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ReSight-SMC：視覚スカウトを用いた岛型SMCによる2段階パワーサンプリング（視覚言語モデル推論向け）
要約本論文は、大規模視覚言語モデル（LVLM）の推論のための、検証器不要の2段階パワーサンプリング手法ReSight-SMCを提案します。第1段階では祖先を隔てたSMCの島を用いて独立した推論軌跡を保持し、前置きに条件付けられた視覚スカウトを関連する画像領域へ振り分けます。第2段階では正規化された答えごとに終端の重要度質量を集約し、答えとその根拠となる軌跡をサンプリングします。4つのLVLMバックボーンと5つのベンチマークで、推論・知覚の両群においてPower-SMCを総合的に上回り、事後学習なしで強化学習で訓練された同一バックボーンのモデルに総合的に匹敵します。
説明参照テール信頼：展開済みネットワーク内の学習型更新に対する認証付き確率下限
要約グラフニューラルネットワークが展開後も、既に信頼されている予測を損なわずに改善されたメッセージパッシングを活用する方法を扱います。本論文は、凍結したGNN内部で学習型の更新を許可し、実際に提供される予測を認証するRTTフレームワークを提案します。ogbn-arxivの検証では、1回の呼び出しあたり平均6.5×10⁻³ナットの利得と、回帰率および負の反転率の上限が報告されています。
注目点凍結GNN内部で学習更新を認証付き確率下限により受け入れる枠組みを示し、理論導出と多数の実験が新規性と根拠を支える。
説明2次元グリッド注意による二重ストリーム同時翻訳
要約本論文は、原文と訳文の隠れ状態を二次元グリッドとして表し、四種類の構造の異なる注意機構を共同QK Softmax正規化で統合する二重ストリーム注意フレームワークを提案し、同時機械翻訳に用いる。計算量を下げる二つの近似手法、自己誘導型の学習、増分KVキャッシュを用いた流れ式推論も説明されている。中国語から英語への同時翻訳で、類似の遅延条件下でWait-kベースラインを上回り、BLEURTで+5.66、COMETで+10.36の改善を示した。
説明規制下のエージェント型AIにおける有界自律性の評価：憲法的報酬・エスカレーションラベル・実行時ガバナンスを備えた診断ハーネス
要約本論文は、規制されたエージェント型ワークフローにおける有界自律性を評価するための診断ハーネスRegLLMを提案しています。引用の妥当性、根拠の有無、スキーマ適合性、エスカレーションの正しさ、憲法的整合性、安全でない行動率の6つの指標を測定します。小規模な試験では、ガバナンスを有効にするとエスカレーション再現率が0から0.67に上がり、安全でない行動率が0.33から0.08に下がりました。ただし著者らは、構成の違いが調整の効果を覆い隠しうることを示しており、結果は診断的な意味にとどまり、信頼性や本番運用への準備を証明するものではないとしています。
説明FILIGREE3D：超高解像度の単一画像からの3D生成のためのスパース潜在フローマッチング拡張手法
要約本論文は、単一画像から最大2048³のボクセル解像度で3D形状を生成するFILIGREE3Dを提案し、4096³への拡張も容易だと述べています。構造認識スパース拡張、高解像度での幾何学的利得に基づく学習サンプルの選別、マルチスケール画像特徴のスパース3D DiTへの注入、可視性を考慮したボクセル正則化を導入しています。著者らは、既定設定でGPUメモリが実用的な範囲に収まり、約1分で生成でき、既存手法より幾何学的忠実度と細部の保持に優れると報告しています。
説明ColNanoVDR：最適輸送による多ベクトル視覚文書検索のための文書不要クエリ蒸留
要約本論文は、多ベクトル視覚文書検索で大規模なクエリエンコーダの能力を小型の生徒モデルへ蒸留するフレームワーク ColNanoVDR を提案します。訓練時に文書ページを符号化・キャッシュせず、最適輸送でクエリのトークンを対応付けます。1億4900万パラメータのテキストのみの生徒モデルは、ViDoRe v1-v3 で教師の NDCG@5 の約95%を保持し、クエリ符号化は最大26倍高速です。
注目点無文書蒸留をマルチベクトル視覚文書検索に初めて持ち込み、最適輸送による整合とMaxSimスコア差の上界を証明し、ViDoRe上で約95%の性能を保持。
説明全スライド病理画像分類のためのロールガイド型MoEエンコーダ表現学習
要約本論文は、全スライド画像（WSI）分類において、固定された病理基盤モデルの表現が対象組織のパターンに十分適応していない問題を扱います。病理に特化したエンコーダ表現学習の効率的な枠組みとして、ロールガイド型のMoE-FFNを提案しています。学習は二段階で行われ、まず凍結したVirchow2教師モデルから軽量なDINOv2-smallへ病理の事前知識を蒸馏し、続いて非対称プロトタイプ誘導最適化で対象領域に適応させます。公開のBRACSデータセットと私的なPAROTIDデータセットで、5種類のバックボーンを用いた実験を行い、最強のベースラインに対して一貫した改善が示されています。
説明DeShortcut-Align：大規模推論モデルの頑健な安全性アライメントのための疑似ショートカットの分離
要約本論文は、大規模推論モデル（LRM）を教師ありファインチューニングと強化学習で安全化すると、安全性スコアは高くなるものの、過剰拒否や汎用能力の低下が起きることを指摘しています。原因は、テンプレート形式や敏感語句といった表層的な疑似ショートカットを学習してしまうことにあるとしています。提案手法DeShortcut-Alignは、寄与度の帰属、帰属に基づく対照的データ拡張、反事実的一貫性正則化の3段階で表層的手がかりへの依存を減らします。7Bおよび14Bモデルでの実験では、テンプレート除去攻撃への頑健性向上と過剰拒否の大幅な減少が報告されています。
説明LVMT：長期動画セグメンテーションのための動画マスク Transformer
要約本論文は、長い動画で長期間の遮蔽が起きる場合にオンライン動画セグメンテーションの追跡が難しい問題を扱う。軽量な GRU ベースの時間伝播モジュールを提案し、時間方向に伝播させる情報を選択的に学習させる。また、フレームを区間（チャンク）に分けて処理し、区間間では追跡情報を伝播させ、逆伝播は区間内のみで行う Truncated Query Propagation（TQP）を導入して長い動画での学習を可能にしている。著者らは、提案モデル LVMT が6つのベンチマークで新たな最高性能を示し、従来の最高手法より10倍速いと報告している。
注目点GRUベースの時間伝播とTruncated Query Propagationを提案し、6つのベンチマークで最先端を達成、コード公開。
説明ECHO：手首のみの操作のための、イベント拡張コンテキストと回顧・展望の手法
要約本論文は、手首のカメラのみで操作を学習するロボット方策のための手法ECHOを提案しています。イベントカメラが画素ごとの明るさの変化を捉えることで、強い露光や暗所でのRGB画像の劣化を補います。回顧モジュールは過去のイベント列からグリッパーの軌跡を保持し、展望モジュールは将来のシーン変化を予測します。RLBenchのシミュレーションでは、RGBおよびRGB+イベントの基準手法を上回ったと報告されています。
説明表形式基盤モデルのためのコンフォーマル予測と条件付きカバレッジ
要約本論文は、表形式基盤モデル（TFM）が回帰で出す予測分布について、点予測が正確でも予測区間が過小または過大にカバーすることがあると指摘しています。最高予測密度の分割コンフォーマル予測を軽量に応用した C-USIM を提案し、多峰性の予測にも対応します。追加の学習やモデル推論は不要です。TabPFN と TabICL での実験では、周辺カバレッジの精度向上と、平均的な条件付き・グループ別カバレッジ誤差の低減が示されています。
説明設計段階で仮定を減らす：LLM 支援の Verus 検証のための再利用可能なスキル
要約本論文は、大規模言語モデル（LLM）エージェントが、Rust の双方向連結リスト（DLL）のような自己参照データ構造に対して、検証の信頼基盤を最小化しつつ強い Verus 仕様を生成できるかを調べている。手動検証、特定性質に特化した検証、そして DLL 向けの領域知識と課題分解の戦略を組み込んだスキルの三つの手法を比較している。結果として、慎重に設計された検証スキルを備えた LLM エージェントが、DLL に対して信頼性の低い仮定に頼らない強い仕様を生成できることが示されている。
説明SubRot：視覚言語モデルの回転量子化のための符号付き勾配部分空間キャリブレーション手法
要約本論文は、視覚言語モデルの学習後量子化を扱い、活性化勾配の経験的フィッシャー行列の固有分解によって、サンプル間で安定し感度が明確に分かれるチャネル部分空間を特定するSubRot手法を提案します。一次・二次のテイラー近似に基づく制約と再構成誤差のMSEを組み合わせて量子化誤差を制御します。5つのモデルと5つのベンチマークで、W4A6およびW4A4においてFlatQuantより平均スコアが改善し、LLaVA-NeXT-7Bでは1.4ポイント向上したと報告されています。
説明一度の読み出しで多数の修復：拡散モデルで導く階層探索によるツールエージェント修復
要約ツールエージェントは大規模言語モデルを用いて外部ツールを介して動作するが、呼び出しが成功してもユーザーの要求が満たされないことがある。本論文はReCommitを提案する。これは学習を必要としない拡散モデル誘導型の枠組みで、マスク付き拡散言語モデルの一度の並列読み出しで得た操作種別スコアを再利用し、操作レベルの計算を抑える。Agent-Diffベンチマークの四つの企業向けサービスの実際の失敗事例では、評価した8Bの比較手法に対し、修復予算B=3とB=13でそれぞれ相対的な回復利得が75.9%と63.2%向上し、平均の完全予算修復時間は61.3%と51.3%減少した。
説明SPOC-Net：GNSS妨害波の組み合わせ認識のための単一基本要素オンライン合成ネットワーク
要約本論文は、GNSS（全地球航法衛星システム）の妨害波認識において、組み合わせごとに別クラスとして扱う方式は新しい組み合わせへの拡張が難しいという課題に対し、SPOC-Netを提案しています。認識を基本的な妨害成分の集合を特定する問題に分解し、多解像度の時間周波数特徴と学習された成分クエリを用いて、各成分の証拠を得ます。実測の単一成分記録のみを勾配最適化に用い、学習時に合成して混合サンプルを生成します。14,220件の独立・伝導結合・記録済み混合信号による評価で、完全一致集合精度は80.69%、マイクロ平均F1スコアは92.84%でした。開発に含まれていない組み合わせでは、完全一致集合精度が80.89%でした。
説明P4Q：視覚トークン剪定と量子化を同時設計し、視覚言語モデルを高速化する手法
要約視覚言語モデルは計算量とメモリ消費が大きく、効率的な展開が難しい課題があります。本論文は、視覚トークンの剪定と低ビット量子化を共同で最適化するフレームワーク「P4Q」を提案します。量子化をシミュレートした特徴量で視覚トークンを選択し、剪定後に残るトークンの分布で量子化モデルを校正します。LLaVA-NeXTでは8つのテストセットで平均2.8倍のエンドツーエンド推論高速化を達成し、従来の圧縮・量子化手法より高い精度を維持したと報告されています。
説明注意機構の感度から層の役割へ：Transformerの混合精度量子化を再検討
要約本論文は、注意ブロックのQ・K・V重みを結合して、注意出力に基づく損失を定義するJABという手法を提案し、量子化の当てはめとビット配分の両方に用いています。注意機構のみを量子化する場合には効果が見られましたが、MLP層を配分対象に加えると性能が低下します。感度推定を必要としない層役割ベースのオフセット規則が、Mistral-7Bでより良い結果を示したと報告されています。
説明大規模言語モデルのメタ認知的モニタリングの限界
要約本論文は、4つの最先端大規模言語モデルについて、15のベンチマークにおける信頼度の報告を検討し、モデルが自分の回答が誤りかもしれないと判断できるかを調べています。正答率の高いモデルでも誤りを見分ける能力は弱い場合があり、例えばあるモデルは競技数学の問題の97%を解きましたが、回答時の信頼度は正答と誤答をほぼ偶然程度にしか区別できませんでした。モデルが共通して犯す誤りや難しい問題は、プロンプトによる自己レビューや他モデルによる監督でも発見が難しいと結論づけています。
説明再訪して分割：推論型セグメンテーションのためのワーキングメモリ蒸留
要約マルチモーダル大規模言語モデルは、画像内容を推論して対象の位置を予測します。その生成された推論過程と位置候補をワーキングメモリとして再利用すると分割性能が向上することを踏まえ、本論文はSWiMという蒸留フレームワークを提案します。分割品質に基づいて推論ロールアウトを選び、メモリを条件とするモデルを教師として使い、生徒モデルは元の画像と質問のみを受け取ります。ベンチマークで最先端の性能を示したとされています。
説明テキストが重要なとき：視覚言語モデルにおける視覚トークン剪定の設計原理
要約視覚トークン剪定は、大規模視覚言語モデルの計算コストを下げる実用的な手法として広く研究されていますが、重要な視覚情報を保てず性能が大きく低下することがあります。本論文は、視覚エンコーダの注意機構で早期に剪定し、デコーダの中間層までの候補を残したうえで、テキストから視覚への注意で最終的なトークン集合を決める、学習不要の手法を提案しています。8つのベンチマークと3つのモデルでの評価において、80%と90%の剪定率で性能回復が最良のベースラインをそれぞれ平均11.10ポイントと16.84ポイント上回りました。
注目点学習不要の段階的視覚トークン剪定を提案し、デコーダ中段のテキスト-視覚注意で再選択。8ベンチマーク3モデルで性能回復が大きく向上。
説明可変帯域下で頑健なマルチエージェント通信のための注意機構付き階層型変分情報ボトルネック法
要約本論文は、帯域が限られた環境で学習型のマルチエージェント通信を扱い、各メッセージの先頭部分のみが届く前置切り詰めの状況を対象とします。著者らはAH-VIBを提案し、変分情報ボトルネック、注意機構を用いた自己回帰的なメッセージ生成、階層的な頑健性損失を組み合わせています。自作の協調的な物体検査・占有格子地図作成タスクで、MADDPGやCommNetなどと比較し、帯域が最も制約された条件で性能の信頼性が向上したと報告しています。
説明言語化された信頼度を超えて：微分可能な読み出しで推論モデルを較正する
要約検証可能な報酬による強化学習（RLVR）で訓練された推論モデルは過信しがちです。既存手法は数値の信頼度をテキストとしてサンプリングするため、分散が大きく微分できません。CREDOは出力分布内の専用トークン対から決定論的に信頼度を読み出し、微分可能な回帰で訓練します。さらに信頼度と結果の不一致に応じてロールアウトを重み付けし、正答率と較正を同時に向上させます。数学とコードの推論で最良の正答率と較正を示し、棄権や選択的予測にも効果が及ぶとされています。
説明AUV-Bench：ユーザーインターフェースの美的理解と生成を評価するベンチマーク
要約本論文はAUV-Benchを提案し、専門のUIデザイナーと共同で約1,395のweb画面と、美的採点・問題診断・修復・テキストからのUI生成の4タスクを用意した。12モデルの評価では、全体的な採点は人間のデザイナーとある程度一致する一方、診断チェーンの完全成功率は最高24.7%にとどまった。判断と修復の成功が一致しない「判断と行動のギャップ」も示されており、著者らは現行モデルの美的能力は部分的だと結論づけている。
説明EviSplat：3Dガウススプラッティングで多視点の証拠を保持するオープン語彙セグメンテーション
要約本論文は、自由形式のテキストクエリで3Dシーン内の物体を位置特定・分割するEviSplat手法を提案します。従来のようにクエリ前に多視点観測を統合せず、個々の観測特徴を証拠として保持し、各ガウシアンが支持する視覚的外観の分布も学習します。クエリごとに最も関連する観測を用いてインスタンスを評価し、局所的な証拠と組み合わせてガウシアンのスコアを算出します。複数のデータセットと評価手順で最先端の性能が示されています。
説明高リスク・高精度な運動制御の学習（行動の結果が取り返しのつかない場面で、正確な動きを学習する研究です）
要約本論文は、行動の結果が取り返しのつかない高リスク・高精度な運動制御問題に注目しています。報酬の地形には鋭いピークや尾根が現れます。ビリヤードの打撃を代表例として、SCOOTという深層強化学習アルゴリズムを提案しています。アドバンテージ加重回帰をもとに、エリートサンプルの利用、混合専門家方策、距離正則化と学習カリキュラムの3点を改良しています。物理的に妥当な高精度の打撃を学習し、同じ球配置に対して複数の打法を発見できることを示しています。
説明ソフトターゲットから報酬信号へ：割り当てと報酬目的の相互作用
要約本論文は、固定された選好強度の集合を異なる応答ペアに割り当てると、異なる報酬目的関数が生成する報酬がどう変化するかを検討しています。平均一致平滑化と層内再割り当てを用いる「割り当て幾何」という枠組みを提案しています。五つの報酬目的関数において、対応関係を保った軟ターゲットが、同等の精度予算の中で比較対象のなかで最大のクリーンな選好マージンを保持したと報告しています。
説明疎な報酬と密な蒸留の融合：オンポリシー蒸留の学習ダイナミクス
要約本論文は、強化学習の疎な報酬信号と教師モデルによる密なトークン単位の蒸留信号を組み合わせて学習する際の不安定性を検討している。ニューラル接線カーネル（NTK）解析により、報酬勾配と蒸留勾配の位置ごとの整合性を測る指標を導入し、勾配の大きさによる圧倒と局所的な方向の衝突という二つの失敗モードを特定している。
説明教師モデルは信頼できるか？自己蒸留のための信用方向と大きさの分離（DCSD）
要約本論文は、教師モデルによる段階的な信用割り当てにおいて、信用の方向と寄与の大きさが結合しており、教師の判断誤りの影響を受けやすいと指摘する。著者らは、信念マージン探索で方向を、周辺情報利得で大きさを定める自己蒸留手法DCSDを提案し、11のベンチマークで整体スコアが最良だったと報告している。
説明HyperReservoirによる文脈依存型時系列予測
要約本論文は、複数の動的レジームを含む時系列データに対応するため、リザボアコンピューティングを拡張したHyperReservoir（超リザボア）を提案する。主リザボアと小規模な文脈リザボアから構成され、後者が前者の出力重みを変調する。学習は従来どおり線形回帰で行われる。ローレンツ系およびレスラー系の予測タスクで、従来のESNおよびフルマトリクスConceptorと比較し、三つのタスクすべてで平均テスト誤差が最も低かったと報告している。
説明ORAV：マルチモーダル参照による音声・映像生成のベンチマーク
要約本論文は、画像・動画・音声などさまざまなマルチモーダル参照を用いて音声付き映像を生成する能力を評価するためのベンチマークORAVを提案しています。380件のタスク事例を含み、各事例は2〜10個の参照、9種類の意味的役割、30通りの役割の組み合わせから構成されます。また、参照を考慮した対比評価プロトコルを設計し、人間の判断との有効一致率は86.08%でした。5つの最先端システムを比較した結果、参照の組み合わせによって各システムの強みが異なり、要求された結果の代わりに参照に似た元の内容を再現してしまうという失敗が繰り返し見られました。
説明QiYao-M：内生・外生モダリティを役割別にモデル化する多モーダル時系列基盤モデル
要約本論文は、内生モダリティと外生モダリティを別々にモデル化する、役割認識型の多モーダル時系列基盤モデルQiYao-Mを提案している。内生モダリティには、履歴から将来への変化を明示的に学習する内生多モーダル予測器と監督手法を導入する。外生モダリティには、モデルのパラメータを更新せずに下流タスクへ素早く適応できる外生多モーダル検索拡張器を提案し、外生多モーダルの事前学習データがない状態でも検索モジュールを訓練できる内生モダリティ代理訓練を導入する。単一モーダルおよび多モーダルのベンチマークで、外生モダリティの有無を問わず強い予測性能が示されている。
説明構造は変えず意味だけを適応：少数事例によるスキーマ校正と科学PDF抽出
要約本論文は、LLMで抽出スキーマを実行する前に数百のフィールド定義を手作業で調整する必要がある問題に取り組み、少数の注釈付き文書からスキーマの意味だけを適応させる手法CPSEを提案している。CPSEは、不変の構造契約と可変のフィールド意味を分けて扱い、マニフェストに基づいて識別と記録補完を分離する。高分子科学分野の専門家注釈文書で、実行を揃えたベースラインより9.93ポイント改善し、独立評価者と盲検専門家監査でも一貫した向上を示した。
説明侵害受容を制御プリミティブとする：単一の身体に配備されたエージェントのための求心性チャネルと侵害受容記憶
要約本論文は、単一の身体に配備され、複数回の試行で摩耗速度を学習できないエージェントを扱います。著者らは、負荷に応じて作動する侵害受容チャネルと、感じた情報を保持する記憶を提案し、未経験で報酬の高い作業へ配分を移すことを示します。2,000体の模擬床仕上げ工の膝関節での実験では、作業寿命が55.2歳から59.6歳に延び、職業上の産出は33.7から36.1に増加しました。69.3%の個体が利益を得て、損失を被った個体はありませんでした。
説明OpenWhistle：バンドウイルカの発声を対象とした大規模・長期データセットとベンチマーク
要約本論文は、公開されたバンドウイルカの発声データセットOpenWhistleを紹介している。半自然環境で安定した5頭の群れから5年間にわたって録音された約18万回の口笛（114時間）を含み、専門家が注釈した8,354回の口笛のサブセットと、口笛の種類の検出・分類のための再現可能な評価手法も提供される。完全な処理パイプラインも公開されている。著者らはこのデータで自己教師あり学習モデルWav2Vec2.0を事前学習し、両タスクでAVESやBioLingualなどの汎用生物音響モデルを上回る結果を示した。
説明DivOPD：多ターン型エージェントの非同期オンポリシー蒸留のためのバッチ選択手法
要約本論文は、非同期の多ターン学習におけるオンポリシー蒸留（OPD）のためのDivOPDを提案します。固定のターン予算をより多くのロールアウトに分散し、各ロールアウト内では教師と生徒の累積的な不一致が大きいターンを優先します。利用可能な教師フィードバックがないターンは除外されます。ALFWorld、ScienceWorld、WebShopのシミュレーション環境で実験が行われ、DivOPDは跨設定平均ピーク成功率を77.4から84.4へ引き上げ、従来のOPDに比べて訓練トークンと学習者GPU時間の幾何平均で約1.84倍と1.87倍の高速化を示したと報告されています。
説明MW-Nowcast：極端降水を対象とした6時間アンサンブル降水短時間予測
要約本論文は、6時間先まで対応するアンサンブルレーダー降水短時間予測モデル MW-Nowcast（Microsoft Weather Nowcast）を提案しています。確定的予測器で各アンサンブルメンバーに共通する組織化された降水構造を学習し、生成器でその予測の周りに局所的な多様な残差を生成します。米国、欧州、中国の独立したテストデータで、強雨と極端な降水に対する検出精度は主要手法を上回りました。最も激しい降雨については、3地域すべてで予警報時間が2倍になり、これまで3時間に限られていた生成モデルの技能が6時間に延びたと報告されています。
注目点決定論的予測と生成的残差を組み合わせた6時間アンサンブル降水ナウキャストを提案し、米国・欧州・中国の独立データで極端降水の予測期間が倍増したと示した。
説明点群属性の非可逆圧縮のための変換整合学習特徴（TALF）
要約本論文は、学習された空間表現に属性変換を適用し、符号化対象と変換領域で整合させる変換整合学習特徴（TALF）を提案している。これを変換ベースの属性コーデックに組み込み、統一された係数領域のレート歪み目的関数の下で動作させる。3つのベンチマークデータセットと複数の変換基底での実験で、従来手法や学習ベースの基準手法よりレート歪み性能が向上したと報告している。
説明観測校正と方策依存正則化による都市環境のマルチスケール意味地図作成
要約本論文は、都市環境で物体のスケールや観測距離が大きく変化する意味地図作成の課題に取り組みます。実都市レイアウトと複数スケールのインスタンス注釈を備えた大規模データセットを構築しています。さらに、物体カテゴリと観測距離に応じて観測尤度を校正する方策と、校正方策と移動方策の依存を抑える相互情報量正則化、カテゴリごとの価値推定器、およびカテゴリ間の勾配衝突を緩和するパレート最適化を提案しています。
説明BV損失：ブロック検証を考慮したブロック拡散投機的デコーディングの学習目標
要約本論文は、ブロック拡散投機的デコーディングにおける草案モデルの学習目標として、ブロック検証規則のもとで草案系列の期待受理長を最大化するBV損失（Block Verification-aware loss）を提案している。数学、コード、対話のベンチマークでは、Qwen3-4BおよびQwen3-8BとともにDFlashおよびDSparkを用いた場合、交差エントロピー損失での学習と比べて、検証呼び出しごとに受理されるトークン数の平均が13.0〜21.0%増加し、推論手順は変更されない。
説明関数的キャリブレーションのための構造化ニューラル確率微分方程式
要約本論文は、構造化された線形確率層から構成されるニューラル確率微分方程式モデル SLiSDE を提案する。層単位で時間方向に並列なシミュレーションを行い、ゲート付きの層間フロー積み重ねによって表現力を確保する。損失を罕見な経路が支配する関数的キャリブレーションでは、正確な尤度比補正を伴う学習型重要度サンプラーとして、任意のGirsanov傾斜を加える。関数的キャリブレーションのベンチマークで、完全なニューラルSDEのベースラインを上回ったと報告している。
説明弱いタスク仕様から科学的抽出エージェントへ：タスク構築の最適化
要約本論文は、短い目的と注釈のない参照文書だけからなる弱い仕様を出発点に、科学的情報抽出タスクに必要な出力スキーマ、抽出指示、評価基準を自動構築する方法を研究している。最適化の間もスキーマ構築と抽出指示を編集可能なままにし、スコアの低い文書にフィードバックを集中させる。不均一系触媒の文献コーパスでの実験では、両者を同時に最適化する方法が4つの評価基準設定すべてで最良の結果を示し、アブレーションと盲検の人手評価もこの定式化を支持している。
説明回答者単位で模擬する連続的なアンケート生成：大規模言語モデルによる一貫した回答シミュレーション
要約本論文はFR-LLMを提案し、2つの微調整したモデルで、各設問の回答分布と、同一回答者内の設問間の依存関係をそれぞれ学習させる。続いてMCJPにより、自己回帰モデルの同時分布を単問の周辺分布を満たす集合へ射影し、質問票全体として一貫した回答を生成する。2つの実社会調査データセットでは、複数設問の回答パターンをより正確に再現し、未知の集団や設問への汎化も向上した。小規模な商業調査データでは、模擬回答を価格設定と在庫決定に用い、最も高い実現利益を得た。
説明WM-VLM：テキストと画像を交互に用いる推論のための内部世界モデルの検証
要約本論文は、事前学習済みの視覚言語モデルに、中間的な視覚状態を生成する軽量な世界モデル分岐を加えたWM-VLMを提案します。学習は二段階で、まず次の視覚状態を生成することを学び、次にその状態を使って推論することを学びます。中間の視覚状態を検証できる空間推論課題を、プログラムで自動生成しています。2Dおよび3Dの心的回転課題において、WM-VLMは教師あり微調整を行った基盤モデルを一貫して上回り、最大で39.25ポイントの向上を示しました。アブレーション実験では、生成された視覚状態を除去または破損させると性能が大きく低下し、向上が生成された視覚状態に依存していることが示唆されています。
説明ガウシアン・ニューラルネットワーク：活性化空間に事前分布を置く新しい正則化手法
要約本論文は、前の層の活性化を経時的なガウス雑音を含む信号とみなし、追加の教師なし損失で雑音分布の性質を予測するガウシアン・ニューラルネットワーク（GaNNs）を提案します。学習時には、この教師なし損失が予想外の活性化に対してペナルティとして働き、より意外でない方向への重み更新を大きくできるとされています。分類と回帰の複数のタスクで標準的なニューラルネットワークより優れていることを示し、不確実性の定量化能力も検討しています。
説明生成的残差分解：次の画像パッチの条件付き情報を消せる部分と消せない部分に分ける研究
要約この論文は、共有因子モデルのもとで次の画像パッチの条件付き分布を、共有シーン因子に対する事後分布と、その因子を与えたときの残差カーネルに分解します。条件付きエントロピーは、因子の観測では除けない残差エントロピーと、過去のより良い表現で減らせる事後項に分かれることを示しています。さらに、次の埋め込み予測の手法についても論じ、スカラーのガウスモデルではこの分解が成り立ち閉形式で評価できると述べています。
説明CEO Arena：競争市場における長期多エージェント意思決定の評価ベンチマーク
要約本論文は、競争市場で複数のLLMエージェントがCEOとして長期間の経営判断を行う能力を評価するベンチマーク「CEO Arena」を提案している。8社が500シミュレーション日にわたり、価格設定、調達、マーケティング、研究開発、サービスについて逐次的に意思決定を行う。主な評価では、多くのエージェントの平均収益はマイナスであり、私的な利益が市場の損失を伴う場合があることが示されている。
説明ファイル名とディレクトリのみに基づく一回限りのコード検索ルーティングの評価
要約本論文は、言語モデルが固定の語彙クエリで見逃されたアノテート済みコードファイルを、ディレクトリ名とファイル名だけを手がかりに見つけられるかを検証している。11リポジトリの82件の課題では、ディレクトリルーティングは8候補内で正解ファイルの0.465を再現し、FTS5の0.352、全文rgクエリの0.245を上回った。ただし著者らは、この効果が階層構造によるものとは断定できず、課題解決の改善も示していないと述べている。
説明加速器の選択だけでは不十分：Cloud TPU での AlphaFold2 推論
要約本論文は、AlphaFold2 の推論を Colab CPU、NVIDIA T4 GPU、8 チップ構成の Cloud TPU v5e で比較したものです。定常状態での 1 回の呼び出しは、単一チップの TPU で 0.47 秒、T4 で 13.1 秒でした。ただし既定の実行経路では 8 チップのうち 1 チップしか使われず、バッチ処理や並列化の方法によって実際に得られる性能が大きく変わります。測定から 5 週間後の再実行では、クラウドの基準値を再現できなかったと報告されています。
説明ESTHER：野外での一人称視点ステレオによる手の3D推定・再構築
要約本論文は、装着型の一人称視点ステレオカメラから手の計量的な3D構造を推定・再構築するモデル「ESTHER」を提案しています。あわせて、学習用に大規模な野外データを含むデータセット「ESTHER3D」を構築し、テスト用には実測の計量的な正解データとしてモーションキャプチャによる映像を用いています。実験では既存手法が破綻する条件下でも高い精度と頑健性を示したと報告されています。
注目点装着型ステレオ視覚向けのエンドツーエンドモデルと実環境ベンチマークを提案し、単眼化後も計量スケールを保つ点が新しい。外部汎化と頑健性の実験も示される。
説明バンディット型フィードバックを伴う行列ゲームにおける多対数ナッシュ後悔
要約本論文は、賞金のバンディット型フィードバックと相手の行動の観測が可能な未知の有限行列ゲームにおけるナッシュ後悔の最小化を研究している。著者らは最適化ペイオフ均衡化（OPB）を提案し、均衡が一意でないゲームを含む任意の適応的な相手に対して、インスタンス依存の O(log²T) のナッシュ後悔を達成することを示した。これにより Maiti ら（2025）の未解決問題に答え、2×2 ゲームでの多対数保証を任意の有限次元へ拡張している。
注目点Maiti等の未解決問題を解決し、多対数Nash後悔を2×2から任意有限行列ゲームへ拡張。非一意均衡への対処を理論的に示す。
説明UniOPSD：結果フィードバックと事後フィードバックを統合する智能体向け強化学習手法
要約本論文は、言語モデル智能体を訓練するためのUniOPSD手法を提案する。環境からの報酬と成功例の事後フィードバックを適応的な局所的クレジット調停で統合し、各意思決定でどちらの信号に重みを置くかを決める。ALFWorld、WebShop、Search-QAでの成功率・正解率を、Qwen2.5-3B-InstructとQwen2.5-7B-Instructを用いて報告しており、3BのWebShopではSDARを7.0ポイント上回ったとしている。
注目点結果フィードバックと事後フィードバックを適応的局所クレジット調停で統合し、ALFWorld・WebShop・Search-QAで実験を行い、3B WebShopでSDARを7.0pt上回る。
説明知覚から統合へ：視覚言語モデルの推論における内部動態の再検討
要約視覚言語モデル（VLM）は単純な視覚的質問には答えられますが、一つの質問に複数の視覚的判断が必要な場合に苦労することがあります。本研究は、特徴の結合、個数、空間関係、非モーダル補完の受控タスクと、それらを組み合わせた複合タスクでこの問題を調べ、反事実の画像ペアを用いています。隠れ状態から複合タスクの答えを読み取れ、推論の途中で模型が自ら停止する前に答えの準備ができている場合があることを示しました。作者は準備状態を予測する小型の検出器を訓練し、その時点で推論を止めることで、MMStarとRealWorldQAにおいて推論トークンの平均をそれぞれ79.1%と74.5%減らし、平均精度をそれぞれ3.13と3.30ポイント向上させました。
説明ControlTrace：隠し内容認識のための制御場の復元
要約空間条件付き拡散モデルは、自然に見える画像に文字や輪郭を埋め込めるが、視覚言語モデルはその隠し内容を認識できないことがある。本論文は6,000枚の画像からなるベンチマークFreqBlindを構築し、生成時に使われた灰色調の制御場をキャリア画像から復元するControlTraceを提案する。8.4Mパラメータの U-Net が制御場を予測し、視覚言語モデルがその内容を識別する。評価した設定では、輪郭認識で従来手法を上回り、JPEG圧縮やガウスノイズ、ダウンサンプリングの下でも認識は安定していた。
説明大規模音声言語モデルにおける時間的バインディングの研究
要約本論文は、機械的解釈可能性の手法を用いて、大規模音声言語モデル（LALM）が音声イベントの時間情報をどのように表現し、イベントと結び付けるかを調べています。3つのオープンソースモデルで、イベントの位置情報が中間層のイベント名表現に集中し、低次元で湾曲した相対時間軌道に沿って粗い位置を符号化することを示しました。この表現を軌道に沿って操作すると、「前後」の判断は系統的に変化しますが、予測される開始タイムスタンプは確実には変わらず、粗い時間推論と精密な時間定位は異なる仕組みに依存することが示唆されます。
説明SIPO：木構造エージェント強化学習のための選択的推論ポリシー最適化手法
要約本論文は、木構造の強化学習による探索エージェントが適応的展開を行う際に生じる統計的な偏りを扱う。選択された枝の価値が、続行の質に加えて選択履歴の影響を受ける可能性を指摘し、尺度不変の枝基準、交換可能な分岐、順序統計量による補正を組み合わせたSIPOを提案している。7つの質問応答ベンチマークにおいて、Qwen3-8Bでは多段推論と単段推論の平均で比較手法を上回り、6つのベンチマークで首位となったと報告されている。
説明新規ユーザー向け脳波基礎モデルの調整で、個人の効果と集団の効果を分ける
要約本論文は、三つの凍結された脳波（EEG）基礎モデル（CBraMod、REVE、LaBraM）を、三つの運動イメージデータセットに含まれる235名の未学習被験者で個人適応させた効果を評価しています。個人用アダプタは集団モデルや他者のアダプタより高い精度を示しましたが、その利得は集団モデルの学習量が増えると小さくなりました。少数ラベルによる調整の効果は一貫しませんでした。著者は、個人化の評価には集団の基準と交換したパラメータの両方、さらに集団学習の予算を考慮すべきだと述べています。
説明合格か不合格か？二つのギリシャ入試ベンチマークでLLMを評価
要約本論文は、ギリシャ語の入試問題から作成した二つのベンチマーク、Prot-Ex（モデル校・実験校の入試）とPan-Ex（全ギリシャ大学入試）を提案します。現代ギリシャ語、数学、物理などの分野と、選択式・構造化・記述式の問題形式で、テキストのみを扱うLLMを評価しています。結果として、ギリシャ語に適応させたKriKri-8Bは基盤モデルを大きく上回り、言語的要求の高い人文系課題では遥かに大きなモデルに匹敵しました。また、少数ショット提示は選択式の正答率を上げる一方、構造化課題では8Bモデルの文脈窓を圧迫し、性能を大きく低下させることも示されています。
説明STRIDE：多様な文脈にわたるテキストから軌跡への整合性の自動評価
要約本論文は、シナリオ記述と歩行者の軌跡との文脈整合性を評価するためのSTRIDEフレームワークを提案します。実際の人間の軌跡データを必要としません。社会学理論に基づくVRDST評価プロトコルで文脈を行動に関する問いへ分解し、決定的な測定ツール群で再現可能に回答します。STRIDE-Bench（1Kシナリオ、6Kの問い、11Kの測定、30の実地図）による人手検証では80%の一致が得られ、既存のテキストから軌跡への生成モデルは文脈整合の能力が限定的だと報告されています。
説明InfiMed2：文脈的エビデンスと安定性を考慮した教師あり学習に基づく汎用医療マルチモーダル基盤モデル
要約本論文は、4Bおよび27Bパラメータの汎用医療マルチモーダル基盤モデルInfiMed2を提案し、段階を考慮したデータ設計を軸に構築しています。著者らは55.68Bトークンのコーパスを整備し、継続事前学習と事後学習の各段階でデータ構成を切り替えています。教師ありファインチューニングでは、回答の安定性などを用いて視覚質問応答の回答を再生成し、4Bモデルには検証可能な報酬による強化学習を適用しています。5つの医療マルチモーダルベンチマークにおける平均精度は、InfiMed2-4Bが66.73%、InfiMed2-27Bが73.72%と報告されています。
説明資源制約デバイス向け水中画像強調のための物理誘導スペクトル蒸留
要約本論文は、資源が限られた水中ロボットでリアルタイム動作させるため、物理誘導スペクトル蒸留（PSD）手法を提案する。多段階Haar離散ウェーブレット変換により周波数帯ごとに色・照明情報と構造の細部を転移し、物理ヘッドで推定した劣化認識重みと信頼性マスクで教師モデルの指導を選択的に保持する。UIEB、LSUI、EUVPデータセットで有効性を検証し、自社開発のROVへの展開も示している。
説明D²-VLA：長期的な動的操作のための二重メモリ・二重周波数の視覚言語行動モデル
要約本論文は、動く物体を操作する際に、もはや視野にない視覚的手がかりを記憶させるためのD²-VLAモデルを提案しています。事前学習済みの視覚言語行動ポリシーのKVキャッシュ部分で、二重メモリと二重周波数制御を組み合わせています。新たに十タスクからなるDOMINO-Longベンチマークを導入し、DOMINOおよびDOMINO-Longでの完了成功率が比較対象の手法より高いと報告しています。
説明マルコフ雑音下の射影付き二時間スケール確率近似における有限時間集中と収束速度
要約本論文は、制御されたマルコフ連鎖に駆動され、遅い反復が有界凸多面体へ射影される二時間スケール確率近似の有限時間集中性と収束速度を研究する。Skorokhod写像を用いて、移動する速い平衡点と射影された遅いダイナミクスの追跡に関する明示的な高確率上界を与える。さらに、ほぼ確実な収束と特定のステップサイズ下での最終反復の収束速度を示し、アクター・クリティック法、射影TD(0)、射影確率的勾配降下法への応用を述べる。
注目点マルコフ雑音を伴う射影付き二時間スケール確率近似に対し、有限時間の高確率評価と明示的な収束率を与え、境界での不連続ベクトル場も扱う。理論的な前進があり、証明と応用例で裏付けている。
説明時系列基盤モデル向けのインスタンス適応型プロンプトを文脈として用いる研究
要約本論文は、凍結した時系列基盤モデル（TSFM）に対し、入力文脈に応じた連続埋め込みの少数のプロンプトを生成するPaCTS手法を提案しています。プロンプトはインスタンス固有の全体統計量から作られ、区間レベルの時間情報で精緻化されます。実験では、短い入力文脈でも、2倍の文脈を用いた同じモデルより高い予測精度を、推論計算量を大幅に抑えて達成したと報告されています。
説明BEHAVE：機能挙動モデリングによるハードウェア設計・検証の自己改善エージェント
要約本論文は、タイミングを仕様以上に規定しない実行可能な挙動モデルでハードウェアタスクを表現するBEHAVEフレームワークを提案します。エージェントは多段階のやり取りでRTL設計と検証用の挙動モデルを同時に作成します。BEHAVE-TrainとBEHAVE-Evalの2つのデータセットも公開され、後者には人手で確認された600組の仕様・挙動ペアが含まれます。自己改善によりQwen3.8-27Bの BEHAVE-Eval上のRTL pass@1は55.0%から75.0%に向上し、540タスクのプールを使った強化学習に近い性能に達したと報告されています。
注目点サイクル単位の照合に代えて機能的振る舞いモデルで検証する枠組みと自己改善手法を提案。ただし摘要に示された主要な実験は一件のみで、証拠は限定的。
説明投影法線場：滑らかな符号なし距離場を構築する凸最適化手法
要約本論文は、点の位置だけから向きに依存しない双方向法線を推定する投影法線場（PNF）を提案します。ランク1の射影子を凸包に緩和し、局所接平面フィッティング、ソフトPCAアンカリング、重なり正則化からなる凸最適化で全体の法線場を求めます。その後、熱拡散とポアソン積分により正則化された符号なし距離場の近似を構築します。実験では近傍サイズへの感度が低く、ノイズや外れ値に対して競争力のある再構成結果が示されています。
説明TQTS-Bench：時系列データベース向けテキスト-クエリ変換の多構文ベンチマーク
要約本論文は、大規模言語モデルが時系列データベース（TSDB）に対して自然言語からクエリを生成する能力を評価するベンチマーク「TQTS-Bench」を提案しています。97のTSDB、23種のクエリ構文、22の応用分野、4種類の時間関連の質問意図を含む6,125組の質問応答ペアで構成されています。評価では、最良のモデルの実行正解率は48.98%、人間は87.34%であり、差の主な原因は構文の不統一、時間意図の誤解、スキーマ対応付けの誤りとされています。
注目点時系列データベース向けの多構文text-to-queryベンチマークとして初めての取り組みで、規模が大きく専門家が検証しているが、評価基盤の拡張という性格が強い。
説明CoHuB：複数ヒューマノイドの協調を評価するシミュレーションベンチマーク
要約本論文は、複数のヒューマノイドロボットの協調作業をシミュレーション上で評価するベンチマーク CoHuB（Collaborative Multi-Humanoid Benchmark）を提案している。10 のタスクを含み、うち 8 つは 2 体、2 つは 3 体のヒューマノイドによる協調で、さまざまな協調の形態を扱う。複数のオペレーターがVRで一体ずつ一人称視点から操作する遠隔操作によって、同期した実演データも収集されている。代表的な視覚運動ポリシーでの実験では、協調的な知覚と制御の面で大きな課題が見られた。
説明文脈に引きずられる視覚言語モデル：誤解を招く文脈下でのシーンテキスト認識の評価
要約本論文は、781枚の生成シーン画像からなるベンチマーク「SceneFaith」を提案し、視覚言語モデルが周囲の文脈に影響されて文字を別の語に書き換えるかを検証します。出力は原文どおりの転写、文脈に合わせた書き換え、その他に分類されます。7系統15モデルを評価した結果、鮮明な画像でも全モデルに書き換えが見られ、その割合は8.45%から58.51%でした。
説明道路単位の交通事故予測における再現失敗と単純ベースライン
要約本論文は、不確実性を考慮した最近のモデルのデータ処理手順を独自に再構築し、ロンドンの3つの行政区で拡張窓プロトコルのもと11の設計判断を検証しています。第2の行政区で再現されたのは4件のみで、そのうち4件は効果が弱まるのではなく符号が反転しました。また、過去の累積事故件数で路線区間を順位付けする無パラメータのベースラインと両ネットワークを比較し、同じ履歴期間では提案モデルとの差が統計的に有意でないこと、参照アーキテクチャは18の留保窓すべてでベースラインに劣ることを報告しています。著者らは、グラフネットワークの優位性の多くは比較に用いた履歴期間が短いことによる見かけ上のものだと主張し、履歴期間をそろえたベースラインと複数シードでの報告を最低限の実践として推奨しています。
説明臨床医学における大規模言語モデルの応用：近年の動向と展望
要約本稿は、医学研究や臨床現場での大規模言語モデル（LLM）の応用に関する近年の議論や論文を整理したものです。従来の特定タスク向け深層学習と比べ、LLMは利用可能なデータを扱う際により幅広い能力と柔軟性を持つと指摘しています。また、信頼性、正確性、透明性、安全性、医療現場での適切な役割といった課題にも触れ、機会と実装上の課題の両面から論じています。
説明EvalLLM 2026向けのページ認識型検索拡張生成：フランス語PDFを対象とした5変種の研究
要約本論文は、フランス語PDF文書への質問に対し、回答と根拠となる文書ページの両方を評価する検索拡張生成（RAG）を研究している。BM25を基準に、稠密検索、ランク融合、再ランキング、クエリ分解を加えた5つのシステム変種を比較した。595問の課題では、完全版のシステムがMRR@10で0.4450、Recall@10で0.4013を記録し、BM25の0.3430と0.2994を上回った。結論として、この設定では意味的検索そのものより正確なページ選択が主な改善点だとされている。
説明トークン確定の前に：拡散型視覚言語モデルにおける視覚的ハルシネーションの軌跡レベル評価
要約本論文は、物体の存在、数、属性、関係に関する二値の視覚命題を対象に、拡散モデルの各デマスキング段階の中間回答傾向を記録する軌跡レベルのベンチマークDynaHallを提案している。3系統の五つの拡散型視覚言語モデルを検証した結果、回答位置がまだマスクされている段階で根拠のない回答が既に優勢であり、後の段階でそれが覆ることはまれだと報告している。さらに、確定前に masked 状態を編集して誤肯定を減らすPGSを提示し、汎用能力を損なわずに別アーキテクチャへ転移できることを示している。
注目点軌跡レベルの幻覚評価と提出前の介入を提案し、五モデルで幻覚が提出前に確定することを示しており、証拠は比較的充実している。
説明モデル内部情報はいつ役立つか：LLM安全性における表現工学の役割の検討
要約本論文は、行動アラインメント手法（DPO）と表現工学による手法を、大規模言語モデルの安全制御と安全監視の両面で比較しています。DPOは全体として最も強い制御効果を示す一方、その後の無害なファインチューニングで安全性が低下することがあります。表現ステアリングはデータが少ない場合に競争力を保ち、監視面では専用のテキスト監視器が最も高い検出精度を示し、表現プローブは低いコストで競争力を維持します。著者らは、表現工学が行動的安全対策を全面的に置き換えるものではないが、特定条件では実用的な利点があり、補完的な効果をもたらしうると結論づけています。
説明指示に従うタイ語・英語機械翻訳のための参照訳に基づくデータ選別
要約本論文は、指示遵守型機械翻訳における規則の遵守と翻訳品質のトレードオフに取り組み、二段階のデータ構築手法を提案しています。第一段階では指示遵守難易度（IFD）スコアで英タイ対訳データから難しいが学習可能な事例を選び、第二段階では参照訳から制約を抽出し、すべての制約を満たす生成結果のみを残して約197万件のデータセットを作成しています。このデータで微調整したChindaMTモデル群は、同規模の基準モデルと比べて同等以上の性能を示し、最も強い基準モデルに対して最大68.4%の勝率を記録したと報告されています。
説明LongPuzzleBench：長期的な視覚パズルでGUIエージェントを評価するベンチマーク
要約本論文は、6種類のパズルゲーム計114レベルからなるLongPuzzleBenchを提案し、エージェントがネイティブなGUI操作でこれを解けるかを評価します。一般的なエージェントは難しく長いボードで成功率が大きく下がり、コード実行型のエージェントでもこの差は埋まりませんでした。著者らは、失敗の主因はエージェントが各手の目に見える進捗だけで判断し、その手が将来の選択肢に与える影響を考慮しないことだと述べています。
説明VehicleArena：マルチエージェント運転のための現実的な都市環境
要約本論文は、動的な共有環境で独立して動作するエージェントを研究するための3D都市運転ベンチマーク VehicleArena を提案します。LLMで制御されるエージェントは、複雑な交通の中で変化する乗客の要求に応える必要があり、各車両の運転判断は周囲の車両の交通流、遅延、リスク、以後の観測に影響します。単一エージェントと複数エージェントの運転を含む112の評価タスクを備えています。
説明再構成損失を超えて：大規模視覚言語モデルのための学習後量子化におけるバランス型フィッティング
要約学習後量子化（PTQ）は大規模視覚言語モデル（LVLM）の効率的な展開を可能にしますが、通常は小規模なキャリブレーションデータで調整され、多様な下流タスクへの汎化が求められます。本研究は、量子化の効果を量子化誤差として最小化するだけでなく、一部の層やモダリティでは正則化の利点ももたらしうると捉え、量子化効果に基づくバランス型フィッティング（Balanced Fitting）を提案します。重み、視覚活性化、テキスト活性化について層・コンポーネント単位で効果を測定し、敏感な部分には細かいフィッティングを、その他には粗いフィッティングを組み合わせます。複数のLVLMでの実験では、重みのみおよび重み・活性化の量子化の双方で従来手法を上回り、再構成損失が低いことが下流性能の向上に必ずしもつながらないことが示されています。
説明KT-EGO：高次元・高コストなブラックボックス問題を解くための知識転移支援型効率的大域最適化アルゴリズム
要約多くの工学問題では、評価コストの高いブラックボックスの高次元設計空間の最適化が必要になります。本論文は、効率的大域最適化（EGO）を拡張したKT-EGOを提案します。元の設計空間を複数の低次元部分空間に分割し、代理モデルに基づくデータ融合戦略で部分空間の情報を活用して最適化を加速します。さらに、適応的な変数範囲をもつ探索戦略で有望領域の活用を強化します。12の評価関数と28次元の圧縮機翼設計問題で、既存の先進的アルゴリズムと比較されています。
説明WeaveData：自己批判・自己進化型LLMプランを備えたマルチモーダルデータ分析システム
要約本論文は、リレーショナル表、テキスト、画像にまたがる質問に自然言語で答えるマルチモーダルデータ分析システム WeaveData を提案している。実行前に大規模言語モデルが生成した論理プランを段階ごとに検証し、実行後に結果が質問に答えているかを確認する。失敗したプランや質問を外したプランは実データで原因を診断して修正し、規划経験を蓄積する。二つの公開マルチモーダルデータセットで実演が行われている。
説明PanoVLN：効果的なパノラマ視覚言語ナビゲインの実現に向けて
要約本論文は、パノラマ画像に基づく視覚言語ナビゲーション（VLN）を扱い、視覚観測と言語指示から移動行動を予測するモデルを研究しています。著者らは、置信度に基づく実行戦略による行動予測の改良、分岐の多い経路での学習、パノラマの意味的特徴と幾何学的特徴の統合を行うPanoVLNを提案しています。R2R-CEおよびRxR-CE Val-Unseenでは、従来の最良手法より成功率がそれぞれ11.9%、8.7%高く、四足ロボットでの実機実験でも、停止が少なく速い移動が示されています。
説明対角線形ネットワークにおける事前学習初期化からのファインチューニングの統計的利点
要約本論文は、スパース線形回帰と二層対角線形ネットワークを枠組みとして、事前学習済み重みからのファインチューニングがどのように機能するかを理論的に検討しています。事前学習の情報は初期化予測子の支持集合（および符号）を通じて与えられ、暗黙のバイアスと学習ダイナミクスを変化させます。符号が正しく引き継がれたクリーンな初期化の場合、必要なサンプル数は、事前学習の支持集合を明示的に利用する重み付きLasso推定量と同程度であることが示されています。
説明Draft-KV：言語モデル間で有用な潜在通信を学習する手法
要約言語モデル同士が復号されたテキストではなく内部状態を受け渡す潜在通信を扱う論文です。受信側の精度向上だけでは、受信側がメッセージ内容を実際に使ったとは言えないことを示しました。提案手法Draft-KVは、送信側が回答を起草する際に作られるキー・バリュー状態を送り、両モデルは凍結したまま、インターフェースの学習パラメータは1.05Mです。MMLU-Reduxでは受信側の精度が37.45%から78.04%に上がり、未見のタスクへも効果が移ることが報告されています。
注目点草稿のKV状態を用いる潜在通信インターフェースを提案し、不一致メッセージによる検証で内容利用を示す。証拠は強く、分野への影響は中程度。
説明完全性保証を備えた概念ベース説明可能AIの統一フレームワーク
要約この論文は、概念ベースのニューラルネットワーク説明手法を共通の数学的言語で記述する理論フレームワークを提案します。概念発見は、学習済みモデルの潜在空間から概念を見つける概念オートエンコーダとして捉えられます。著者らは、概念がモデルの出力をどの程度再現できるかという不完全性が、再構成誤差で上から抑えられることを示し、個々の概念寄与の総和と予測値の関係も示しています。
説明CoDrive：協調運転のための、車両間で世界が一貫した精密な軌道制御付き動画生成
要約既存の運転ワールドモデルの多くは単一の自車視点からのみ映像を生成し、複数車両へ単純に拡張しても、各車両が同じ世界を一貫して観測する保証はありません。本論文のCoDriveは、同じ動的シーンを共有する複数車両の多視点動画を、カメラ軌道を精密に制御しながら同時に生成するフレームワークです。すべてのカメラ軌道を共有世界座標系で表現し、投影相対位置符号化によってアテンション層へ注入します。さらに、実世界の単一エージェントデータと合成の車両間相互作用データを組み合わせた学習を行います。評価用のCoDrive-Benchでは、軌道制御性と車両間の幾何・インスタンスの一貫性が向上し、視覚品質も競争力を保つことが示されています。
説明痛みなく得るものは多い：多教師オンポリシー蒸留のための反復マージ手法
要約本論文は、独立に開発された複数のドメイン教師モデルの予測を学生モデルの生成サンプル上で蒸留し、一つの学生モデルにまとめる多教師オンポリシー蒸留（MOPD）を扱います。教師が参照モデルを共有しつつ異なる後処理を経ている場合、MOPD は一部の教師能力を回復しにくいことが示されています。初期ベンチマーク性能だけでは良い初期化を予測できないため、著者らは均一マージから始め、蒸留中に回復が不十分な領域のタスクベクトル増分を段階的に加える IM-MOPD を提案しています。5 領域の設定では、均一マージや SFT ウォームアップで初期化した MOPD より高い平均正規化回復率を達成しました。
説明感情概念は、データ源・モダリティ・アーキテクチャをまたいで一般化するか（視覚言語モデルの研究）
要約本論文は、視覚言語モデル（VLM）の内部で感情概念が同様に表現されているかを調べたものです。著者らは、感情を条件とする物語、実際の表情、合成ポートレート、合成の感情喚起シーンからなるマルチソースのデータセットCMESを構築し、3つのモデルからEkmanの基本6感情のベクトルを抽出しました。結果として、画像由来と文章由来のベクトルは類似した幾何構造を持ち、異なるモダリティやアーキテクチャの間でも一定の対応関係が見られ、共有された感情部分空間を構成できることが示されています。
説明列生成のための予測型デュアル平滑化手法
要約本論文は大規模線形計画問題で用いられる列生成法を扱う。従来のデュアル平滑化は過去の双対解で反復を安定させるが、価格付け問題を有用な新しい変数へ導けるとは限らない。著者らは、現在の双対解と、オフラインで学習した将来の双対解の予測値を組み合わせる予測型デュアル平滑化を提案する。予測器は価格付け問題の目的関数の変更にのみ用い、厳密な被約費用の検査と平滑化前の双対解による代替価格付けで正しさを保つ。切断材料問題と一般化割当問題での実験では、標準の列生成や既存の古典的・学習型安定化手法に比べ、生成される列数と実行時間が減少したと報告している。
説明トークン整列を超えて：異なるトークナイザー間のon-policy蒸留のためのイベント補完（ESCD）
要約本論文は、教師モデルと学生モデルでトークナイザーが異なる場合の知識蒸留を扱います。教師の1つのトークンを学生が複数のトークンで生成する中間状態に着目し、関連するイベントを集約して、バイト互換な1ステップの補完集合の総確率を監督するイベント集合補完蒸留（ESCD）を提案しています。数学、コード、科学的推論で一貫した改善を報告し、1Tの教師から35Bの学生へのMoE蒸留にも拡張されています。
説明SeLMRoute：大規模言語モデルのルーティングのための確率的意味証拠
要約本論文は、クエリごとに最適な大規模言語モデル（LLM）を選ぶSeLMRouteを提案します。候補モデルに依存しない意味的証拠（推論の必要性や外部知識の利用など）を確率分布として抽出し、その後に軽量な教師あり型ルーターで各候補モデルの性能を推定します。LLMRouterBench上での平均精度は72.08%±0.45、グループ別五分割の外部評価では72.64%で、最強の固定候補モデルの69.23%を上回りました。
注目点候補非依存の確率的意味的証拠と性能推定・運用目標を分離し、11,481件の質問で分組交差検証し最良の固定候補を上回る。
説明人間の物語から和声構造へ：コードホイール図を用いたアルゴリズム作曲の人間中心的研究
要約本論文は、Bob Dylan、Johnny Cash、Ritchie Valens による物語性のある流行歌6曲を取り上げ、人間が付けた原曲のハーモニーと、同じメロディに対して原曲のコード進行を参照せずに動作する説明可能な計算ハーモナイザの出力を比較する。和声語彙、機能の持続、反復、非調性的な出来事、緊張と解決のパターンを、コードホイール図とBPMNベースの表現で分析する。結果として、メロディとの高い適合性が原曲の和声的決定パターンの保存を意味するとは限らないことが示された。
説明SurgGMF：予測型手術シーン描画のための完全因果的ガウス運動予測
要約本論文は、手術シーン内の変形する構造の将来の状態を予測するフレームワーク SurgGMF を提案します。将来の画像を直接予測するのではなく、過去のガウス運動場から将来のガウスの位置・スケール・回転の変化を予測し、対象フレームの情報漏えいを防ぐ完全因果的な描画手法を採用しています。12 本の EndoNeRF および StereoMIS 動画区間での評価では、学習型の手法が描画空間で古典的な動力学ベースラインを上回りました。遅延分析では、TKAN が最も高い精度を示し、GRU と LSTM はモジュール単位の遅延がより小さいことが示されています。
説明視覚生成モデルは教師に何を求めるか：表現アライメントの再考
要約拡散トランスフォーマーの学習では、生徒モデルの中間ブロックを凍結された事前学習エンコーダの特徴に近づける表現アライメント（REPA）が学習を速めます。どの教師層を、どれだけの期間アライメントするかは慣例で決められています。本論文は、未アライメントの生徒が教師各層の増分をどの程度回復できるかを測る「回復可能性ギャップ」を提案し、それに基づく RARE 手法を示します。SiT-B/2・ImageNet 256×256 で、FID はガイダンスなし 18.02、ありで 4.46 を達成し、iREPA より GPU 時間が約 14% 少なくて済むと報告しています。
説明マルコフデータ下での次トークン予測の情報理論的解析：文脈長・時間依存と汎化の関係
要約本論文は、時間的に依存するデータにおける次トークン予測モデルの汎化を分析する情報理論的枠組みを提案します。アルゴリズム依存は相互情報量、時間依存は混合性で特徴づけられ、交差エントロピー損失に対する期待汎化上界が導出されます。さらに率歪み形式により連続仮説空間への拡張が示されます。TinyStoriesとETTh2での実験では、文脈を長くすると訓練損失が大きく下がり汎化ギャップが広がる傾向が見られ、ETTh2の分析では約24時間の有効な予測記憶スケールが示されています。
説明GNNにおけるエッジレベルの自己同型：定量的枠組みとリンク予測のための有効な設計
要約本論文は、構造的に同じ役割を持つノードが区別できない表現になり、リンク予測の性能が下がるというグラフニューラルネットワーク（GNN）の問題を扱います。リンクを区別する能力を測る指標として、エッジ自己同型比（EAR）を提案し、予測性能との強い相関を示しています。さらに、自己同型を意識したドロップアウトと部分グラフ軌道に基づく集約を組み合わせた EO-GNN を設計しています。合成データと実データでの実験では、自己同型が多い場合に予測精度が最大で42.36%および28.44%向上したと報告されています。
説明動的な流れ、静的なグラフ：モバイルNPU上で効率的にLLMを提供するためのKVキャッシュ再利用
要約この論文は、スマートフォンなどのモバイルNPUで大規模言語モデルを動かす場面を扱い、クラウドGPU向けのKVキャッシュ手法が、静的にコンパイルされる計算グラフや限られたメモリ・I/O帯域には合わないと指摘しています。著者らは、静的なNPUグラフ内での選択的再計算、チャンク結合を最適化するスケジューラ、階層型KVマネージャ、データ転送と計算を重ねるパイプラインを含む計算・ストレージの協調設計を提案しています。実験では、再利用なしおよびプレフィックスのみのキャッシュと比べ、最初のトークンまでの時間（TTFT）が40〜60%短縮されたと報告しています。
説明幾何を住所として：長時間のカメラ制御ビデオ生成のための視覚メモリへの注意ルーティング
要約本論文は、長時間のカメラ制御ビデオ生成を対象に、幾何情報を視覚メモリのトークン単位の住所として用いるGEARフレームワークを提案しています。グローバルな三次元表現にまとめる代わりに、幾何学的に対応する過去の特徴をGCA（幾何対応注意）で目標領域へ注入し、遮蔽された誤対応は不可視八分木で除外します。実験では、視覚品質、カメラ制御、再訪時の一貫性で最先端の結果が示され、分単位の動画生成が可能だとされています。
説明DBCF：基盤モデルの二分岐相補融合による汎用的なディープフェイク検出
要約本論文は、未知のデータセットや未知の改ざん手法に対して顔偽造検出の汎化性能が不足している問題を扱います。CLIPに基づくグローバル文脈分岐で全体的な意味的手がかりを捉え、DINOv3に基づく細粒度分岐で局所的な構造的不整合を捉えます。さらに、凍結した基盤モデルを少ないパラメータで適応させる特徴融合モジュールを設計しています。著者らは、複数のベンチマーク、特にクロスデータセットとクロス改ざん設定で有効性を示したと述べています。
説明品質が方向を、長さが大きさを決める：自由記述型強化学習における長さ制御（QGLAS）
要約強化学習によって言語モデルの回答が長くなり、トークン効率が下がる問題を扱った論文です。提案手法QGLAS（Quality-Gated Length Advantage Shaping）は、まず品質報酬だけでアドバンテージを計算し、そのうえで品質アドバンテージが正で短い回答にのみ有界のボーナスを加えます。論文によれば、約30%の圧縮時に、品質のみで学習した場合の平均品質向上の98.4〜102.0%を保持し、比較対象の手法は68.3〜75.5%でした。
説明ReMCTS：コード生成のための内省強化モンテカルロ木探索
要約本論文は、大規模言語モデル（LLM）と実行結果のフィードバック、メモリを組み合わせ、モンテカルロ木探索に似た方式で関数レベルのコードを生成するフレームワークReMCTSを提案しています。候補プログラムを木構造の状態として整理し、枝ごとのデバッグ文脈を保持し、枝をまたいで失敗経験を検索します。HumanEval と MBPP-Sanitized では、10組のモデルとデータセットの組み合わせのうち8組で直接生成を上回りました。C++ での30課題の小規模試験も行われましたが、これは広範な多言語評価ではありません。
説明ピクセル生成からトポロジー推論へ：信頼できるクロス物理ドメイン骨梁形態学習のための構造的デュアル超解像
要約臨床用CTと超高分解能CTでは個々の骨梁を分解できず、シンクロトロン放射マイクロCTは高解像度の基準を与えるものの生体イメージングには使えません。本論文は、低解像度入力から不変の微細構造を決定論的に推定し、形態学的パラメータで評価する構造的デュアル超解像ネットワーク（SDN）を提案します。テストセットでは6つの指標でSRuCTとおおむね一致し、SSIMは0.8に達しました。3.2μmのデータで学習したモデルは、独立した出典の3.25μmデータにも汎化しました。
