専門家（MoE）層を用いる半自己回帰型拡散大規模言語モデル（dLLM）を対象に、専門家オフロードシステムOLED-MoEを提案する。反復内での層ごとの先読みではなく、隣接する去雑音反復間で専門家ルーティングが大きく重なる性質と、トークンの信頼度を利用して、有用性の高い専門家をGPUメモリに保持する。キャッシュミスはCPUとGPUの協調実行で補う。報告によると、既存のオフロードシステムと比べ、出力トークンあたりの時間（TPOT）は1.23～7.93倍短縮され、専門家キャッシュの利用率は1.44～4.23倍向上した。
説明PulseQuant：4ビット動画拡散Transformer向け伝播誘導型部分空間補正
要約本論文はPulseQuantという、動画拡散Transformerの4ビット学習後量子化手法を提案している。軌道感度と活性化の幾何を組み合わせ、オフラインのキャリブレーションを導く。短期的に伝播した誤差は、即時のブロック出力誤差よりも最終的な潜在誤差をより確実に予測することが示された。Wanモデル、Self Forcing、MiniMax-H3での評価では、主要な一貫性指標と密な参照指標が改善し、他の属性でも競争力を保っている。
説明局所線形最小化オラクルは実は射影法である
要約本論文は、局所線形最小化オラクル（Local LMO）が、半径がPolyak半径を超えない場合、現在の反復点から解集合を分離する半空間と実行可能集合の共通部分への射影になっていることを示す。その射影は線形オラクルだけで計算可能である。著者はこれを、局所化半空間の深さで指定される、より広い射影法の族に位置づけている。勾配がϑ-Hölder連続な目的関数に対し、半空間が十分深い手法はO(K^{-(1+ϑ)/2})の一般的収束速度を達成するとしている。
説明NLPG：自然言語方策勾配による自己進化型言語エージェント
要約本論文は、固定された言語エージェントのモデルパラメータやプログラム構造を変えずに性能を改善する、自然言語方策勾配（NLPG）という手法を提案しています。実行トレースを分析し、下流のフィードバックをモジュールグラフに沿って逆向きに伝播させ、繰り返し生じる失敗を経路ごとの自然言語による修正に変換して、有界な方策更新としてまとめます。記憶、推論、指示追従、証拠検証の6つのベンチマークで、NLPGは各ベンチマークで挙げられた最強の基準手法を平均8.71ポイント上回りました。
説明エージェント間の再帰的ハーネス蒸留によるロボット操作：再利用可能な介入ガイドの作成
要約本論文は、強力なエージェントが視覚・言語・行動（VLA）モデルとの相互作用で得た介入の経験を「プレイブック」にまとめ、軽量なエージェントに渡し、その実行フィードバックをもとに再帰的に改良する手法を提案している。モデルのパラメータを更新せずに知識を再利用できる。実機の操作実験では成功率が37.3%から64.0%に向上し、SimplerEnv Bridgeでは軽量エージェントが66.7%で、GR00Tのみの41.7%を上回った。
説明最適輸送ドロップアウト：構造化予測の不確実性を学習する手法
要約本論文は、ニューラルネットワークとニューラル演算子が単一の点推定ではなく不確実性を伴う予測を出せるよう、最適輸送ドロップアウト（OTD）を提案している。単純な独立参照分布から出発し、学習可能なフローで潜在摂動を変換する。学習には厳密適正なエネルギースコアと、輸送を幾何学的に正則化する運動作用項を用いる。偏微分方程式の代理モデルでは、予測のばらつきが誤差の空間分布と強く一致し、モンテカルロドロップアウトより区間が狭く、校正も良好だと報告されている。
説明TNFベースのスペクトル埋め込みによる自動車保険詐欺検出への教師あり機械学習の応用
要約本論文は自動車保険の詐欺検出を扱い、決定木、ランダムフォレスト、XGBoost、LightGBM、勾配ブースティングなどの分類モデルを検討している。データ不均衡にはMWMOTEとTGANを用い、低次元表現にはトポロジカルノード特徴（TNF）に基づくスペクトル埋め込みを、MDS、Isomap、t-SNEと比較しながら使用している。65通りの組み合わせを検証した結果、MWMOTE、TNFSE2、ランダムフォレストの組み合わせが同データセットで最良だったと報告している。
説明コーデック切替後も有効な特徴：音声ディープフェイク検出のためのボーカル除去残差統計
要約本論文は、共有の低容量線形分類器のもとで12種類の音響表現を比較し、プールされたテストセットではXLS-Rの階層的表現が最良である一方、未見のコーデック条件ではボーカル除去残差の統計量が最も良いことを示しています。これを基に、発話レベルの統計量とトークンレベルのXLS-R特徴を適応ゲーティングで統合する二視点検出器MN-Pを提案しています。再学習された最良の基準手法と比べ、全体のEERは54.2%、未見コーデック条件では60.9%低減されたと報告されています。
説明周辺分布からセミマルチンゲールの予測可能ドリフトを識別する
要約本論文は、セミマルチンゲール X の予測可能な有限変動部分（ドリフト）A を、繰り返し得られる横断データだけから識別する問題を扱う。著者は、ドリフトを隠れた線形動的システムの出力とみなし、その結合推定問題を双線形の二次制約付き計画問題として定式化し、空間分枝限定法で大域的最適性を保証して解く。さらに、固定グリッドにおける推定量の収束速度も示している。
説明選択ルールが勝者を決める：オープンセット・グラフ異常検知の事前登録型監査
要約本論文は、ラベルのない異常クラスを検出するオープンセット・グラフ異常検知において、既存研究で一般的な評価慣行（テストセットでの最良エポック選択、基準値の転記、少数クラスの異常扱い）が結果にどう影響するかを検証する。著者らは統一プロトコルでDEMO、NSReg、自作のOUTPOSTを再実行し、最良エポック規則と検証集合規則の二通りで採点した。その結果、評価規則によって首位の手法が変わることが示された。
説明DrafTS：残差補正付きの時間認識分解による時系列モデリング手法
要約本論文は、モデルに依存しない時系列モデリングの枠組みDrafTSを提案している。瞬時振幅と瞬時周波数から得た特徴を用いて分解を行い、基礎的な動態を捉える主成分を得る。タスク固有のバックボーンが主成分をモデル化し、軽量な補正モジュールが残差情報でバックボーンの出力を補正する。著者らは、四つの時系列モデリングタスクで六種類の多様なバックボーンを改善したと報告している。
説明PreSO：同方策自己蒸留のための特権表現分離手法
要約本論文は同方策自己蒸留（OPSD）向けのPreSOを提案する。コンパクトなヒントで特権情報の解決策固有の詳細を制限し、複数の関連問題にわたる表現の変化から低ランク部分空間を推定して、特権による補正をその部分空間へ射影し、学生の非特権表現に加えて蒸留目標とする。五つの競技レベルの数学ベンチマークで、Qwen3-1.7B、4B、8Bのいずれにおいても、PreSOは強力なベースラインを上回り、平均精度はベースモデルに比べてそれぞれ6.8、9.0、10.0ポイント向上した。
