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AnyAct：自己進化するエージェントのための汎用アクション層
要約本論文は、利用可能な機能を自己進化するアクション空間に統合する汎用アクション層 AnyAct を提案します。大規模で変化の多いツール環境でも、エージェントが効率よく信頼性高く複雑なタスクを実行できることを目指しています。関連するアクションを階層的に絞り込み、テスト時に信頼性の低いアクションを除外するほか、多様なフィードバックを統合します。LiveMCPBench と著者らが作成した OSMCP ベンチマークで、ベースライン手法を上回る結果が報告されています。OSMCP では全体の成功率が 77.27% で、多くの比較手法の約半分のステップ数です。
説明言語をインターフェースとして：基盤モデルの対比学習で転写産物と電気生理を結びつける
要約本論文は、Patch-seqの対応データを用い、言語による記述を介して遺伝子表現と神経細胞の電気生理学的特徴を整合させるLangPatch（ランパッチ）という枠組みを提案している。マウス視覚野・運動野およびヒト皮質のデータで、転写産物から電気生理を予測する平均相関が評価した手法中で最も高かった。また、マウス視覚野で学習したモデルは運動野やヒト皮質へも一定程度転移した。
説明ContractRL：監査可能なツール呼び出し修復のための遮蔽付きグループ相対方策最適化
要約構造化されたツール呼び出しは、スキーマや実行契約に違反するフィールドがわずかでもあると失敗しがちです。オブジェクト全体を再生成すると行動空間が広がり、繰り返しの修復を監査しにくくなります。本論文はContractRLを提案し、検証器誘導のJSON修復を有界な逐次決定過程として定式化します。契約から導出した行動マスクで不正な操作を除外し、決定的な検証器が状態遷移を実行します。同一の検証情報の下で、意味的成功率は0.9362、生成トークンは約34.4で、Patch-SFTおよび全体再生成の基準より優れています。
説明物理情報を取り入れたマルチエージェント協調による病院の患者フロー最適化
要約本論文は、実測データで較正したBCMP待ち行列ネットワークを物理的な事前知識として、分散型マルチエージェント強化学習に組み込む枠組みを提案しています。各診療科のエージェントは、患者の振り分けと提供サービスの規模調整を協調して行います。通信負荷を抑えつつ環境の非定常性に対処するため、ネットワークの辺に沿って局所的な行動フィンガープリントを交換します。MIMIC-IVの実患者データを用いた評価では、静的なマルコフ近似、ヒューリスティックな振り分け、独立したマルチエージェント手法と比べて累積システム遅延が大きく減少し、臨床上の安全制約も維持されたと報告されています。
説明LatCom：効率的なマルチエージェント協調のためのエージェント間潜在圧縮
要約本論文は、大規模言語モデルベースのマルチエージェントシステムを対象に、複数の送信側の潜在表現を、受信側が読める固定数のタスク関連スロットへ圧縮する、エージェント間潜在圧縮フレームワーク LatCom を提案しています。全隠れ状態の再構成ではなく、受信側のタスク効用に基づいて圧縮表現を最適化します。学習は二段階で、まず単一送信側の可読性を学習し、その後、複数送信側の融合によりエージェント間の冗長性を除去します。Qwen3-4B を用いた複数のベンチマークでは、LatentMAS と比べて平均推論速度が 2.46 倍に向上し、出力トークン使用量は 70.3% 削減され、平均精度は同等に保たれたと報告されています。
説明Back2Struct：構造化画像を再び編集可能にする手法
要約論文は、図表やフローチャートなどの構造化画像から SVG/XML コードを直接復元する Back2Struct を提案している。ピクセル単位のベクトル化ではなく、テキスト・図形・接続関係・レイアウトを表すオブジェクト単位のコードを予測し、PowerPoint などで編集できるようにする。構文の妥当性、簡潔さ、入力との視覚的忠実性を促す複合報酬で強化学習を行い、著者らは基準手法より精度・編集性・妥当性などが向上したと報告している。
説明RBF-GNN：擬似座標ベースのグラフ畳み込みのための有理基底関数
要約本論文は、ユークリッド座標、球面座標、角度座標を用いて空間的な帰納バイアスを与える、擬似座標ベースのグラフニューラルネットワークRBF-GNNを提案します。構造はSplineCNNに似ていますが、次元とともに数が指数的に増えるB スプラインを有理Padé基底関数に置き換えています。学習のために、スプライン部分空間による初期化と分散を保つ重みの再スケーリングを導入しています。SplineCNNのみをRBF-GNNに置き換えた実験で、意味的キーポイントマッチング、形状マッチング、イベントカメラを用いた視覚タスクで改善した結果が示されています。
説明衛星搭載向けのデータ削減を目指す組み込み型・二時期建物被害評価
要約本論文は、YOLOXに由来するシャム型検出器を用いた二時期の建物被害評価パイプラインを提案し、災害後の迅速な評価を目的としています。災害前の参照画像は圧縮して衛星へアップリンクし、衛星上で災害後の新しい画像と比較することで、下りリンクには建物単位のバウンディングボックスと被害クラスのみを送信します。さらに、位置ずれを補正するための潜在空間シフト推定モジュールを導入し、Xilinx Versal VCK190とNVIDIA Jetson AGX Orinでの性能も報告されています。
説明CADOC：長期タスク向けエージェントのためのキャッシュ対応動的オブジェクトコンテキスト管理
要約長期タスクを行うエージェントでは、リクエストごとに履歴が再送され、コンテキストの増大が課題になります。CADOC は構造化オブジェクトを圧縮された Card に置き換えつつ、元の内容をオンデマンドで正確に取り出せるようにします。置き換えは待ち時間コストとキャッシュ再構築コストのバランスをとってバッチで行われ、その規則は経済的発注量モデルから導かれます。評価では全体の入力コストが最も低く、平均で約40%削減しながら、タスク性能は全コンテキストに近い水準を保ちました。
説明移動する脅威下での群衆避難行動を、LLMエージェントで異質性を持たせて再現する枠組み
要約本論文は、大規模言語モデル（LLM）を用いたエージェントベースの枠組みを提案し、移動する脅威の下で歩行者がどのように避難判断を行うかを表現します。各歩行者エージェントは個別の観察のみに基づく記憶ベースの知識グラフを持ち、性格設定付きのプロンプトで意思決定します。模擬公共広場での実験では、利用可能な出口の知識を持つエージェントの避難成功率は89.5%で、持たないエージェントは1.05%でした。
説明World2Motion：動画世界モデルを3D人体動作生成器へ転用する手法
要約本論文は、1枚の画像とテキストプロンプトから、シーンに合った3D人体動作と対応する動画を生成するフレームワーク World2Motion を提案しています。動画世界モデル Cosmos 3 を単一段階の3D動作生成器に改造し、合成と実写の動画・動作ペアを組み合わせた学習データと、ノイズレベルを共有のデノイズ進行で割り当てる shift-decoupled ノイズスケジュールにより動作の揺れを抑えています。多源インタラクションベンチマークの実験では、比較された3D動作生成手法より動作とテキストの整合性とシーンとのインタラクションが優れ、インタラクション成功率は二段階のベースラインと同等で、推論は約3.3倍高速だと報告されています。
説明VesselBench-800K：マルチモーダル船舶検出・計数・密度推定のための大規模知覚ベンチマーク
要約本論文は、衛星などのリモートセンシング画像で船舶を認識するための大規模ベンチマークデータセット「VesselBench-800K」を提案しています。光学画像とSAR画像の組からなる512×512画素の画像80万枚を含み、検出、計数、密度推定のタスクに利用できるとされています。空間分解能は4.5mから0.1mまでで、複数のモデルを定性的・定量的に評価しています。
説明視覚的並列探索：並列タイル検査と適応ズームによる高解像度画像探索の学習
要約高解像度の視覚質問応答では、質問に必要な小さく局所的な根拠を取得できず失敗することが多い。本論文はVPSを提案し、主エージェントがgrid_searchで画像タイルを並列に検査した後、zoom_inで正確な領域を適応的に拡大する。学習不要の推論と学習後の調整の両方に対応する。複数のベンチマークとモデルサイズで、ズームのみの探索手法と比べて多くの比較で平均精度が向上したと報告している。
説明効率的な動画生成のためのパラメータ化ストライプ注意機構
要約拡散トランスフォーマー（DiT）は高品質な動画を生成できますが、全時空間注意の計算コストが高く推論が遅いという問題があります。本論文は、動画DiTの注意が時間方向と空間方向に沿った周期的な対角ストライプ構造を持つことを見出し、それを表現するパラメータ化ストライプ注意（PSA）を提案します。単一の高効率CUDAカーネルで各種の疎なパターンを処理でき、学習不要のオフライン探索で各注意ヘッドの疎性を誤差許容範囲内で自動決定します。HunyuanVideoとWan 2.1では、FlashAttention-3の基準に対しエンドツーエンドでそれぞれ1.57倍と1.37倍の高速化を達成し、視覚品質の低下は許容できる範囲とされています。
説明組織横断的なSysMLモデル統合：課題とAI支援タスクの調査
要約本論文は、組織横断的な協働に関わるMBSE関係者29名を対象としたオンライン質問票調査の結果を報告します。回答者は、8つの統合課題カテゴリと6種類のAI支援タスクを5段階のリッカート尺度で評価しました。結果から、モデル統合は意味論、振る舞い、トレーサビリティ、交換の相互運用性にまたがる多次元的な整合の問題と捉えられていること、またその認識は役割や統合への関与頻度によって異なることが分かりました。AIは意味構造の分析や不整合の検出などの分析タスクで有用性が高いと評価され、回答者の多くは検証を必須とする人間参加型の利用を好んでいます。
説明ImbalancE：リンク予測における次数の不均衡に対する推論時の潜在空間探索
要約知識グラフ埋め込みモデルは欠落リンクの予測に広く使われていますが、学習された表現の質はグラフの領域によって大きく異なります。本論文は、この問題がテスト三つ組におけるエンティティの次数の不均衡と相関することを示し、目標エンティティの次数がアンカーエンティティより著しく小さい場合に予測が特に難しいことを明らかにします。著者らは、事前学習済みモデルの上で評価時に埋め込み空間を探索し、既知の情報と追加情報を組み合わせてこの偏りを緩和する推論時の潜在探索手法を提案しています。一般的なベンチマークデータセットの不均衡な三つ組において、従来手法を上回る結果を示しています。
説明Salt++：少ステップのストリーミング多モーダル生成に向けた文脈整合型ポストトレーニング手法
要約本論文は、少ステップのストリーミング音声・映像生成を対象とし、因果的自己フロー（CSF）と文脈整合型の自己回帰DMDからなる二段階のポストトレーニング枠組みSalt++を提案している。CSFは生成ターゲットのノイズを固定したまま履歴を変え、ノイズ混合履歴の学生モデルを、クリーンな履歴を用いる指数移動平均の教師モデルの中間表現に合わせる。480pで同じ4ステップの因果設定のもと、JavisBenchでOmniForcingと比べ、視覚品質は57%、動きの品質は45%向上したと報告されている。さらに1664×960の4ステップ生成にも拡張され、報告された7指標のうち6指標で双方向のLTX-2を上回ったとされる。
説明CypherTurn：対話型テキスト→Cypher評価のためのマルチターン・ベンチマークと「自律性の乖離」
要約グラフデータベースは自然言語で問い合わせられることが増えていますが、既存のベンチマークは単発の独立したクエリしか評価していません。本論文は、7つの知識グラフ、721セッション、5,927ターン、13種類の対話現象を含むCypherTurnを提案します。15モデルを指示付きオラクル方式と完全自律方式で評価したところ、最良モデルの実行精度は64.7%にとどまり、セッション単位の正答率は5%未満でした。
注目点対話型Text-to-Cypherの初のマルチターン評価基準を提示し、自律運用での順位逆転を発見。721セッション・15モデルの体系的評価で、サブ分野への影響は大きい。
説明CF-LoRA：分離因子集約と適応認識型クライアントクラスタリングによる連合LoRAファインチューニング
要約本論文は、連合学習におけるLoRAファインチューニングが異種データ下で抱える二つの不整合を扱う手法CF-LoRAを提案している。まずAfactorを全体で共有し、各クライアントのBiは個別に保持する。次に学習されたBiのコサイン類似度で適応パターンの似たクライアントをクラスタ化し、Aを固定したままクラスタ内でBを集約する。実験ではRoBERTaとViTを用いた4つの言語タスクと4つの視覚データセットで、両モダリティにおいて平均精度が最も高く、毎ラウンド通信するLoRA因子は1つのみとされている。
説明因果表現学習に基づく仮説推論型世界モデリング
要約本論文は、予測された未来から潜在的な原因を仮説推論（アブダクション）によって推定し、世界がなぜどのように変化するかを捉える構造化された因果表現を学習する、アブダクティブ世界モデリング（AWM）を提案しています。その実現手段として、世界の状態を実体、動的変化、関係の3要素に整理する階層的アブダクティブ状態ピラミッド（HASP）を導入しています。実験では、最先端の潜在空間世界モデルであるV-JEPAと比べ、物理予測のAUROCが10.7%、因果推論の正答率が16.8%、行動理解のTop-1正答率が68.0%向上したと報告されています。
説明REALHOP：行動監査による多段階推論評価の再考
要約本論文は、多段階質問応答ベンチマークが回答の正誤だけで評価しており、モデルが各段階に必要な証拠に実際に依存しているかを確認できていないと指摘します。著者は、正解した事例で対象の証拠を除去すると回答が回復しなくなる割合を示す行動必要性率（BNR）を提案し、既存の5つのベンチマークで平均16.6%から48.9%にとどまることを示しました。さらにREALHOPという枠組みを導入し、MuSiQueでの平均BNRを27.4%から94.4%へ引き上げています。
注目点行動的必要性率を提案し、多跳推論ベンチマーク構築の枠組みを複数基準・モデルで検証しており、評価手法の分野に影響がある。
説明SRJudge：選択的推論で大規模言語モデルを細粒度の知識概念タグ付けに活用する手法
要約教育コンテンツに知識概念のラベルを付けるタスクについて、三段階の選択・推論・判定フレームワークSRJudgeを提案しています。まずBERTなどの小型モデルで候補を上位K件に絞り、次に軽量なLLMが強化学習で絞り込んだ候補を推論します。最後に大型LLMが推論過程の妥当性を評価して結果を出力します。生物と物理の二つのデータセットを構築し、既存手法を上回る結果を示しています。
説明UltraMatch：超高速かつメモリ効率の高い画像マッチングのための輸送経路ルーティング手法
要約本論文は、半稠密画像マッチングのフレームワークUltraMatchを提案します。軽量なTransport Path Routerが少数の候補経路のみを残し、全token対token行列の計算を避けます。疎なグローバルDual-Softmaxや構造的再パラメータ化も用いられています。結果として、精度は同種の半稠密マッチャーと同程度で、SuperPoint+LightGlueより1.67倍速く、ピークメモリは0.44 GiBです。単一のRTX 3090で6K解像度の推論も可能と報告されています。
注目点密なトークン照合を疎な候補ブロック経路に置き換える点は既存半密マッチャーへの実質的改良であり、速度・メモリと他手法への転用で検証している。
説明AMU：パーソナライズ対話のための記憶の受け入れと更新（SLM 誘導による構造化記憶制御）
要約本論文は、長期的な対話においてユーザーの記憶を保持する大規模言語モデルベースのパーソナルアシスタントの課題に取り組みます。提案手法 AMU は、記憶の書き込み段階を制御する構造化フレームワークで、構造化記憶フィルタリングによって記憶に入れる内容を決め、SLM（小規模言語モデル）誘導の格納管理によって、記録を別々に保存するか、重複として破棄するか、既存の記憶と統合して更新するかを判断します。制御された記憶の書き込みと検索の設定での評価により、AMU はより整理され検索しやすい個人化記憶を維持できることが示されています。
説明インドのパンジャブ州における小麦面積推定のための二重経路ラベル整備・分類フレームワーク
要約本論文は、インド・パンジャブ州パティアラ県の2022年ラビ季の小麦作付面積を、Sentinel-2のNDVI時系列データを用いて推定しています。反復的なルールベースのブートストラップ手法で849件の参照データセットを構築し、四つの分類器を比較しました。XGBoostが最も高い全体精度（78.82%）を示し、全域での予測小麦面積は公式表データとの差が+2.99%にとどまった一方、政府の空間参照マスクは+25.11%の偏りがありました。
説明繰り返しか長さか：ニューラル音声合成における数え落とし失敗の切り分け
要約本研究は、同じフレーズを何度も繰り返すテキストを読み上げる際に、テキスト音声変換モデルがループしたり途中で切れたり、回数を数え間違えたりすることを示しました。原因は長さではなく繰り返しそのものだとしています。文数と語数を揃え、連続して同じ語が現れない対照テキストと比較したところ、6つのモデルは対照テキストではほぼ正確に読み上げましたが、繰り返しテキスト（k≥6）では正答率が18.2%にとどまりました（対照は94.3%）。
説明被験者間EEG画像検索のための構造化された視覚ターゲット学習
要約本論文は、被験者間の脳波（EEG）から画像を検索する問題を扱います。学習に使っていない被験者に対しても、脳波表現が視覚埋め込み空間と整合するよう、視覚ターゲット側から取り組んでいます。知覚エンコーダのパッチ格子を学習された少数の視点に変換し、構造化されたルーターで集約します。THINGS-EEG2での留一被験者評価では、Top-1/Top-5精度35.3%/65.6%で比較手法中最良となり、学習不要の表現調整を加えると48.1%/77.1%に向上しました。
説明同等に良いが、それぞれ異なる：AutoMLパッケージにおけるRashomon集合のベンチマーク
要約本論文は、AutoMLパイプライン内でRashomon集合の構造と予測の多重性を定量化するオープンソースのPythonフレームワーク「ARSA ML」を提案しています。28の二値分類データセットでAutoGluonとH2Oを比較した結果、AutoGluonはより大きく多様で説明が安定した集合を生成し、H2Oは予測の乖離と説明の不安定性が顕著に高いコンパクトな集合を生成することが示されました。そのため、H2Oの利用者は説明に基づいてモデルを選ぶx-hackingの影響をより受けやすいとされています。
説明事前情報による 3D ガウシアン・スプラッティングの強化：法線と深度の正則化
要約本論文は、3D ガウシアン・スプラッティング（3DGS）が複雑なシーンで幾何学的な不正確さや視覚的アーティファクトを生じる問題に対し、表面法線や稠密な深度といった幾何学的事前情報を用いて最適化を正則化する手法を提案します。法線正則化はガウシアンの共分散を局所的な表面構造に揃え、稠密な深度事前情報は SfM の初期点と組み合わせてピクセル単位の深度推定を改善します。街路景観や反射の強い環境のデータセットで、複数の SfM パイプラインを用いて検証を行い、幾何学的精度と視覚品質の向上を示しています。
説明TaskBridge：仮想タスクによる教師なし表形式異常検知とインコンテキスト学習の橋渡し
要約本論文は、教師なし表形式異常検知のためのフレームワーク TaskBridge を提案します。事前学習済みの汎用表形式基盤モデルを用い、仮想の教師ありタスクを構成して、異常検知をモデルのインコンテキスト推論として扱います。790 の実データセットで、基盤モデルベースの最新手法を含む 30 のベースラインを上回る結果を示したと報告されており、異常検知専用の事前学習やデータセットごとの最適化は不要とされています。
説明JudgeCast：経験に基づく共変量判断による時系列予測
要約本論文は、共変量を用いる時系列予測のための経験ベースの枠組みJudgeCastを提案する。凍結された時系列基盤モデルが基礎予測を出し、凍結されたLLMが現在の文脈と過去の経験を使って共変量ごとに判断し予測を調整する。観測後は残差から代替判断を再構成し、最も良い判断を検証済みの経験として保存する。複数の実データセットで強いベースラインを上回ったとされる。
説明Chinese-Jev：中国語タスク向けのシステム1モデル
要約本論文は、中国語の意思決定タスク向けに設計されたシステム1モデル Chinese-Jev を提案します。軽量なエンコーダ専用のバックボーンで候補回答をスコア化し、一般コーパス 1,000 万件での事前学習の後、医療・法律・金融の各分野で微調整します。評価用ベンチマーク CJ-Bench も導入されています。原文によれば、一般分野では閉鎖型の Jev より 1.24% 高い精度と 20.3 倍の高速化を示し、医療分野では 4.0% 高い精度、1 例あたり平均約 15 ミリ秒の遅延とされています。
説明可読性を超えて：タスク情報の回復可能性を評価する
要約本論文は、画像が直接読めることと、タスクに必要な情報を回復できることは別の量であると指摘します。観測、問い合わせ、対象、利用可能な知識を明示し、異なる回復経路の成功集合の重なりを測る評価の視点を提案しています。書籍の表紙を用いた統制実験では、固定の書名・著者カタログを用いて、視覚的に書名を特定して検索する経路と光学的に著者を読み取る経路を比較しました。試験した視覚言語モデルの間で、視覚的に実体を特定する経路の成功は持続しましたが、光学のみでしか得られない領域も残りました。
説明数兆規模のMixture-of-Expertsモデル向けハードウェアネイティブな疎・量子化同時最適化
要約本論文は、Mixture-of-Experts（MoE）モデルのエキスパート重みを、ハードウェアネイティブな低精度の疎表現に圧縮し、Sparse Tensor Core（SpTC）上で高速化するハードウェア・ソフトウェア協調設計の枠組みを提案しています。アルゴリズム面では連続的な再パラメータ化により半構造化疎の選択を緩和し、量子化重みとの微分可能な同時最適化を行います。システム面では低精度疎MoE推論向けのグループ化疎GEMMカーネルを開発しました。原文によると、300億から1兆パラメータのモデルで精度を最大4.35ポイント改善し、元モデルの性能の96.09%を維持しています。NVIDIA B200では、ベンダー基準より最大1.65倍速く、提供スループットは1.18倍、エンドツーエンドのレイテンシは最大4.03倍短縮されたと報告されています。
注目点連続再パラメータ化で半構造化スパースと量子化を同時最適化し、専用グループ化スパースGEMMカーネルを用意。30Bから1Tパラメータのモデルで実測評価を行っている。
説明Purlin：集合通信におけるオーケストレーションとデータパスの分離
要約本論文は、GPU の集合通信フレームワーク Purlin を提案し、集合操作の意味、オーケストレーション（データをいつ・どこへ移動するか）、データパス（データをどう移動するか）を分離する設計を示している。共有のオーケストレーションプロトコル SNAC と、ハードウェア依存のデータパス Atom を導入している。A100、H200、B200 GPU での七種の集合操作で、遅延が最大 5.14 倍、帯域幅が最大 4.50 倍改善された。SGLang に統合した場合、オフライン LLM 推論のスループットと対話性が平均 1.13 倍、オンライン推論の対話性が平均 1.26 倍向上し、画像生成では端から端までの遅延が最大 1.13 倍短縮された。
説明学習器ではなくサンプラーを冷やす：サンプリング温度が重要度補正GRPOの陳腐化限界を動かす
要約この論文は、言語モデルの強化学習でサンプラーの更新が遅れた場合の性能を調べています。Qwen2.5-Math-1.5BとGSM8Kでは、192更新ごとに再同期する重要度補正GRPOが約180ステップ後に大きく劣化することを示しました。提案手法は、学習器や参照モデルを温度1のままにし、サンプリングのみ温度0.8で行う解耦クーリングです。これにより降温した実行は安定し、同じ更新予算で再同期間隔を長くしても、より頻繁に更新した場合に近い結果が得られるとしています。
説明ER-JEPA：経験再生による言語モデルの共同埋め込み予測学習の改善
要約大規模言語モデルはトークン単位の生成に優れる一方、望ましくない抽象的な意味を学習したり、包括的な認識が不足したりすることがあります。LLM-JEPA は共同埋め込み予測アーキテクチャ（JEPA）によって同一知識の異なる視点を整合させ、この問題を緩和しますが、強い整合が正確で安定した予測につながるとは限りません。本論文は LLM-JEPA にエピソード再生経路を加えた ER-JEPA を提案します。学習データの組をメモリに保存し、各ステップで関連データを取り出して追加の教師信号として用います。NL-RX、GSM8K、Spider、NQ-Open の複数データセットでの実験において、ER-JEPA は LLM-JEPA を一貫して上回りました。
説明シミュレータの誤指定に対応する、スケーラブルな拡散モデルによる合成推論の提案
要約本論文は、多数の異種観測を組み合わせ、階層的な潜在構造を保ちながら、シミュレータと観測データのずれ（誤指定）に対処する拡散モデルベースのシミュレーション推論手法を提案しています。連続時間の拡散係数、階層的ブロック単位拡散サンプリング（HBDS）、経路正則化ファインチューニングを導入し、Girsanovの定理で事前学習モデルと微調整モデルの経路の差を定量化しています。骨形成タンパク質（BMP）シグナル伝達モデルの940測定値（4種の細胞株）への適用では、微調整により事後予測精度が向上しました。
説明自己生成データと報酬重み付きデータによるファインチューニング：学習ダイナミクス、収束速度、オフポリシーの利点
要約本論文は、自己生成かつ報酬で重み付けされたデータで方策モデルをファインチューニングする際の学習ダイナミクスを研究し、REINFORCE の一般化版 RE(S)（S ステップごとにロールアウト分布を更新）に焦点を当てています。RE(S) は、固定された報酬重み付きロールアウト分布への KL 距離を最小化する段階的最適化として解釈されます。ソフトマックス方策を持つ多腕バンディットでは、任意の固定 S について最適方策への大域収束、次善性ギャップの Θ(1/T) 収束速度、そして弱い初期方策からの開始時に RE(1) が次善方策付近に長く留まるのに対し、適切な S の RE(S) はより速く収束することが示されています。
説明胸部X線の弱教師あり位置特定を再考：位置ヌル、プロトコル依存性、PACE
要約胸部X線の弱教師あり位置特定は、論文ごとに比較できない単一の重なり精度で報告されることが多い。著者らは位置ヌル対照を用いて結果の意味を測定し、結果の範囲、抽出閾値、マスクから枠への変換規則といった、あまり明記されない選択が結果を大きく動かすことを示した。その知見に基づき提案されたPACEについて、利点と限界の両方を報告している。
説明二重チャネル頑健グループ相対方策最適化：アドバンテージと系列重みの推定による手法
要約本論文は、グループ相対方策最適化（GRPO/GSPO）で外れ値の報酬やトークン単位の対数比の摂動により不安定になる問題に対し、RoVR-GSPOを提案します。報酬チャネルは頑健な参照推定と有界な残差クレジットを組み合わせ、比率チャネルは微分可能なSoftRoVR集約で頑健な系列重みを構成します。数学的推論、長文脈要約、ツール呼び出しアノテーションの実験でGSPOを上回り、制御された摂動実験では報酬汚染や比率異常に対する頑健性が示されています。
説明エネルギーベースのニューラルネットワークによる設計段階で安全性を確保する学習
要約本論文は、エネルギーベースの現代的ホップフィールドネットワークとポートハミルトニアン型ニューラルODEを組み合わせ、設計段階から安全性を保証するニューラルアーキテクチャを提案しています。バリア関数を構成でき、許容入力の集合と定量的なロバスト性半径を明示的に得られるとされています。12次元のナノドローンモデルを含む複数のベンチマークで評価され、既存手法より外乱に強い認証付き不変集合が得られたと報告されています。
説明DispFlow-GS：変位フローによる監視と運動分離を用いた単眼変形可能3Dガウシアンスプラッティング
要約本論文は単眼動的シーンの再構成を対象とし、既存のガウシアンフローと光学フローを整合させる運動監視には改善が限られるという問題を指摘しています。著者らは各ガウシアンの3D変位を画像平面に投影する変位フローに基づく監視枠組みを提案し、中間視点レンダリングでシーン運動とカメラ運動を分離します。また、変形と描画改善の整合性を測る指標DRCを導入しました。実験では運動定位と運動-描画整合性が最大39%と6%向上した一方、画像指標の変化は約0.1%にとどまったと報告されています。
説明SCA：GUIエージェントの強化学習のための空間的クレジット割り当て手法
要約本論文は、画面上で操作を行うGUIエージェントを訓練するための空間的クレジット割り当て（SCA）を提案しています。サンプリングされたクリックの画面座標を使って、グループ内の相対的な報酬を補正します。成功と失敗が混在する場合は残差で信用を調整し、すべて失敗した場合は正解位置からの距離で順位付けします。GUIの定位と行動予測のベンチマークで改善が示されていますが、デプロイされるポリシーは変更されません。
説明WeLike2Party：複数人物の画像アニメーションのためのインコンテキスト動作転送
要約本論文は、参照画像内の複数の人物に駆動動画の動きを転送するフレームワーク WeLike2Party を提案しています。推論時に 2D スケルトンや人体メッシュを抽出せず、動画をそのままインコンテキスト条件として用いる点が特徴です。さらに、外観の細部を保つための Reference Asymmetric RoPE Conditioning と、各人物の身元と動きの軌道を対応づける Identity Binding Supervision を導入しています。また、跨身元学習用の合成データセット MotionTwin（14.4K 組、84.3 時間）と、評価ベンチマーク MotionTwin-Bench を構築しています。大きな遮蔽のある複数人の相互作用において、既存の最先端手法を上回ると報告されています。
説明CoEM：証拠に基づき記憶を確定する長文脈推論手法
要約本論文は、大規模言語モデルの長文脈推論を改善するCoEM（Commit-on-Evidence Memory）を提案します。固定された記憶予算の下で、有用かもしれない原文の抜粋を保留集合に逐語的に残し、後続の文脈で関連性が明らかになってから、記憶事実へ昇格させるか、保留を続けるか、破棄するかを学習済みの方針が決めます。凍結された検証器が、保持された抜粋と現在の文脈に支えられた事実のみを受け入れます。6,400文書の長文脈入力で、Qwen3.5-9Bにおいて最強の記憶ベースラインを10.4〜11.4 F1ポイント上回ったと報告されています。
説明VLALight：交通信号制御のための視覚・言語・行動モデル
要約本論文は、複数視点の路側映像から交通信号制御を端から端まで行う、初の視覚・言語・行動（VLA）モデル「VLALight」を提案しています。人手で設計した交通状態や独立した知覚モジュールに頼らず、視覚観測から協調した信号動作を直接導きます。2段階の教師ありコールドスタート学習と、交差点の局所制御と路網全体の効率を同時に最適化する協調型強化学習を用いています。3つの都市路網の7つの実交通流データセットで、交通工学的手法、強化学習ベース、LLM/VLMベースのベースラインを上回ったと報告されています。
注目点多視点路側動画から端から端まで信号制御を行う初のVLAモデルで、適応的な高速・低速推論を導入。7つの実データセットと3路網で多種の基線を上回り、根拠は十分。
説明ギャップから学ぶ：GRPO向けの差分認識アドバンテージ剪定と適応的ロールアウトサンプリング（FastRL）
要約本論文は、GRPOなどの強化学習による方策最適化が計算負荷が大きく、情報量の少ない軌跡が学習効率を下げる問題に取り組みます。提案するFastRLは、高アドバンテージの軌跡を選択的に残して軌跡間の勾配多様性を保ち、過去の剪定分布に基づいて訓練段階ごとにサンプリング規模を動的に調整するプラグアンドプレイ型の枠組みです。Geometry3KとGeoQA8K-R1Vで平均2.07倍の訓練高速化、視覚推論ベンチマークで平均精度約1.64%の向上を報告しています。
説明「モデルに日付を付ける」：システムプロンプトに隠れた日付がLLM評価に影響することを示す論文。
要約本論文は、一部のLLMのシステムプロンプトに現在の日付が暗黙的に挿入されており、ユーザーが制御できず毎日変わることを指摘しています。9つの近年のLLMと6つのデータセットで検証したところ、日付のみを変えても性能が変動し、多肢選択QAで最大6%、数学推論で最大14%、コード生成で最大7%、機械翻訳で最大2.84 BLEUの差が生じ、モデルの順位も変わりました。この影響はバッチサイズや数値精度などの他の非決定性要因を上回り、思考連鎖や少数ショットなどの一般的な手法でも感度は下がらないため、慎重な評価プロトコルの必要性が示されています。
説明ソース不要のVGGT蒸留によるイベントカメラ単眼深度推定（SFE-VGGT）
要約本論文は、ペアになったRGB画像なしでVGGTの幾何学的事前知識をイベント領域へ蒸留するSFE-VGGTを提案します。対象のイベントストリームから代理フレームを再構成し、凍結した教師として利用します。信頼性を考慮した蒸留戦略と、フレーム間の関係一貫性損失により、不完全な監督による影響を抑えます。MVSECの夜間系列では、EventVGGTと比べ平均10mの深度誤差が15.3%減少したと報告されています。
説明ニューロシンボリックなコンピュータ操作：再利用可能なポリシーを学習し、信頼性と効率を高める（コンピュータ操作を行うAIの作業手順を、学習によって再利用可能なプログラムとして作る研究）
要約この論文は、繰り返し行われるコンピュータ作業を、毎回AIエージェントが計画し直すのではなく、学習で得た実行可能なコードのポリシーで実行する手法を提案しています。手順の順序などは固定したコードで、画面の認識や状態確認はニューラルモデルで処理します。論文は、OSWorld-VerifiedとScienceBoardの4つの設定で最も高いPass^3を達成し、1回あたりのコストと遅延も大きく削減したと報告しています。
注目点反復される計算機タスクの推論を実行可能なコード方針として固定し、ニューラル知覚と組み合わせる。二つのベンチマークで信頼性とコストの大幅改善を示す。
説明多段階太陽光発電予測における短期適応のための状態輸送ルーティング手法
要約本論文は、固定されたパラメータを持つ予測モデルの出力を補正する軽量なアダプタ、状態輸送ルーティング（STR）を提案しています。STRは元の予測と、直近の測定電力レベルおよび最近の傾向から導かれる二つの軌道を組み合わせ、時間範囲に条件づけられたルーターが最初の120分間でそれぞれの寄与を調整します。120分以降の予測は変更されません。四つの公開太陽光データセットでの実験では、パラメータ数を揃えた残差アダプタより優れた結果が示されました。PVDAQでは五つのニューラル予測モデルの全時間範囲の正規化平均絶対誤差が0.0201～0.2364ポイント低下しましたが、LightGBMでは信頼できる改善は見られませんでした。
説明失敗した人間の動画1本からヒューマノイドのスキルを学習する：追跡と補完（Track-and-Complete）
要約本論文は、人間の失敗動画1本からヒューマノイドロボットがスキルを学習する手法TRACC（Track-and-Complete）を提案している。まず失敗が起きるまでの有用な動作軌道の前半を模倣し、その後は推定されたタスクの結果に基づき、タスク完了報酬で目標を学習する。Oops!データセットの実環境における失敗タスク6件で評価し、成功した示範がない場合でも有効であることを示した。
説明PrecogUI：予測的シミュレーションと経験検索による先回り型GUIエージェント
要約既存の受動的なGUIエージェントは、予期しない妨害によって注意がそれ、連鎖的な失敗を起こしやすい長期的・動的な場面で不具合が生じます。本論文は、事前認知型アーキテクチャPrecogUIを提案し、経験プール、次のUI配置を予測するシミュレーション実行器、事前認知実行制御器によって異常を先回りして回避し、より信頼性の高い操作を選びます。妨害の強い長期タスクを評価するInterfereBenchも構築され、既存手法を上回りつつ公開ベンチマークでも競争力のある結果が示されています。
説明イベリア諸語向け自動音声認識ツールのベンチマーク評価
要約本論文は、十個のオープンウェイトモデルと一つの商用APIの計十一システムを、バスク語・カタルーニャ語・ガリシア語・ポルトガル語・スペイン語の五つのイベリア諸語で評価し、対照としてドイツ語とトルコ語も加えています。評価には朗読音声、放送メディア、オーディオブックを含む85時間のデータセットを用い、単語誤り率とリアルタイム係数で精度と効率を測定しています。単一のモデルが全面的に優れるわけではなく、精度・効率・言語対応の間に明確なトレードオフがあること、特にバスク語など低資源言語で性能が大きく低下すること、多くのシステムで性別による差が見られることを示しています。
説明Seg3DParts：セグメンテーションに基づく制御可能なパーツ単位の3D生成（単一画像から）
要約本論文は、単一画像からパーツ単位の3Dモデルを制御可能な形で生成する、セグメンテーションを基盤とした枠組みSeg3DPartsを提案する。セグメンテーションを明示的な指示信号として用い、生成時に各パーツを対応する画像領域に結び付ける。さらに、パーツ同士が生成過程で全体の文脈をやり取りする構造的相互作用により、多部品構造の整合性を高めている。あわせて20万点超の対象と100万個の注釈付きパーツからなるデータセットPartObjectNetを公開し、既存手法より幾何品質・部品間の整合性・制御性で優れると報告している。
説明表現の動的変化から見る、MLLMにおける視覚トークン剪定のための意味的顕著性と類似性
要約マルチモーダル大規模言語モデル（MLLM）は長い視覚トークン列のため推論遅延が大きくなります。本論文はエンコーダの深さごとのトークン表現の変化を分析し、更新量が前景領域に集中する層区間があること、また更新方向の類似度が出力特徴よりも同クラス・異クラスのトークンを区別しやすいことを示しています。これに基づき、学習不要の手法MSDG-Pruneを提案し、更新方向でトークンをグループ化して更新量由来の顕著性により剪定します。LLaVA-NeXTでは視覚トークンの5.6%のみを残し、平均91.9%の性能を維持しつつ、プリフィリングを7.8倍高速化しました。
注目点エンコーダ各層のtoken表示更新の大きさと方向が前景顕著性や意味的類似性と対応することを分析し、それに基づく学習不要の剪枝法を提案している。
説明AeroManip-VLA：強化学習で生成したデモによる空中マニピュレーションのための拡張可能な視覚・言語・行動学習ベンチマーク
要約本論文は、空中マニピュレーションにおけるVision-Language-Action（VLA）モデルのデータ生成と方策評価のための拡張可能なベンチマーク、AeroManip-VLAを提案している。GPUで高速化されたシミュレーション環境を提供し、再利用可能な強化学習方策と専門家のタスク規則を組み合わせて、人手による遠隔操作なしにデモを自動生成する。さらに、自動イベントラベリングと軌道分類によってデモを絞り込み、模倣学習とVLAのベースラインを複数のタスク設定で評価している。
説明マルコフ決定過程における疎な方策展開のためのベルマン認証付き丸め
要約本論文は、有限マルコフ決定過程において連続的な方策の混合を疎な二値方策へ丸める際に、割引収益をどれだけ保持できるかを研究している。複数回のベルマン求解から再利用可能な包絡を導出し、丸めの前に一様および候補ごとの保証を与える。構造化テストセットでは、丸め前に認証できる割合が48.2%から74.1%に向上したと報告されている。
説明言語モデルは株価予測を学べるか：後学習で金融予測を改善する論文
要約本論文は、後学習によって言語モデルの株価予測能力が向上するかを検証します。時系列順の株価サンドボックスで、モデルが価格・出来高・相対パフォーマンス・市場背景などのツールを使って情報を集め、将来のリターンを予測します。Qwen3-4Bに対し、ツール利用の実演による教師ありファインチューニング（SFT）と、最終報酬を用いた近接方策最適化（PPO）を適用しています。学習後のAURA-4Bは方向・幅のスコアが20.94から43.31に上がり、このベンチマークで前衛的な言語モデルと同程度になったと報告されています。
説明BaLEEN：文脈認識ASRのための潜在エンコード固有表現によるバイアス手法
要約本論文は、基盤となる音声認識モデルを微調整せずに動的な文脈適応を行う、軽量なハイパーネットワークベースの枠組みBaLEENを提案する。事前学習済み言語モデルで文脈キーワードを符号化し、Perceiverボトルネックで潜在ベクトル列に圧縮して、エンコーダの中間表現にバイアスを注入する。ウィキペディア由来で固有表現注釈付きの合成音声コーパスによる評価で、バイアスなしのベースラインと比べ、テスト集合でキーワードの見逃し率を8.7%下げ、単語誤り率を21%、文字誤り率を28%改善したと報告している。
説明変分混合と多周辺流マッチング：生物学応用に向けた統計的推論手法の研究
要約本博士論文は、複雑な生物システムから生じる分布が多峰性で幾何学的構造を持ち、正規化定数まで しか定まらない場合の統計的推論手法を研究したものです。変分推論から出発し、多重重要度サンプリングELBOを用いたアンサンブルや、成分の協調と探索を自動化する変分混合へと表現力を高めています。さらに効率的な混合学習手法を提案し、フローマッチングにおける多周辺設定への対応も扱っています。これらを三次元空間トランスクリプトミクスなどの生物学的応用に結びつけています。
説明SafeVantage：具身的意思決定を信頼性高くする視点認識型メモリ
要約本論文は、部分観測の環境で各判断を支える視点、カメラ姿勢、対象の推定位置を保存し、到達可能な視点での対象の見えやすさを予測して取得する視点を選ぶ SafeVantage の枠組みを提案しています。最終的に「はい」「いいえ」「保留」を出力します。ProcTHOR の未見の 232 軒の住宅での評価では、予算を同じにした基準手法と比べ、8 回と 12 回の行動でマクロ F1 がそれぞれ 24.7% と 12.0% 向上し、8 回の場合は移動距離が 31.7% 減りました。
説明MultiTalk：全二重音声モデルを長時間・多人数・バイリンガル対話へ拡張
要約本論文は、既存の全二重音声対話モデルが長い文脈の保持と多人数の対話に弱い点に取り組み、Moshi の枠組みを英語と中国語で両方向に拡張しています。合成学習データ MultiTalkPT と MultiTalkFT（計57.6k時間）を公開し、実際の人間の録音から作られた評価ベンチマーク MultiTalkBench（平均対話時間32.6分）を導入しています。学習させたバイリンガルモデルは、このベンチマークで Moshi、MiniCPM-o-4.5、Qwen3-Omni-30B-A3B-Instruct などのオープンソース基準モデルを上回ったと報告しています。
説明RAEGNet：有害性を考慮したマルチモーダル偽ニュース検出のための関係認識型エビデンスグラフネットワーク
要約既存のマルチモーダル偽ニュース検出法は外部情報を取り入れることが多いものの、多くはエンティティ単位の検索に依存するため、事象と無関係なノイズが混入しやすい。本論文では、ニュースの完全な事象意味に基づいて証拠を検索するイベントレベル証拠検索フレームワーク（ELERF）と、ニュースと証拠の立場関係および証拠間の相互作用関係を含む有向グラフを構築する関係認識型証拠グラフネットワーク（RAEGNet）を提案している。RAEGNetは真偽性と潜在的な有害性を共同でモデル化する条件付き有害性分岐を備える。Weibo-21、Fakeddit、および自作のSSSデータセットにおいて、評価した全指標で複数のベースライン手法を上回ったと報告されている。
説明STAR-GRPO：表現依存型報酬ハッキングに対する信頼性優先の優位推定手法
要約本論文は、グループ相対方策最適化において、脆弱な報酬インターフェースや過度に緩いプロキシ目標を悪用して、実際の回答品質を上げずに訓練スコアだけを向上させる報酬ハッキングの問題を扱っています。提案手法STAR-GRPOは、同一の出力に対する対になった評価から信頼性を求め、グループ正規化の前に頑健な位置・尺度の当てはめを行い、外れ値の報酬の影響を抑えます。医療推論の評価代理の実験では、独立した意味評価が改善し、代理と評価者の乖離が縮小したと報告されています。
説明HorizonFlow：オフライン目標条件付き強化学習のための可変長プランニング手法
要約本論文は、計画の長さを事前に指定する入力ではなく生成結果として扱う階層型プランナー「HorizonFlow」を提案している。挿入ベースの生成とフローマッチングを組み合わせ、連続的な計画内容と長さを同時に生成し、生成された長さを候補の選択に用いて、別途学習させた価値モデルなしで短い計画へ誘導する。Maze2D、Multi2D、OGBenchのナビゲーションおよび視覚的操作のベンチマークにおいて、比較対象の手法の中で最も高い平均性能を達成したとしている。
説明DiffReID：物体再識別のための識別的拡散モデル
要約本論文は、重なりのない複数のカメラ間で物体を検索する再識別（ReID）のための特徴学習フレームワーク「DiffReID」を提案しています。CLIPで得たアイデンティティ関連のテキスト特徴に対し、拡散モデルを用いて段階的にノイズ除去を行い、アイデンティティ関連の分布を学習して識別的な特徴を生成します。五つの物体ReIDベンチマークでの実験により、多くの最新手法より良い結果が示されたとしています。
説明詳細な画像キャプション生成のための、モメンタム結合型ルーブリック適応（MoCo Rubric）
要約本論文は、詳細な画像キャプション生成を目的とし、一つの視覚言語モデルにキャプション方策、ルーブリック生成器、ルーブリック評価器の三役を担わせる二段階フレームワーク「MoCo Rubric」を提案している。ルーブリックは現在の方策が生成したキャプション、参照キャプション、画像情報からオンラインで構築され、方策のみがGRPOで更新される。生成器と評価器は方策パラメータの指数移動平均で得られる共有のモメンタムモデルで同期される。五つのキャプションベンチマークで平均72.83%の両者比較勝率を達成したと報告されている。
説明ハーネス進化を学習として捉える：自己改善型パーソナルエージェントにおける近似・汎化・最適化の限界
要約本論文は、大規模言語モデルを用いたパーソナルエージェントにおいて、文脈・記憶・ツール・実行を管理する外側の層（ハーネス）がユーザーの嗜好に応じてどのように進化するかを検討しています。ハーネスの構造、規模、自己進化アルゴリズムの三点について、実証ベンチマークと理論分析の両面から調べています。理論面では、ハーネス進化を学習問題として定式化し、近似・汎化・最適化の各誤差によって観察された現象を説明しています。
説明ProGuT：森林シーン向けのラベル効率的なパノプティックセグメンテーション
要約本論文は森林環境のパノプティックセグメンテーション手法ProGuT（プロトタイプ誘導学習）を提案します。画像ごとの学習用マスクは不要で、ラベルなし画像と一度だけのクラスタ-クラス対応付けがあれば擬似ラベルを生成します。CLIPのパッチ特徴をクラスタリングし、構造テンソルに基づく多スケールの幾何学的事前情報で幹のインスタンスを復元します。Our-forestデータセットでPQ 65.2、Freiburg ForestでmIoU 65.9を達成し、PiCIEやSTEGOなどの教師なしベースラインを上回ったと報告しています。
説明SINO：スケール不変ニューラルオペレータ。偏微分方程式の閉包問題を低ランク表現で学習する手法
要約本論文は、正規化された物理スケール上で学習するスケール不変ニューラルオペレータ（SINO）を提案しています。スペクトル領域と空間領域の二分岐構造を用い、ボトルネックMLPで連続畳み込みカーネルを生成します。複数の乱流閉包問題のベンチマークで、基準モデルに比べ誤差を1.5〜38倍、パラメータ効率を2〜23倍改善したと報告しています。
注目点正規化された物理スケールとスペクトル・空間二分岐構造で閉包項を学習し、複数の乱流ベンチマークで多数の基線と比較しており、実質的改良だが組み合わせ型の新規性である。
説明次ガウス型検出スコアを超えて：人間とLLMの混合テキスト分割のための頑健な重み付きプロファイル損失変化点検出
要約本論文は、人間と大規模言語モデル（LLM）が混在して書いた文書を対象に、検出器スコアから著者の切り替わり境界を特定する頑健な重み付きプロファイル損失変化点検出法（RWCP）を提案します。信頼性の重みに上限を設け、Huberプロファイル利得と信頼性座標上の最狭しきい値超え探索を組み合わせています。キャッシュ済みスコアを用いた5つの後方視的ベンチマーク群では、核となるRWCPが重み付き変化点検出と比べ、ファミリー平均のWindowDiffを17.6%削減し、変種のRWCP-Rはさらに低下させました。ただし、どちらの固定設定も協調的で交互性の強い文章では変化を見逃します。
説明WEFT：汎用エージェント向けツール利用の事後学習スケーリング手法
要約本論文は、ツール利用環境の拡張だけではモデル性能は保証されないとし、エージェント相互作用システム全体を協調的に最適化するWEFTフレームワークを提案します。拡張可能なシステム構築、実行結果に基づく自己進化、安定した事後学習の三要素から構成されます。WEFT-14Bは、同規模の環境拡張ベースラインをBFCL V4、τ²-Bench、Claw-Evalで上回ったと報告されています。WEFT-35B-A3Bは、長期的なワークフロー型ベンチマークでもさらなる向上を示したとされています。
説明条件付きフローマッチングと有限ポリシー強化学習によるRNA設計
要約本論文は、指定された二次構造に折りたたまれる配列を見つけるRNA設計を扱います。提案手法は二段階の枠組みで、RNA-IFlowは構造条件付きDirichletフローマッチングにより配列全体の協調的な変異をモデル化し、RNA-IFlow-RLは学習したフローを対合を保つ有限ポリシーに写像し、熱力学的フィードバックで洗練します。Rfam-27ではPass@1が85.19%に達したと報告されています。
説明表形式基盤モデルにおけるスパース事前分布とアーキテクチャの整合性の研究
要約本論文は、表形式基盤モデル（TFM）の無関係な特徴量を抑制する能力を検討しています。行トークン型のTabDPTは無関係な特徴量を加えると予測性能が大きく低下する一方、セルトークン型で軸を交互に処理するTabPFN v2は比較的安定していました。同じスパースから稠密への線形事前分布で二種類の構造を学習し、ベイズ最適予測器と比較した結果、特徴量の軸を保持することがタスクに応じた関連性推論に有効であると論じています。
説明弱教師あり学習による拡散モデル編集画像の偽造領域局所化：ReGFLoW手法
要約本論文は、拡散モデルによってAI編集された画像の偽造領域を特定するためのReGFLoWフレームワークを提案します。画像単位の真偽ラベルのみを必要とし、拡散モデルの再構成誤差を空間的な誘導情報として用います。また、アーティファクト中心の多重インスタンス学習を採用し、ピクセル単位の注釈や意味的な擬似マスクに依存しません。実験では、部分編集画像と完全合成画像の両方を含む評価および異なるデータセット間のテストにおいて、比較対象の全教師あり学習ベースラインを上回り、ターゲット領域への適応は不要とされています。
説明観測の視点によって因果効果の識別方法が決まる：観測視点をまたいで因果モデルを評価する
要約本論文は、構造的因果モデルの実現と目標推定量を固定し、推定器が利用できる観測の視点だけを変えるベンチマーク「CausalIDView」を提案し、因果基盤モデル（CFM）を比較する。どの視点でも常に最良のCFMは存在せず、モデルの順位は大きく変わる。構造を制御して変化させると、各モデルは固有の不安定さを示す。さらに、明示的な識別手続きと予測型の表形式基盤モデルを組み合わせた手法がCFMと競合し、いくつかのCFMを上回ることも示されている。
説明S4VY：フィードフォワード4D視覚幾何に基づくSegment Anythingモデル（動的シーンの4Dインスタンス分割）
要約本論文は、フィードフォワード4D視覚幾何に基づくセグメンテーションモデルS4VYを提案します。複数のRGB観測から、クラスに依存しない4Dインスタンスマスクを生成し、各物体を全観測にわたって同一の対象として結び付けます。プロンプトなしのセグメンテーションや、点・ボックスによる選択にも対応します。静的・動的シーンを含む統一評価において、4Dインスタンス分割で最先端の結果と、言語指示による定位での良好な性能が示されたと報告されています。
説明「Seeing Time」：解釈可能な時系列クラスタリングのための視覚・時間表現学習
要約本論文は多変量時系列のクラスタリングを扱い、時系列とその決定的に描画された波形図を同一観測の相補的な視点として扱うWAVEを提案している。細粒度の時間変動と全体的な視覚パターンを統合し、各クラスタを重心に最も近い実サンプルと対応付けることで、クラスタを観察可能な波形特徴まで辿れるようにしている。10の公開実データセットによる評価で、WAVEは比較手法の中でマクロ平均クラスタリング性能と平均順位が最も高かったと報告されている。
説明強化学習の補助タスクとしての状態追跡型推論（STRAT）
要約本論文は、深層強化学習エージェントに自身の状態を表す短いテキストを予測させる補助タスク STRAT を提案する。記述は位置、所持品、目標、直近の進捗を追跡し、環境ルールから人手による注釈なしでオンラインに生成される。手法は標準的な方策に補助ヘッドを一つ加えるものである。報告によると、スパース報酬の XLand-MiniGrid 60タスクで、標準的な強化学習が完全に失敗する複雑な環境を解決し、状態表現を圧縮してランク崩壊を防いだという。
説明S2T-Unet：モダリティ間MRI変換のための構造からスタイルへのフレームワーク
要約本論文は、既存の画像からMRIの欠落したモダリティを合成し、追加撮像を減らすことを目指すS2T-Unetを提案しています。低レベルのボトルネックではベクトル量子化により学習された離散コードブックでモダリティ非依存の構造情報を符号化し、高レベルではモダリティ変換モジュールが目標モダリティへ符号化表現を変換して強度とコントラストを復元します。IXI多コントラストMRIデータセットの4つの変換タスクで、最先端手法と同等またはそれ以上の結果が報告されています。
説明モデルはどこで考えを変えるか：検証可能な報酬による効率的な強化学習のための後知恵ダイバージェンス位置特定
要約本論文は、検証可能な報酬を用いる強化学習（RLVR）向けに後知恵ダイバージェンス位置特定（HDL）を提案する。完全な軌跡へのフィードバックによって生じるトークン対数尤度の変化を用いて分岐点を選び、そこから続きを生成して接頭辞を再利用し、生成コストを抑える。数学、コード、エージェントの3タスクでの実験では、GRPOと同条件で比較して生成トークンが最大2.5倍減少し、ロールアウトの実時間が最大1.8倍高速化し、いずれの領域でも性能が向上したと報告されている。
説明IronLLM：エッジ端末でリアルタイムに動く小型言語モデルの提案
要約本論文はIronLLM-0.6Bを提案しています。約6.54億パラメータのこの言語モデルは、端末上での効率的な推論を目的とし、ハイブリッドな注意機構と共有KVキャッシュによる多トークン予測設計を用いて、デコード速度を1.48倍に高めたと報告されています。約6.2兆トークンで事前学習され、多分野のオンポリシー蒸馏で専門家モデルの能力を統合しています。また、RMSNormをDynamic Tanhに置き換えた軽量版IronLLM-0.6B-Lightも示されています。
説明強化学習のためのマルコフ非凸ADMM：滑らかなブロックを超えるBellman預解式の安定性
要約本論文は、強化学習におけるマルコフ非凸ADMMの構造的メカニズムを、有限割引MDPを例に研究しています。割引Bellman預解作用素が、古典的な非凸ADMM解析で滑らかなブロックから得られる乗数の安定性を与えられることを示します。さらに、制御されたマルコフサンプリングおよび確率的観測の下での収束と計算量の結果を示しています。
説明上流のメッセージが正しい答えを覆すとき：マルチエージェントLLM協調に関する統制実験
要約本論文は、マルチエージェント大規模言語モデルシステムにおいて、上流エージェントの情報や誤った答えが、下流エージェントが自らの根拠で支持している正しい答えを覆してしまうかどうかを調べたものです。5つのベンチマークと5つの受信側で、メッセージなし、元のメッセージ、結論が反対のメッセージの3条件を比較しています。その結果、メッセージは有益な場合もあれば有害な場合もあり、審査された有害事例の94%で下流エージェントが上流の誤答をそのまま写していたことが報告されています。
説明社会性アンカー：グループ境界を考慮した軌跡予測に向けて
要約本論文は動的な場面における人の軌跡予測を扱い、既存のグループ化手法が固定閾値や観測窓内の相対位置に頼っており、グループ判定が個人や文脈によって変わる点を考慮していないと指摘しています。著者らは解釈可能な社会性アンカーと拡張されたグループ化窓を備えた、人間の社会認知に着想を得た予測フレームワーク「Socialality」を提案しています。過去の観測と短期的な将来軌道のプレビューを用いて個体ごとのグループ化規則を学習します。標準ベンチマークでの実験に加え、定性分析とアンカー分布の統計研究によって解釈性と安定性を検証しています。
説明RoXDrive：動作に忠実なロールアウトによる、エンドツーエンド自動運転の閉ループ強化学習
要約本論文は、エンドツーエンド自動運転方針を閉ループ強化学習で事後学習するためのRoXDriveフレームワークを提案します。ビデオ世界モデルで将来のシーンを生成し、視覚的な変化が入力された自車の動作と整合するロールアウトだけを選別して、安全性を考慮した評価と学習に用います。nuScenesと社内データセットでの実験では、DiffusionDriveとQwen3-VLでそれぞれ安全違反が27.6%、33.7%減少したと報告されています。
説明生成AI時代におけるマルチモーダル偽ニュース検出の再考
要約本論文は、生成コンテンツがニューの制作・拡散に入り込み、偽ニュースの形態が複雑化していることを指摘します。著者らは生成コンテンツの場面を対象とするマルチモーダル偽ニュース検出データセットWeibo26を構築し、生成性を考慮した階層的推論フレームワークGAHR（Generativity-Aware Hierarchical Reasoning）を提案しています。複数のベンチマークおよびWeibo26での実験で、GAHRは競争力のある真偽判定性能を示し、生成コンテンツも効果的に識別できると報告されています。
説明ウェアラブルセンサーを用いた人間行動認識のための、有効で信頼性と頑健性の高いフレームワーク
要約本論文は、ウェアラブルセンサーデータから人間の行動を認識するためのフレームワーク ALAE-TAE-CutMix+ を提案しています。各センサーチャネルの潜在情報を強化し、新たな多チャネルデータ拡張手法を導入します。さらに、チャネル間の相互作用を学習する ALAE-CIE-TAE-CutMix+ を提示し、後者がより信頼性と頑健性に優れると述べています。著者らは、4つの異なる分野のHARデータセットで既存の最先端手法を大きく上回ったと報告しています。
説明統計的形状モデルと深層学習に基づく骨盤骨折ネジ計画の自動化
要約本論文は、骨盤骨折に対する経皮的腸骨仙骨ネジ固定の術前計画を、患者固有の三次元解剖情報から自動で行うパイプラインを提案している。安全なネジ挿入経路を自動で特定し、個別化された挿入軌道を生成する。200例の臨床症例で評価し、従来の手動計測と比べて四種類のネジで安全マージンが2%向上し、平均計画時間は90%以上短縮、臨床受容率は95%に達したと報告している。
説明DSWM：需要駆動型UAV基地局再配置のための分解型時空間ワールドモデル
要約本論文は、空間的・時間的に変化する通信需要に対応するため、無人航空機基地局（UAV-BS）の再配置手法DSWMを提案しています。観測ウィンドウで需要分布を把握し、潜在再帰状態に運用文脈を保持し、不確実性ペナルティを課した想像上のロールアウトで候補移動を評価します。米ミラノ、上海テレコム、YJMob100Kの三つの実データセットでは、平日のサービス率がいずれも首位でした。ミラノでは最強の非学習基準Greedy（国内基準法の一つ）を0.109上回りました。
説明GlassFormer：レーダーと深度情報の融合によるリアルタイムガラス領域分割
要約本論文は、ミリ波レーダーとRGB-D センシングを融合し、透明な表面をリアルタイムで分割する多モーダルの枠組みを提案しています。レーダーはガラス面で強く反射するため、視覚や深度センサーが機能しない領域でも幾何学的な手がかりを提供します。この情報をクロスモーダル注意機構によって軽量なTransformerベースの分割ネットワーク（GlassFormer）に組み込んでいます。混合条件のデータではmIoU 0.88、低照度条件では0.59を報告しており、資源の限られたプラットフォーム上でも実時間で動作するとしています。
説明RolloutFaith：視覚世界モデルにおける持続的な内部介入の検証
要約本論文は、世界モデル内部の表現に介入した後も、以降の自律的な予測が意味的に改善されるかを測るRolloutFaithという枠組みを提案しています。Crafter、Cartpole、CoinRunの三つの課題で、三種類の世界モデル上に十種類の学習済みエディタを評価し、参照活性化パッチングとも比較しています。現在のエディタによる長期的効果は限定的で一貫性がないことが示されました。また、固定された将来の遷移を通じて同じ介入を最適化するDelayed LoReFTを提案し、持続的効果をある程度向上させています。
説明VGGTファミリーはすべての層が必要か？層の冗長性と剪定の研究
要約本研究は、フィードフォワード型幾何モデルVGGT、π³、VGGT-Ωを対象に、3,018通りの剪定構成を四つの屋内外データセットで七つの指標により評価しました。冗長な層は早期と、より狭い後期の二つの領域に集中することが示されています。また、閉形式の線形校正により、エンドツーエンドの再学習なしで精度を回復できると報告されています。集約器のパラメータは最大44%削減され、精度は元のモデルに近い水準を保っています。
注目点VGGT系列の層冗長性を体系的に調査し、3018構成と複数データセットで検証、閉形式校正による実用的な剪定を示した。
説明方策に基づく視覚的証拠の蒸留：視覚エージェントが自らの証拠取得を振り返って学習する手法
要約視覚エージェントは推論と画像操作を交互に行い、初期段階の証拠取得・読み取り・回答の根拠付けの誤りが軌跡全体に波及することがあります。本論文は、同じ問いに対する複数の学生軌跡を比較し、観察された視覚証拠をまとめ、取得・読み取り・根拠付けの各段階で最初に生じた失敗を診断するReVuEを提案します。その結果をもとにトークン単位の蒸留損失を群ごとにまとめて重み付けします。Qwen2.5-VLとInternVL3.5の系列にまたがる11のベンチマークで、評価したすべての基準手法より加重平均スコアが高く、推論や道具呼び出しの冗長性も減少しました。
注目点画像操作の証拠誤りを段階ごとに診断し、トークン単位の蒸留監督に変換する点は既存手法への有意義な改良。11ベンチマークでの実験は比較的充実している。
説明測定されなかったものは復元できない：超低磁場MRI超解像の情報上限の定量化
要約本研究は、同一被験者の64mT低磁場MRIと3Tスキャンの対データを用い、実際の低磁場スキャンに含まれる個人固有の構造情報を測定しています。全脳で見ると、実際の64mTスキャンが個人固有の構造を保持するのは面内で約3〜4mmの半周期までで、面外ではさらに粗くなるとしています。また、生成モデルが出力する細部は、被験者自身の3Tスキャンと他人のスキャンとで相関に差がなく、PSNRやSSIMでは復元と捏造を区別できないと報告しています。
注目点実際の対応する64mTと3Tスキャンで個体情報の上限を定量化し、既知解のテストで手法を検証。合成劣化が現実より情報を過大評価することを示す。24モデルで裏付け。
説明ARC-KV：再構成ベースのKVキャッシュ圧縮におけるアンカー探索の償却
要約長文脈の大規模言語モデル推論は、系列長に比例して増えるKVキャッシュによってボトルネックになります。本論文はARC-KVを提案し、まず値を考慮したインデクサを学習して、一回のスコアリングで実際のキーをアンカーとして選びます。続いて、凸包制約付きのキー統合と、注意質量バイアスおよび圧縮値のフィッティングによりキャッシュを再構成します。このキャッシュは文脈ごとに一度だけ構築され、以降のすべてのクエリで再利用されます。Llama-3.1-8B-InstructでのQuALITYなどの実験では、報告済みの圧縮手法を多くの設定で上回りました。QuALITYでKVを10%保持した場合、精度は0.6409から0.6474に向上し、圧縮時間は959.8秒から37.3秒に短縮されました。
説明動画拡散モデルにおける動作概念のアンラーニング（MUTE手法）
要約テキストから動画を生成する拡散モデルは、蹴る、刺す、撃つといった動作を写実的に描けるため安全上の懸念があり、特定概念の消去が求められています。本論文は動画拡散Transformerにおける動作概念の消去を体系的に検討し、学習不要で重みを変更しないMUTE手法を提案します。MUTEは各ノイズ除去ステップで概念方向を抽出し、速度出力を修正します。20の動作概念での実験では、代表的なプロンプトレベル、重みレベル、推論時のベースラインを上回り、CogVideoXにも転用できることが示されています。
説明陈旧度はどこで蓄積するのか：LLM事後学習の非同期強化学習のためのプール対応・有効陈旧度制御
要約本論文は、大規模言語モデルの事後学習で非同期強化学習を行う際に生じる方策の遅れが、軌跡の生成中と待機プール投入後のどちらで蓄積するかを分解して分析しています。その分解に基づき、プール占有量を適応的な棄却予算に変換し、待機陈旧度と接頭辞を考慮した生成陈旧度を組み合わせた有効陈旧度スコアで軌跡を順位付けするPACE（Pool-Aware Control of Effective Staleness）を提案しています。原文によると、単一ターンの数学的推論では、同一の実時間予算で未フィルタの非同期強化学習より6ベンチマーク平均の検証精度が18.7%向上し、同期強化学習と同等の性能をGPU時間47.1%少なく達成しました。
