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。
説明最適化手法によらず最適データスケーリング指数は1/3に収束することを示す研究
要約本論文は、ニューラルネットワークの損失がデータ量に応じて冪乗則で下がる指数を調べたものです。学習中のステップ数に対する動的な指数と、最適に調整した後のデータ量に対する指数を区別しています。オンラインの教師生徒モデルでは、SGDとAdamで動的指数は異なるものの、最適な学習率で調整すると損失はいずれもD^(-1/3)で減少します。Muonを含む7種類の最適化手法で、この関係が成り立つことが報告されています。
説明ContextRender：実行依存関係からエージェント文脈へ
要約本論文は、長期タスクを実行する LLM エージェントの文脈管理手法 ContextRender を提案します。永続的な実行依存グラフを用い、ツール流分析で後続の処理が以前のツール結果をどう再利用するかを追跡します。再利用信号と新しさ、意味的関連性を組み合わせ、固定の履歴予算内で結果を選択します。AppWorld と 8 目標の QA 実験では、6K の履歴予算で評価したベースラインを上回り、全履歴を渡した場合に近いか超える性能を示しつつ、平均推論コストを 10.2%〜32.2% 削減したと報告しています。
説明HyDI：深層学習と帰納論理プログラミングを組み合わせた多ラベル分類のハイブリッドアンサンブル
要約深層学習モデルは多くの応用で優れた成果を上げる一方、説明が難しいことで知られています。本研究はHyDIを提案します。これは階層的多ラベル分類のためのハイブリッド・アンサンブル構造で、深層学習モデルと帰納論理プログラミング（ILP）によって生成されたルールベース分類器を組み合わせます。ラベル階層の葉クラスについては、ルールベース分類器が深層学習モデルに代わり、より透明な分類結果を得られるようにします。HyDIは生物学的に重要な化学物質（ChEBI）のオントロジーに適用され、314クラスについてILPが生成したルールを提供します。これらのクラスについて、HyDIは全体的な説明と、図とテキストの記述を組み合わせた局所的な説明を生成できます。
説明エディタの内部にあるカメラ：描かれた校正パターンから画像編集モデルの暗黙のカメラを読み取る
要約指示ベースの画像編集モデルが写真に描き込む際に、どのカメラを前提としているかを調べた論文です。編集器にチェッカーボードを描かせ、古典的な消失点幾何からピッチ、ロール、焦点距離などを読み取ります。120台の渲染カメラでは、Qwen-Image-Edit-2511の暗黙のカメラがロールを除きGeoCalibより正確でした。
注目点画像編集器が描く市松模様からその暗黙のカメラを読み取る新手法で、キャリブレーション手法との比較も行われており、根拠は比較的充実している。
説明重みが読み書きする特徴：活性化空間に基づくスケーラブルなパラメータ分解
要約本論文は、活性化空間とパラメータ空間を同時に分解し、学習された各重み成分を読み取りまたは書き込む活性化特徴と対応づける手法ASPD（Activation-Supported Parameter Decomposition）を提案しています。Qwen-3-8Bの事前学習済み大規模言語モデルで検証されており、学習された読み書き成分はパラメータレベルの機構回路に組み合わせることができ、古典的なIOI回路の機構の再現にも用いられています。
説明脳波による発作の検出・予測のための時空間ハイパーエッジ手法
要約脳波からの発作の検出と予測は臨床的に重要ですが、発作はまれで時間的に局在し、複数のチャネルにまたがって連動して広がるため困難です。本論文はHyBrainを提案します。これは両端点ごとのチャネル間エッジではなく、少数のソフトなハイパーエッジで時空間的な脳波情報を要約する手法です。チャネルごとのMambaバックボーンが各チャネルの1秒ごとにトークンを生成し、ソフトな所属度を通じて共有のグループ埋め込みにまとめます。同じエンコーダで、ウィンドウ単位の検出、1秒単位の点検出、発作前予測の3つのタスクに対応します。
説明コンテキスト言語モデル：モデル自身がコンテキストを管理する新しい手法
要約本論文は、コンテキストをファイルとして扱い、モデルがそれを自由に更新できるようにする「コンテキスト言語モデル（CLMs）」を提案します。BrowseComp-Plus、EdgeBench、マルチリポジトリのエージェント課題などで、既存のコンテキスト管理手法より高い精度を示し、計算量も削減したと報告しています。さらに、自然言語指示による制御や強化学習の手法、サービング向けのSuffix Cache Reuseも紹介されています。
説明CogWAM：イベント駆動インターフェースで意味認知と世界行動モデリングを整合させる手法
要約本論文は、認知に導かれる世界行動モデル CogWAM を提案します。完了したタスクイベントと現在のサブタスクを保持する持続的な意味状態によって、タスク推論と行動学習を結びつけます。意味状態は意味的遷移が観測された時のみ更新されます。RoboDojo と BiCoord での結果、および実機の双腕操作実験が報告されています。
説明Transformerの隠れ軌道の予測幾何学：終端損失が生む出力に関係する隠れ状態の方向
要約本論文は、デコーダ型Transformerの各層の隠れ状態について、残りの層を通した終端損失（損失から終点までの関数）を分析します。成功した検証軌道の近傍では、隠れ状態空間上の引き戻しFisher演算子によって局所的な二次幾何が決まることを示し、出力に敏感な方向と予測にほぼ影響しない方向を特定します。WikiText、OpenWebText、FineWebで複数のデコーダ言語モデルを評価し、摂動感度の予測、層ごとのランク配分、トークン剪定、低ランク生徒モデルの蒸留に応用しています。
説明金融時系列向けのボラティリティ・クラスタリング適応手法（VCA）
要約本論文は、金融予測では目標データを増やして微調整すれば必ず精度が上がるとは限らないと指摘します。個々の価格変動は予測しにくい一方で、大きな変動は集中して起こる傾向があるためです。提案手法VCAは、次トークン交差エントロピーに、二乗収益率の自己相関に対する微分可能なペナルティを加えます。三つの資産群と二つの評価方法で、事前学習済みモデルより改善し、主に分散の誤差が減ったと報告しています。
説明Billiger.de Products：バイリンガル・エンティティマッチングのベンチマーク
要約本論文は、ドイツ語と英語に対応したエンティティマッチングのベンチマーク「Billiger.de Products」を提案しています。データはドイツの価格比較サイト billiger.de に由来し、服やフルニチャーなど難しい分野を含む13の消費財カテゴリを対象としています。各商品には対応する英訳が付けられ、言語を跨ぐテストセットも用意されています。6種の教師あり手法とゼロショットの GPT-5.2 で検証した結果、既存の英語ベンチマーク（WDC Products や Abt-Buy）より難しいことが示されました。
説明PolyOCR-Venus：テキスト中心の視覚知能のための統合OCR基盤モデル
要約本論文は、認識・レイアウト解析・推論を統合して扱う、異なる規模のOCR基盤モデル群PolyOCRを提案している。多様な視覚資料を品質検証済みのOCR教師データに変換する大規模データエンジンと、検証器ベースのGRPOと教師の信頼性・能力差に基づくサンプル単位のルーティングを組み合わせた蒸馏手法を導入している。また、人手で注釈を修正したOCRBench v2.1を公開し、複数のベンチマークで最先端または高い競争力を持つ結果を報告している。
説明VIF-Bench：複数参照画像生成における視覚指示への追従能力を評価するベンチマーク
要約本論文は、複数の参照画像と多様な視覚指示（レイアウト、矢印、ポーズなど）を同時に用いる画像生成能力を評価する、1,241タスクからなるベンチマークVIF-Benchを提案しています。主な知見は、視覚指示への追従性が高まると生成画像の指示由来のアーティファクトも増えること、参照画像に制御対象属性が強く表れている場合は追従性が下がること、視覚指示は文章で記述するより直接与えた方が良く、文章では過度に詳細でない程度が適していることです。
説明生成的インタラクション：二層潜在ダイナミクスによる複数人の人体動作の生成
要約本論文は、複数人の社会的インタラクションを生成する階層型の系列潜在変数モデルBRAIDを提案している。群全体で共有される相互作用の状態と、個人の振る舞いの状態を分けて表現し、社会的動作生成をデータセットや部分的な観測条件をまたいで適応するメタ転移学習問題として定式化している。統一されたSMPL表現のもとで、社会的予測、追跡・補完、応答生成を評価し、潜在空間が群レベルと個人レベルの構造を分離できることを示している。
説明クラス増分学習のための幅拡張手法
要約本論文は、過去のデータやタスク識別子にアクセスできない状況で、モデルが新しいクラスを順次学習しつつ既存の知識を保持する必要があるクラス増分学習（Class-IL）の課題を扱っています。正規化された損失基準に基づいて既存の層のニューロン数を動的に増やす幅拡張手法と、持続的なキー・バリューメモリを持つアテンション機構を提案しています。Split MNISTとSplit CIFAR-100で評価した結果、段階的な幅拡張は固定構造より一貫して性能を向上させ、アテンションとの併用が最も安定した効果を示しました。一方で、制御されない拡張は過学習と計算コストの増加を招く可能性があると指摘しています。
説明凍結された大規模言語モデルにおける回答の正しさ信号の所在
要約本論文は、凍結されたモデルの一回の順伝播から、追加の生成なしに回答が正しいかどうかを内部信号で予測できるかを検討しています。隠れ状態、トークン確率、残差ストリームの特徴、注意機構、およびそれらの融合など複数の信号群を比較し、閉じた本の設定と文脈ありの設定の両方で分析しています。その結果、正しさの情報は主に回答部分に集中し、各信号群は相補的であり、単一信号が最も弱い分布外の状況で融合が特に有効であることが示されています。
説明三次元CTにおける肺結節の悪性度評価に対するマルチタスク形態概念学習の検証
要約本研究はLIDC-IDRIデータセットと病変中心の三次元CT画像を用い、悪性度リスクのみを予測する単一タスクの三次元畳み込みニューラルネットワークと、悪性度・スピキュラ（棘状突起）・分葉を同時に予測するマルチタスクモデルを比較した。形態学的特徴を加えても悪性度リスクの分類性能は明確には向上せず、クラスバランス、ラベル設計、読影者レベルの注釈構造の重要性が示された。
説明GARDiff：確率的多変量時系列予測のためのグラフ整合型残差拡散モデル
要約本論文は、分離型拡散予測フレームワークにおいて、確定的予測から導出された依存グラフが残差の依存構造とエッジ単位で不整合を起こし、そのまま拡散条件として使うと信頼できないことを指摘しています。提案手法GARDiffは、残差の不確実性を推定して構造を調整し、逆拡散の各時間ステップでエッジを疎化することで、グラフ条件を広い依存集約から局所的な残差の精緻化へ段階的に移行させます。著者らは、6つの実世界ベンチマークで強力なベースラインより確率予測性能と不確実性の較正が向上したと報告しています。
説明Honeycomb：ビデオワールドモデル向けの固定サイズ・シーンメモリ表現
要約本論文は、ビデオワールドモデルのためのシーンメモリ手法 Honeycomb を提案します。中核は HexMemory と呼ばれる低ランク表現で、6 つの空間・時空間平面に固定サイズでシーン特徴を保存します。新しい映像チャンクは平面特徴に書き込まれ、既存の特徴と融合されます。読み出し部は HexMemory から潜在変数を取り出し、後続の映像生成を条件付けします。WorldScore と RealEstate10K での実験により、生成品質と再訪時の一貫性が良好であり、生成中もメモリ量が一定に保たれると報告されています。
説明読者の習熟度が大規模言語モデルの層ごとのサプライザル分布にどう影響するか
要約本研究は MECO L2 の視線追跡データを用い、語彙習熟度の高い読者と低い読者について、初回通過注視時間と総注視時間が大規模言語モデル（LLM）の各層のサプライザルとどう関係するかを比較しています。予測深度（Predictive Depth）という指標で、予測力がモデルの層にどう分布するかを測り、12 のモデルで検証しています。結果として、語彙習熟度の低い読者は初回通過注視時間で予測深度が深くなる傾向があり、総注視時間ではその差が小さいことが示されています。
説明WISE-ATTA：予算制約付き能動的テスト時適応で、いつラベルを求めるか
要約本論文は、テストバッチの一部にのみラベルを与える予算制約付きの能動的テスト時適応（ATTA）を提案しています。著者らはWISE-ATTAを提案し、オンラインで計算される軽量な信号に基づいてテストストリーム上で監督を割り当て、監督が最も有用と思われる期間を優先します。選ばれたバッチには、ドリフトに基づくサンプル選択基準を用い、単一のラベル付きサンプルで効果的に更新できるようにしています。ImageNet-CおよびImageNet-R/K/Aでの評価では、大幅に少ないラベルで既存手法と同等以上の性能を示しました。
説明EngiWorld：専門的なエンジニアリング環境で最先端エージェントは何を実現できるか
要約本論文は、1,301件の専門家が作成したタスクからなるベンチマーク「EngiWorld」を提案しています。CAD、CAE、CAM、BIM、EDA、DCCの6つの工学分野と26種類の専門ソフトウェアを対象とし、GUIとCLIの両方のインターフェースを含みます。評価は統一された分野別検証器を用いて成果物を中心に行われ、幾何学的妥当性、物理的実現可能性、設計規則への適合性を確認します。七つの最先端モデルの評価では、最も高い性能のモデルでも44.7/100にとどまり、複数ソフトウェアの連携が必要なタスクの成功率は3.6%でした。
説明PAIQ：残差回転によるパッチ対応の意味注入手法
要約本論文は、言語整合型視覚エンコーダ（SigLIP）と自己教師あり視覚エンコーダ（DINOv3）の特徴を融合するPAIQフレームワークを提案します。DINOv3のパッチ特徴を空間的基盤とし、共有の直交変換Qによって SigLIP 特徴の差分を注入し、残差のノルムと角度関係を保持します。学習対象は投影層と融合パラメータのみで、融合後も196個の視覚トークンを保持します。画像説明と視覚的質問応答で、単一エンコーダ構成より正答性が広く向上し、幻覚の深刻度が低下したと報告されています。
説明共有制御による介入からの学習：個人化された追い越しのための文脈駆動型加速度プロファイル予測
要約適応走行制御（ACC）は一般的な運転者に合わせて調整されるため、高速道路での追い越しなどの時間的制約が厳しい操作では、個々の期待と車両挙動が一致しないことがあります。本論文は、運転者のスロットル介入を人間が関与する監視信号として捉え、個人化ACC（CoP-ACC）と呼ぶデータ駆動型フレームワークを提案します。教師なし階層クラスタリング、文脈分類器、残差回帰器を組み合わせ、個人化された加速度プロファイルを生成します。実路データでの評価では、高い再構成精度と、介入が想定される文脈で運転者の期待する挙動に近づく結果が示されています。
説明Med-RADIO：多教師蒸留によりすべての医療領域を一つに統合する手法
要約本論文は、複数の領域専門の教師モデルの相補的な知識を、統一された医療視覚基盤モデルへ圧縮する多教師蒸留フレームワーク Med-RADIO を提案している。通常モデルと専門モデルの教師を選び、画像モダリティに合わせて蒸留ストリームを割り当てて事前学習データを再編成し、単一の教師が蒸留を支配しないよう平衡損失を用いる。五つのモダリティにまたがる内部・外部の分類ベンチマークで、線形プロービング下において強力な医療汎用モデルを上回り、評価した多くのモダリティで代表的な専門モデルと競合する。
説明モデルは多様体を操作しないとき：比較タスクの幾何学（モデルが内部で数値をどう比べるかを調べた論文）
要約本論文は、オープンウェイトモデル Qwen2.5-7B-Instruct の数値比較タスクにおける内部表現の幾何学を分析しています。数値は曲線的な幾何構造を示すものの、モデルは主に線形表現に依存して比較を行うことがわかりました。具体的には、2つの数値を残差ストリーム上の共有空間に集約し、MLPニューロンが局所区間で比較して最大値の位置を求めます。この傾向は3つの数値を比べる場合にも見られます。
説明スペクトルスキルによる表現力と合成性を備えた動作表現の学習
要約本論文は、プランナーとコントローラーをつなぐ潜在表現「スペクトルスキル（spectral skills）」を提案します。入力の再構成ではなく後続の動作を予測する形で学習し、短い動作区間をコンパクトに符号化します。29自由度のヒューマノイドでは、スペクトルスキルを条件とする制御器が最先端手法に比べ全体追従誤差を62%削減しました。同じ固定制御器は、個別に符号化したスキルを別の遷移ポリシーなしで連結でき、互換性のある基本スキルに直交方向を加えることで訓練データにない新しい動作も合成できます。実験はUnitree G1で行われました。
説明LEMON-ZEST：進化情報に基づくトークン化による効率的なタンパク質言語モデリング
要約本論文は、多重配列アラインメントの保存領域から作成した進化情報付き語彙ZESTを提案し、タンパク質配列のトークン化段階で生物学的な事前知識を組み込む手法を示しています。これを基に、タンパク質配列間の遠縁相同性を検出する200Mパラメータのモデル LEMON を提案し、単一のH100 GPUで1週間学習させたとしています。小型ながら600Mから3Bパラメータの既存モデルを上回る結果を報告しています。
説明KUPAS MASTER：熟練実務者の暗黙知を、エージェントが使える経験コーパスに変換する仕組み
要約本論文は、作業記録と実務者へのインタビューを、大規模言語モデルのエージェントが利用できる、追跡可能で再利用可能な経験コーパスに変換するプラットフォーム KUPAS MASTER を提案しています。20 人の実務者から許可を得たサンプルの 1,576 件のソースファイルを処理し、23,024 件の個人経験記録と 13,113 件の組織資産を生成しました。評価では、基盤モデル、生コーパスを用いた検索拡張生成（RAG）、KUPAS MASTER エージェントがそれぞれ 70.63、79.75、89.58 点を得て、エージェントは七つの評価項目すべてで生コーパス RAG を上回りました。
説明MeanFlowAdvantage：少ステップ平均速度生成器向けの安定した報酬ファインチューニング手法
要約本論文は、平均速度生成器に対する符号付き優位度重み付き最小二乗目標であるMeanFlowAdvantageを提案します。共有の切り離されたMeanFlow導関数補正により、報酬目標を予測空間で表現しつつ、推論で用いる平均速度写像に直接作用させます。SD3.5-Mediumでは、4ステップのMeanFlowNFTベースラインを8指標すべてで上回り、4回のNFEで40ステップのDiffusionNFTベースラインに8指標中6指標で並ぶか上回りました。同じ目標はDNAプロモーター設計にも適用されています。
説明検索・再現・解明：検索拡張型ソフトウェア脆弱性検出の分析
要約本論文は、六つのオープンソースの検索拡張型ソフトウェア脆弱性検出システムを、オープンウェイトモデルの下で実験を再現し、共通のデータセット・指標・モデル群による統一ベンチマークで比較しています。また、各パイプラインを入力抽象化、知識検索、検出の三段階に分解して分析しています。その結果、システムごとに再現性の差が大きく、公表された性能は統制された評価では必ずしも再現されず、使用モデルに強く依存することが示されました。理想的な知識検索を用いても、ペアワイズ精度は0.51にとどまり、検索性能だけでは信頼できる検出は保証されないことが分かりました。
説明プライバシーはどこに置くべきか：グラフ上の私的反事実説明の配置診断と認証付き選択
要約本論文はグラフニューラルネットワークの反事実説明について、グラフを先に私有化する方法と、元のグラフで説明してから摂動する方法の両方に欠陥があると指摘します。著者らはPrivCFSを提案し、データに依存しない固定の候補集合から反事実を選び、指数機構により公開されるオブジェクト全体に対して純粋なε差分プライバシーを与えるとしています。原文ではε=8で有用性の多くが保たれると報告されており、公開情報の開示に伴うコストも論じられています。
説明AIネイティブ6Gロボット協調のための意味地図共有と能力考慮型カバレッジ計画
要約本論文は、捜索救助などで用いられる空地混成ロボットチーム向けに、エッジ中心で意味認識を備えたカバレッジ計画の枠組みを提案します。空中観測を小型の意味グリッド地図に変換し、各ロボットの能力に応じて通行可能な領域のみを割り当てる経路を計画します。完全な地図の定期送信の代わりに意味的修正を送信することで、高頻度更新時のアプリケーションペイロードを約82分の1に削減します。比較実験では、提案手法が91.5%のカバレッジを達成し、能力上実行不可能な割り当ては発生しませんでした。一方、LS-MCPPは78.8%のカバレッジで、能力上実行不可能な割り当て率は21.5%でした。
説明観測データ尤度を用いた、欠損データからの因果正規化フローの学習
要約本論文はMissCNFを提案し、欠損のあるデータから因果正規化フロー（CNF）を直接学習する手法を示す。各部分観測サンプルの周辺尤度を最大化するため、行の削除や補完データセットの作成は不要である。八つの合成因果ベンチマーク、三種類の欠損機構、最大90%の欠損率による実験では、多くの非線形設定でKLダイバージェンスと反事実誤差が削除法や補完後学習法より小さいと報告されている。線形構造方程式モデルでは、上位2位に入る設定も多いとされる。
説明コーパス誘導型デュアル経路伝播によるグラフ検索拡張生成
要約本論文は、関係を持たないTri-Graphに、共起と意味的類似度から構築したコーパスレベルのエンティティ近傍構造を加えるNexusRAGを提案する。近傍制約付きの意味伝播と隣接エンティティ間の構造伝播という二つの経路で関連エンティティを広げ、Personalized PageRankの段落初期化にも利用する。三つのマルチホップQAベンチマークとGraphRAG-Benchのドメイン別サブセットで既存手法を上回り、サブセットではすべての質問カテゴリで証拠再現率が最も高く、基準手法を4.2〜8.1ポイント上回った。
説明サービス率が文脈に依存する場合の学習と非プリエンプティブ型スケジューリング
要約本論文は、単一サーバーの待ち行列システムにおける非プリエンプティブな文脈付き待ち行列バンディット問題を扱う。各ジョブは文脈ベクトルで表され、完了確率はパラメータ未知のロジスティックモデルで決まる。サーバーは、サービス結果から学習しながら、どのジョブを処理するか、あるいは待機するかを決める。提案手法 Learn–Clear–Plan（LCP）は、有限期間のベルマン再帰を用いて期間に応じた決定を行い、キュー長の後悔を Õ(√(d/T)) に抑える。T≥d² の場合には、対数因子を除いて最適であることも示されている。期間が未知の場合には、推定版 SEPT アルゴリズムが追跡誤差 Õ(√(d/t)) を達成する。
説明文脈内の画像は10次元に値するか？——大規模視覚言語モデルにおける共有判別幾何の研究
要約本論文は、大規模視覚言語モデルが文脈内学習で画像をどのように表現するかを検討しています。モデルは初期層で視覚表現の次元削減を行い、すべての画像分類タスクで共有される低次元空間を形成し、文脈内の画像を分類に使える線形分離可能な表現へ圧縮することを示しています。さらに、線形自己注意が主成分への射影によって次元削減を実現できることを理論的に示し、学習済みモデルも類似の仕組みで次元削減していることの証拠を提示しています。
説明EnterpriseBench：企業の戦略的推論・意思決定におけるLLMエージェントを評価するベンチマーク
要約本論文は、静的な質疑応答から動的な意思決定までの幅広い能力について、LLMエージェントを評価するベンチマーク「EnterpriseBench」を提案しています。既存の企業・金融QAデータセットを能力と難易度で整理した基礎スイートに加え、コンサルティング、サプライチェーンのシミュレーション（ビールゲーム）、企業デジタルツインの3つの対話型設定を含みます。実験の結果、現行のエージェントは企業シナリオで安定した、包括的かつタスク横断的な信頼性をまだ実現できていないことが示されました。
説明証拠を追跡する：視覚言語推論における忠実なトークン帰属（VTrace）
要約大規模視覚言語モデルの回答の根拠となる画像や文章の証拠は特定しにくい。本論文は、中間推論を通じて入力の寄与を追跡し、モダリティ間で帰属スコアを較正して入力トークンを統一的に順位付けするVTraceを提案する。6つの視覚推論ベンチマークで7つのベースラインと比較し、より高い帰属の忠実性を示したと述べている。
説明Exemplar2VQA：マルチエージェント・コーディングによる、事例駆動型でスケーラブルな視覚的質問応答データ生成フレームワーク
要約論文は、マルチモーダル大規模言語モデルの空間的知能が、複雑で大規模な3D質問応答データの不足によって制約されていると指摘しています。Exemplar2VQAは、協調する複数のエージェントが幾何学ユーティリティのライブラリを使ってコードを決定論的に実行し、シミュレーション環境で空間的な質問応答ペアを生成します。Exemplar2VQAで合成した室内データのみでQwen2.5-VL（3B/7B）を微調整すると、複数のベンチマークで性能が大きく向上し、屋外や混合シーンにも効果が及ぶとされています。
説明テクスチャ空間マテリアル拡散：テクスチャ空間で3Dオブジェクトの高品質なマテリアルを生成する手法
要約本論文は、3Dオブジェクトの高品質なマテリアルをテクスチャ空間で直接生成する手法を提案しています。事前学習済みの動画拡散Transformerを微調整し、テキスト誘導のマテリアル生成、マルチビューからのマテリアル生成、マテリアルの超解像に用いています。画像空間からテクスチャ空間への既知の投影を利用するため、任意の形状やテクスチャ parameterization に一般化でき、動画・マルチビュー拡散モデルに固有の視点間の一貫性の問題も回避します。8K解像度、100以上の入力視点、ニューラルマテリアル表現にも対応するとされ、定量・定性評価で最先端の結果を示しています。
説明RACE：異種グラフニューラルネットワークのための関係レベル反事実説明
要約本論文は、異種グラフニューラルネットワークの予測を説明する手法RACEを提案する。全探索により予測を覆す最小の関係削除集合を求め、それを型付きのエッジ集合に絞り込んで検証する。複数のデータセットで、RACEは最強のベースラインより反事実の成功率が高く、削除するエッジも少ないと報告されている。
説明有向データを埋め込むためのフィンスラー幾何的アプローチ
要約多くのデータは本来的に方向性を持つが、一般的なスペクトル埋め込み法は対称化してその情報を失う。本論文では有向データを、進行方向に依存する距離をもつフィンスラー多様体からのサンプルとみなし、非対称距離から作られるカーネル作用素を研究する。その対称部分は幾何を、反対称部分は方向性を表す一階の輸送作用素に対応することを示し、対応するグラフ作用素が有限サンプルから構成されても、これらの極限へ一様かつ概収束することを証明している。Randers計量の場合、そのベクトル場は明示的に得られ、多様体構造と基礎となるドリフトを復元する。
説明VoxelSage：肝腫瘤の3次元CT解析と、シミュレータで制約した順次切除計画のためのツール拡張型システム
要約本論文は、肝腫瘤の術前評価のためのマルチモーダルシステム「VoxelSage」を提案しています。2次元・3次元の可視化、腫瘤解析、切除計画を一つのワークフローで行えるものです。言語モデルによる処理の調整と画像計算を分離する二重ポート構成を採用し、物理的な測定は画像側で行われます。256の未見のシミュレーション場面において、決定論的ベースラインと比べ平均模擬所要時間が0.886分、模擬出血量が116.995mL減少しました。ただし、これらはシステム統合とシミュレータ上の性能を示すもので、臨床上の有効性や安全性を示すものではありません。
説明System One モデル Jev の評価とベンチマーク：テキストを生成せず、選択肢や確率だけを返す商用判断モデル
要約Jev は TypeSafe AI が提供する商用の System One モデルで、テキストは生成せず、固定された選択肢からの選択、評価基準上の位置、陳述が真である確率を返します。著者は 37 のデータセットで jev-1.13.0 をゼロショット評価し、合計 346,009 件のリクエストを用いて、Qwen3.8-27B および Gemma-4-E4B と比較しました。Jev は 37 件中 27 件で Qwen を上回り、全 37 件で Gemma を上回りました。三つのモデルはいずれも低資源言語、細かい粒度や雑音のあるラベル、評価基準に基づく品質判断で精度が低下しました。
説明単一の潜在空間を超えて：長期計画のための二重潜在世界モデル
要約本論文は、局所的な実行と長距離の計画をそれぞれ異なる状態表現と動力学モデルで担当させる二重潜在世界モデル（Dual-WM）を提案しています。高次モデルは学習したマクロ行動で上位の計画を立て、加えて重み付きロールアウトによる長期表現学習（LoRe）も提案されています。五つの目標条件付き視覚制御タスクで、目標オフセット50および100ステップの平均成功率はそれぞれ75.9%から84.4%、61.4%から69.5%に向上したと報告されています。
説明接続性スペクトルの平坦化：fMRIエンコーダの事前学習目標を生む機能的接続のスペクトルフィルタ
要約本論文は、機能的接続（FC）行列に対するカーネル・リッジ回帰が個人の表現型予測で高い精度を示す理由を検討し、FCの固有値が表現型予測に対して較正されていないと指摘します。著者らは効率的なスペクトルフィルタで各被験者のFC行列の固有値を再較正し、5つのデータセット、11種類の脳領域分割、6つの予測目標でベースライン以上の結果を示しました。さらに、162の公開データセット由来の約4,000時間のfMRIで小型エンコーダを事前学習し、埋め込みの類似度を再較正後の接続性と整合させたところ、テストした6つの既存の脳基盤モデルの中で最良のものに匹敵し、パラメータ数は一桁少ないと報告しています。
説明Zero2Repo：コーディングエージェントはゼロからリポジトリを構築できるか
要約本論文は、要求仕様書、インターフェース契約、空のワークスペースを与えられたエージェントが、プロジェクトのネイティブな環境で完全なリポジトリを構築するベンチマーク Zero2Repo を提案します。タスクは実在するオープンソースプロジェクトから自動生成され、隠された受け入れテストで判定され、LLM による評価は用いません。最も強いエージェントでも 11 タスク中 10 件しか解けず、失敗した提出物も隠しテストの 90～99% に合格しました。
説明対照学習型視覚言語モデル向けのターゲット付き視覚的反事実説明（MACE手法）
要約CLIPなどの対照学習型視覚言語モデルに対する既存の説明手法は、重要な領域を示すことが中心で、目標の予測を得るために入力をどう変えればよいかは示せません。本論文はMACE（Mask-guided Adaptive Counterfactual Explanations）を提案し、マスクで誘導される編集可能領域を用いて、潜在拡散インペインティングモデルと固定したCLIPで目標クラスへの変更を行います。ImageNet、Food-101、Oxford Pets、CUB-200での評価では、ソースマスク版が目標Top-1成功率で最も高く、差分マスク版は画素レベルと知覚的な変化が最小で、リアリズム評価が最良でした。両者ともStable Diffusionのみのベースラインより近接性とリアリズムで優れています。反事実の有効性と元画像の保持との間にはトレードオフがあることも示されています。
説明OPMD：出力監督を超える同方策メカニズム蒸留
要約本論文は、言語モデルの蒸留を改善する同方策メカニズム蒸留（OPMD）を提案しています。従来の同方策蒸留（OPD）は生徒モデルの出力のみを監督しますが、OPMDは教師モデルの中間計算過程を生徒に移します。まず生徒と互換性のある教師を構築し、教師の表現を生徒の後続計算に使える中間状態へ変換した上で、同方策の軌跡からその状態を内在化させます。著者らは、3つの教師・生徒の設定すべてで評価された蒸留ベースラインの中で平均精度が最も高く、多教師蒸留や異なるモデル系列間の教師あり微調整にも一般化できると報告しています。
説明共言語学：AI支援による言語学理論の構築
要約本論文は、AIを理論の構築と評価を助ける「共同科学者」として用いる「共言語学（Co-Linguistics）」を提案している。AIは既存理論を完全に明示化し、競合する理論を比較し、新しい理論を提案できるほか、重要な予測の特定と検証を加速できるとされる。一方で、科学的方向性や概念的評価は言語学者が担い、LLMでは扱えない経験的予測の検証には人間の被験者が必要だと述べている。
説明RLTLDR：自己生成フィードバックの内在化による自己改善
要約本論文は RLTLDR 手法を提案する。エージェントは失敗するたびに検証器の出力を受け取り、そこから TL;DR 形式の短い洞察を自ら書き、以降の試行はそれまでの洞察を文脈として進められる。さらに、タスクから洞察への対応関係を内在化するよう学習させる。困難な工具呼び出しとコーディングのデータセットでは、標準的な GRPO の Pass@1 が 0%〜1% にとどまったのに対し、RLTLDR は 14%〜31% に達し、評価時に洞察を与えない場合でも 12%〜13% を示した。
説明ProCTI：プロトタイプで洗練したグローバル条件付けによる拡散型時系列補完
要約時系列補完（欠損値の穴埋め）は、拡散モデルにより高い性能を示すようになっています。しかし既存手法は主に局所的な窓の情報に依存し、データセット全体の構造は十分に活用されていません。本論文は、学習されたプロトタイプを通じて全体的な事前情報を取り出し、局所信号と組み合わせて逆拡散を条件付けるProCTIを提案します。ベンチマークでは、ランダム欠損下で全体的に強いベースラインを上回り、属性単位の欠損下でも競争力を保つと報告されています。あわせて、この全体条件付けが補完精度を向上させる条件についての理論解析も示されています。
説明Procedural Core：ビジョン Transformer 向けのコンパクトな再帰的初期化手法
要約本論文は、手続き的に生成された抽象データで小さな再帰型 Transformer を学習し、その重みを任意の幅と深さの Transformer の初期化に展開する Procedural Core を提案している。画像分類、自己教師あり視覚学習（DINO）、自然言語とコードのモデリングで性能向上が見られたと報告している。ImageNet 分類、ゼロショットセグメンテーション、物体位置推定、深度推定などでも改善を示し、再帰構造がモデル間で転移可能なコンパクトな重みの獲得に不可欠だと論じている。
説明SPLASH：LLM推論におけるアテンションの並列レイアウトを実行中に切り替える仕組み
要約本論文は、リクエストの実行中にアテンションの並列レイアウトを切り替えるSPLASHシステムを提案しています。現代のアテンションではKVキャッシュの配置と重みの分割が分離できる性質を利用し、切り替えのオーバーヘッドをほぼゼロに抑えています。また、新しいレイアウトDOPを導入しています。B200 GPU上のGLM-5.3での評価では、固定レイアウトの構成に比べてエンドツーエンドのスループットが1.3〜1.73倍向上したと報告されています。
説明削除ではなく修正：是正的な教師あり学習による創発的ミスアラインメントの緩和
要約本論文は、有害な医療アドバイスなどで言語モデルを微調整すると、無関係な質問にも広くミスアラインメントが生じる現象（創発的ミスアラインメント）を扱う。同じ有害データを削除するより、正しい回答に置き換える方が、この現象の発生率を約3分の1減らし、医療質問への回答も改善したと報告している。削除では目立った効果は見られなかった。
説明AS²D：モバイル機器でのオンデマンド音声理解を高速化する手法
要約本論文はAS²D（Audio Speculative Speculative Decoding）を提案し、音声言語モデルの推論を高速化します。音声条件付きのドラフトモデルが大規模モデルの生成済みテキスト接頭辞に従わず独自に候補を生成し、大規模モデルが並行して検証・修正を行うため、ドラフト作成と検証を同時に進められます。Androidの4機種、7データセット、3タスク（計12.2時間の音声）での実験では、大規模モデル単独の復号と比べてASRのスループットが42〜76%向上したと報告されています。
説明言語モデルの権威バイアス：情報源への追従とユーザーへの同調は同じではない
要約本論文は、誤った回答に「検証済みの情報源」が付いていると言語モデルが受け入れやすくなるかを検討しています。5つのオープンウェイト系列と3つのクローズドAPIで、誤答を支持する信頼できる情報源の注記によって、8モデル中7モデルで元々正答していた回答の45～88%が変わり、情報源が権威的に見えるほど追従が強まることが示されています。モデル内部では情報源への追従とユーザーへの同調を別々に操作でき、両者は分けて評価する必要があるとされています。
注目点ソース追従とユーザー同調がモデル内部で分離可能であることを、因果的介入と複数モデル族・APIで示し、影響は広い。
説明LEGO-OPD：マルチモーダルのオンポリシー蒸留のための分解型教師合成法
要約本論文はマルチモーダルのオンポリシー蒸留（OPD）に向けたLEGO-OPDを提案している。言語専門家が与える事前分布と、視覚的グラウンディング専門家が与える視覚尤度を分けて組み合わせ、一つの教師分布を作る。これにより言語推論と視覚的グラウンディングを独立に制御できる。さらに適応的キャリブレーションにより、視覚尤度が言語事前分布をどの程度更新すべきかを決める。Qwen3モデルを用いた実験では、評価された単一教師・多教師のベースラインを上回り、テキストのみの推論能力を保ちつつ学生モデルの視覚知覚を向上させたと報告されている。
説明PHASE：非圧縮性磁気流体力学の多領域モデリング手法
要約本論文は、単一のニューラル演算子で様々な物理パラメータの下での非圧縮性磁気流体力学（MHD）をモデル化するPHASEを提案している。転移学習、領域認識型適応、物理中心の学習、残差補正を組み合わせている。二次元MHD乱流において、物理場の相対L2誤差を従来のMHDニューラル演算子基準より一桁以上低減した。未知のパラメータ値にも再学習なしで汎化し、ケルビン・ヘルムホルツ不安定性でも不安定現象の模擬が可能であることを示した。
説明CoEvoke：マルチエージェント協調のための軌跡収集における協調行動の誘発
要約本論文は、マルチエージェントの軌跡収集時に制御された摂動で回復可能な困難を生み出し、限定的な参照ガイダンスで検証と修正を促すCoEvokeフレームワークを提案します。データセットは4,130のソフトウェア工程・推論タスクにわたる4,567本の再構成可能な軌跡を含みます。実験では摂動によりフィードバックが増え、同条件の学習でACPBench-Hardの成功率が35.38%から42.12%に向上したと報告されています。
説明TomoTransformer：CT再構成のための基盤モデルに向けて
要約疎なビューのトモグラフィ再構成に対する教師あり深層学習は、投影数・角度・検出器解像度・データ分布が変わると再学習が必要で、分布変化に弱いという課題があります。本論文はTransformerベースのTomoTransformerを提案し、局所的なフィルタ処理済み投影を1つのトークンとして扱い、自己注意で欠損ビューを予測します。反投影空間で動作するため、任意の数・角度・検出器サイズの入力と任意の目標角度に、再学習なしで対応するとされています。複数のベンチマークでViewTransを大きく上回り、シンクロトロンX線で取得したナノスケール脳データでもゼロショット汎化を示したと報告されています。
説明GraphVQ：文脈量子化グラフトークン上の構造認識型自己回帰デコード
要約本論文は、グラフ生成における構造上の難しさに対処するGraphVQを提案します。VQ-VAEでノード文脈を共有コードブックに量子化し、トークン由来のペア特徴に基づいて構造認識型デコーダが全体の隣接行列を生成します。4つのデータセットで、ペア条件付けによりオービットMMDが改善されたと報告されています。
説明独立した検証経路は独立ではない：衛星カタログ処理系における共通モード故障のケーススタディ
要約本研究は、データ処理系の検証ゲートが失敗した事例を分析しています。技術が異なる2つの計算経路が同じ定数を読み込んでいたため、同一の誤りを共有し、ゲートはそれを検出できませんでした。修正後も、作者らの3つの検査では検出されなかった42件の不一致が残っていたと報告しています。三つのモデルによる再現実験では、独立した検証用に生成された経路の大多数が誤った件数を算出しました。
説明いつ適応するか：オープン語彙セグメンテーションにおける学習不要適応のためのマルチシグナル領域シフト検出
要約本論文は、長期運用ロボットで環境変化により視覚基盤モデルのセグメンテーション性能が低下する問題を扱い、学習不要の継続的テスト時適応のための、マルチシグナル領域シフト検出手法を提案している。隣接フレーム間の視覚変化、アダプタのミスマッチ、意味的ドリフトを監視し、必要なときだけ適応を起動する。室内・屋外環境のベンチマークと実ロボットデータで検証され、セグメンテーション精度を維持しつつ適応回数を大幅に削減できることが示されている。
説明「最弱の環」：最悪ケース制約付き強化学習による大規模言語モデル推論の蒸留
要約論文は、大規模言語モデルの推論能力を小型モデルへ蒸留する際、検証可能な最終報酬だけを最適化すると、誤った中間論理を経て正解に至る報酬ハッキングが起きると指摘します。また、教師モデルとの軟らかい散度ペナルティでは、ある段階の深刻な論理違反を他段階の高い一致で補えてしまうとしています。著者らはこれを、軌道の各接頭辞における教師の対数尤度に対する最悪ケース制約付きの強化学習問題として定式化し、数学推論とコード生成で、正解率を保ちつつ教師制約違反を大幅に減らし、推論成功率が最も高いことを示しました。
説明BlenDAgger：対話型模倣学習のためのブレンド型共有制御
要約本論文は、介入時に共有制御で方策の動作と実演者の動作をブレンドし、模倣学習方策の学習データを収集するBlenDAggerを提案している。実世界の2つのタスクでは、典型的な人間ゲート型修正手法（HG-DAgger）より自律性能が高いと報告されている。また、方策制御と人間の介入の切り替えがより滑らかになり、学習データとの軌道類似度も高くなるとされている。
説明LLMの数学能力の転移は、話題よりも推論手法に従う
要約本論文は、LLMに数学の学習データを選ぶ際、主題で揃えるのと推論手法で揃えるのとではどちらが効果的かを検証しています。二つの平衡した2×2の設計で微調整を行い、解法は同じでも分野が異なるデータと、分野は同じでも解法が異なるデータを比較しました。評価したすべてのモデルと対象の組み合わせで、解法を共有するデータの方が優れており、数学の転移では推論手法が主題より有効な照合基準だとしています。
説明XU-RS：ランダム集合言語モデルにおける信頼幅（credal width）の説明手法
要約本論文は、ランダム集合言語モデルで答えの信頼幅（credal width、上限確率と下限確率の差で、限られた学習データに起因する認識的不確実性を表す）を入力トークンに帰属させるフレームワークXU-RSを提案する。期待勾配（Expected Gradients）によって各入力トークンの寄与を推定する。MedQAデータセットでSmolLM3-3BおよびLlama-2-7Bを用いて評価し、XU-RSで上位に順位付けされたトークンをゼロマスクすると、ランダムに選んだトークンをゼロマスクするより信頼幅が大きく変化することを示した。また、正規化の影響や数値誤差の隠蔽についても分析している。
説明テスト時適応型視覚言語ナビゲーションのためのクレジット誘導型方策改善（CGPI）：行動が引き起こす観測の変化から意思決定のクレジットを推定し、裏付けのある更新だけを残す手法
要約本論文は、未知の環境で分布の変化により視覚言語ナビゲーションの判断が目標からそれる問題を扱い、Credit-Guided Policy Improvement（CGPI）を提案している。事前学習済みのナビゲーション方策を凍結したまま、各行動が引き起こす観測の遷移から、符号付きで参照に対する相対的な意思決定クレジットを外部の結果フィードバックなしに推定する。このクレジットをもとに軽量な適応更新を提案し、以前にクレジットの裏付けがあった相互作用と照合して、裏付けがあるものだけを保持し、そうでなければロールバックする。評価されたベンチマークとナビゲーションのバックボーンで一貫した改善を示し、ロボット実験によりゼロショットのシム・トゥ・リアル転移の実現可能性も報告している。
説明FOCUS：学習不要でLLMエージェントの判断を保つ文脈圧縮手法
要約論文は、LLMエージェントの対話履歴がタスクの長さに比例して増え、推論コストが二乗的に上がり、注意の希釈によって性能が落ちると指摘しています。著者らは、テスト時のみで動作し学習を必要としないフレームワーク「FOCUS」を提案し、将来の判断に因果的に影響する過去のやり取りを見極めて圧縮します。任意のクローズドAPIモデルにモジュールとして組み込めるとしています。API呼び出し、質疑応答、Web、多ターン対話などのベンチマークで、ピーク文脈を最大48%、依存関係を73%削減し、タスク成功率を最大8.9ポイント向上させたと報告しています。
説明支援エージェントが情報価値推論により合理的に確認を行う手法
要約本論文は、言語ベースの支援エージェントが曖昧な依頼に対し、直接行動すべきか質問すべきかという問題を扱います。提案手法REVOIR（Rational Enquiry via Value-of-Information Reasoning）は、質問の情報価値、すなわち得られた回答によるタスク報酬の期待改善を推論時に評価します。曖昧な質問応答と家事計画の2課題で、訓練なしに少ない質問数でより高い成功率を示したと報告されています。
説明ReLMem：縦断的電子カルテモデリングのための再帰型メモリ学習
要約本論文は、凍結された大規模言語モデルに軽量な圧縮アダプタを加え、診察ごとに固定容量の患者メモリを再帰的に更新するフレームワーク ReLMem を提案しています。過去の記録を読み直す必要はありません。学習では多粒度の最適化を用い、中間段階で圧縮メモリと全履歴の注意出力を揃え、最終段階では正解に対する交差エントロピーで予測を監督します。電子カルテに基づく服薬予測では、F1 スコアが全履歴ベースラインに近づき、平均保存履歴量を 97.1% 削減しました。同じメモリ予算では、最強の圧縮メモリ基線に比べマクロ F1 とマイクロ F1 がそれぞれ 4.66 と 4.75 ポイント向上しています。
説明深偽造の進化とともに学習する：継続的な音声ディープフェイク検出のための RF-Prompt
要約本論文は、新しく現れる偽造手法を学びつつ既に遭遇した音声の識別能力を保つ、継続的な音声ディープフェイク検出を扱います。実音声を繰り返し現れる参照とし、新しい偽造メカニズムを段階的に追加する RAMI 評価プロトコルを提案しています。さらに、共有の実音声プロンプトと、偽造メカニズムごとに拡張される専門家を組み合わせる RF-Prompt 手法を提案しています。RAMI 上での平均 EER は 10.110%、プール EER は 10.370% で、評価したすべての継続学習ベースラインを上回ったと報告されています。
説明FedSocket：異種マルチモーダル連合学習のための受信側で実行可能な知識交換
要約本論文は、異なるモダリティ、非公開アーキテクチャ、タスクを持つ受信側が交換された知識を直接利用できるようにするFedSocketを提案しています。共有モジュールQが異種の非公開モデルを共通の予測インターフェースで接続し、交換されるのはQのパラメータと件数のみです。6つのデータセットで、MELDとUCF-51のモダリティ欠損時における受信側の精度が、ローカル学習と比べてそれぞれ14.44ポイント、15.51ポイント向上したと報告されています。
説明TReVS：テキスト関連性と視覚的顕著性を統合した、視覚言語モデルの効率的なトークン削減手法
要約本論文は、視覚言語モデル（VLM）の推論コストが大きい問題に対し、学習不要の二段階枝刈りフレームワークTReVSを提案しています。視覚エンコーダの後、大規模言語モデルの前に、テキストとの関連性と視覚的顕著性を組み合わせて冗長な視覚トークンを除去し、さらに分散の大きいアテンションヘッドを用いて言語モデルの浅〜中間層でタスクに無関係なトークンを削除します。LLaVA-1.5-7Bでは、視覚トークンの94.4%を削減しつつ、未削減のベースライン性能の92.8%を保持し、従来の最先端手法を上回りました。
説明オルンシュタイン＝ウーレンベック拡散は超えにくいが、超線形ドリフトは輸送コストを下げる
要約本論文は、Brešar と Mijatović の研究に対する検証である。後者は超線形ドリフトを除外する仮定の下で、オルンシュタイン＝ウーレンベック拡散が前向きの収束において超えにくいことを示した。著者らは超線形ランジュバン拡散をスコアベースの画像生成に適用し、Fokker-Planck方程式から条件付きスコアを数値計算した。実験では、超線形モデルがテストしたグリッドのほぼ全域で経験的 Wasserstein 距離においてベースラインを上回り、拡散時間による変動も小さかった。したがって前記研究の結論は普遍的ではないとしている。
説明ペアの難易度が重要：LLM審判の一対比較評価と一貫性を再考
要約本論文は、大規模言語モデルを審判として用いる際の信頼性を測る3つの指標（位置バイアス、推移性、一対比較の一致度）が誤解を招くと論じています。Bradley–Terryモデルの下では、これらの指標は順位差の小さいペアに支配され、順位の情報は順位差の大きいペアに含まれると指摘します。シミュレーションと2つの人手評価コーパスで検証し、順位差で条件付けた評価、理想的には人間の順位との比較を提案しています。
説明評価者の評価：AI生成画像評価のための大規模マルチモーダルモデルの診断
要約本論文は、AI生成画像の評価者としての大規模マルチモーダルモデル（LMM）の能力を、意味・品質・真正性・責任の4観点から体系的に測るベンチマーク「SQUARE-Bench」を提案しています。38の細分次元に基づき、22種のモデルで生成された約1万枚のAI画像と3千枚超の実画像を用いています。23のLMMでの実験では、Gemini-3-Proなどの商用上位モデルが個々の人間専門家の基準を上回った一方、モデル間の差は依然大きいことが示されました。さらに、LMMの診断フィードバックで画像編集を反復的に導く概念実証も行われ、意味・真正性・責任で選択的な改善が見られ、視覚品質とのトレードオフも確認されています。
説明ソース符号化におけるタスク範囲と情報保持についての論文
要約本論文は、符号化器の設計を機械向け（CfM）と人間向け（CfH）に二分することは、どの情報を破棄してよいかを判断する基準として誤解を招くと論じています。必要なビットレートはタスクの範囲、すなわち支援すべき予測、その損失と許容リスク、符号化器の観測、許される復号手順によって決まります。有限のタスク族へ拡張し、符号化器の観測を制限しても最小レートが保たれる条件を示しています。
説明MERGE：生成的拡張による検索のための複数LLMアンサンブル手法
要約本論文は、BM25検索を改善するためにユーザークエリを書き換えるMERGEフレームワークを提案している。3つの7〜8Bオープンソース大規模言語モデルがそれぞれ候補の拡張を生成し、より大きなモデルがそれらを一つのクエリに統合する。さらに、下流の検索性能で評価するタスク基盤の自動プロンプト最適化を組み込んでいる。5つのBEIRベンチマークで、BM25のnDCG@10は元のクエリに比べ2.1〜14.9ポイント向上した。
説明部首に分解してから報酬を与える：正確な中国語テキスト描画のための細粒度検査
要約本論文は、テキストから画像を生成するモデルが中国語の文字を正確に描画する課題を扱います。既存のOCRベースの強化学習報酬は文字を一つの単位として比較するため、部品と空間関係からなる漢字の構造を捉えられません。著者らは表意文字記述列（IDS）を用いてターゲット文字を分解し、専用の認識器で生成画像の部品と空間関係を照合するIDSpectを提案し、文字全体の意味報酬と組み合わせてGRPOで学習します。Qwen-ImageでLongTextとGenTextEvalを用いた実験で、構造品質と意味的整合性に優れた結果が示されたと報告されています。
説明質問リレーの悪魔：音声・映像大規模言語モデルにおける幻覚を抑制するソース条件付きリレー制御（SECRET）
要約本論文は、音声・映像大規模言語モデル（AVLLM）で、使用されていないモダリティの手がかりにより、必要なモダリティが裏付けない応答が生じる「ソース混乱型の根拠付け幻覚」を扱います。経路介入と表現分析により、質問の内部状態が必要な情報源の証拠と干渉する手がかりを同時に持つ「質問リレー」機構を明らかにしました。学習を必要としない手法SECRETは、この質問リレーでのモダリティ間干渉を緩和し、CMMとAVHBenchの両ベンチマークで既存手法を上回る結果を示しています。
説明RAVEN：有限アルファベットのマルチエージェント通信のための受信者条件付き行動価値符号化
要約本論文は、4記号の小さなアルファベットでマルチエージェント通信を行う RAVEN 手法を提案し、受信者が自身の状況で意思決定に影響する行動価値の差異を保持できるようにします。教師ありのオフライン版と教師なしのオンライン版（QMIX ベース）があります。8つのナビゲーション設定や複数のベンチマークで高いリターンや平均正規化スコアを達成し、各メッセージは2ビットです。
注目点受信者条件付き行動価値符号化を提案し、有限アルファベット通信の歪みを受信者の状況と結び付け、符号帳選択誤差の上界を与える。多環境で比較実験を行う。
説明未知の地域への沿岸洪水予測モデルの少数ショット転移のための、モデル非依存な物理誘導アダプター
要約ディープラーニングの代理モデルは、物理ベースの流体シミュレーターよりも桁違いに速く高解像度の沿岸洪水図を作成できますが、新しい沿岸地域へ転移するには、微調整用の対象地域データを生成するための多数の時間のかかるシミュレーションが必要です。著者らは、軽量でアーキテクチャに依存しないPhysics Adapter（PA）を提案します。PAは、地形標高と学習された水位を比較する微分可能な乾湿応答で水位を予測し、学習ゲートを介してデータ駆動分岐と融合します。PAの追加パラメータは非常に少数です。K=3の低サンプル設定では、PAを加えることで、出力ヘッドのみを調整した場合にRMSEが平均11.5%、PEFTと併用した場合に15.4%、完全微調整の場合に22.9%低減しました。
説明直交しつつ結合：モデルマージのための幾何成分の分離
要約本論文は、モデルマージのための分離型幾何認識フレームワーク DiGA を提案している。事前学習済みの重みを共有の幾何的基準とし、各タスクベクトルを異なる幾何的属性に対応する成分へ直交分解し、それぞれの部分空間で独立に集約してから統一的な更新に再結合する。著者らは、この手法が既存の多くのマージ手法に組み込め、多様なモデル・タスク・手法での実験で、マージ後モデルの性能向上と能力低下の抑制が示されたと述べている。
説明APM-Bench：エゴセントリックなストリーミング映像アシスタント向け、セッションを跨ぐ永続メモリのベンチマーク
要約本論文は、現実の断続的な映像インタラクションを複数セッションの生活軌跡として再構成したベンチマーク APM-Bench を提案しています。549 セッション、104 軌跡、2,719 の候補を含み、過去のセッションについての質問への回答と、主体的な応答を評価します。既存手法は、長期的な想起の信頼性、低オーバーヘッド、セッションを跨ぐ主体的支援を同時に満たすことが難しいと示されています。
説明創薬におけるin silico毒性予測のためのグラフベースモデルのベンチマーク
要約本論文は、グラフ深層学習（GDL）に基づく化合物の毒性予測モデルを、統一された標準化ベンチマーク枠組みで比較したものです。一貫した実験条件のもと、複数のデータセットと分割方法を用いて20以上の代表的手法を系統的に評価し、文献分析も加えています。ベンチマーク枠組みはオープンソースソフトウェアとして公開されています。
説明信頼できるLLMベースのロボット計画のためのリスク考慮型意味的グラウンディング手法
要約本論文は、大規模言語モデル（LLM）をロボットのナビゲーション計画に用いる際、指示があいまいだったり環境に対応していなかったり意味的に矛盾したりすると出力が信頼できなくなる問題を扱っています。著者らは、計画の前に曖昧さ、幻覚、意味的衝突の三種類のリスクを推定し、指示を実行するか、確認を求めるか、拒否するかを決める枠組みを提案しています。また、通常のナビゲーションタスクとリスクを誘発する指示を含むベンチマーク「TRUST-NAV」を導入しています。実験では、提案手法が曖昧さの検出と意味的衝突の拒否を大きく改善することが示されています。
説明非線形WDM光ファイバリンクにおけるエンドツーエンド光セマンティック通信
要約本論文は、非線形波長分割多重（WDM）光ファイバ通信路上で画像の分類と再構成を行うエンドツーエンドの光セマンティック通信システムを提案している。システムは明示的な情報源圧縮や通信路符号化を用いず、画像をタスクに関連する情報を保持した固定長のチャネルシンボル列へ直接写像する。MNISTデータセットでの実験では、0 dBmにおいて、試験したすべての伝送距離と変調方式で分類精度が98.92%から99.31%を維持し、LDPC符号化JPEGベースラインより少ない送信シンボル数で済むことが示された。
説明推薦フィードバックはエージェントの記憶をどう進化させるか：遅延フィードバックで記憶を更新するTIDEフレームワーク
要約本論文は、コンテンツ生成エージェントが推薦システムから受け取る遅延し雑音を含む結果フィードバックを用いて、外部記憶を進化させる方法を扱います。著者らはTIDE（Trajectory-Informed Directed Memory Evolution）を提案し、時間的・意味的なクレジット割り当てで文脈への適合度を推定し、生成時に参照された記憶へ責任クレジットを配分して、記憶の強化・交叉・変異・削除を行います。また、将来のタスクにおいて記憶なしの基準と比べた効用向上を測る指標MEG（Memory Evolution Gain）を導入しています。
説明RunyaNER：ルニャンコレ語の固有表現認識における補助言語選択の研究
要約本論文は、東アフリカの言語ルニャンコレ語（Runyankore）向けに初めて公開された固有表現認識（NER）ベンチマーク「RunyaNER」を紹介します。約3万文、23万7千語以上の注釈付きデータを、半自動パイプラインで作成し全件を人手で検証しています。事前学習モデルでの評価により、データの品質と規模が有効なモデル構築に十分であることを示しています。さらに、言語横断ゼロショット転移と多言語微調整における補助言語の選び方を分析し、ラベル付き学習スパンから計算した埋め込みベースの指標が、メタデータや類型論に基づく従来の言語特徴よりも転移性能とよく相関すると報告しています。
説明SkillGym：自動生成される検証可能な環境でスキル利用エージェントを訓練する手法
要約本論文は、インターネットからスキルを収集し、オフラインで再現可能なワークフローのみを残して、検証可能な環境、軌跡、スキル利用エージェントの訓練を自動で行うパイプラインSkillGymを提案しています。構築者と審査者の二者による仕組みで、難易度を調整したタスクを4種類作成し、それぞれに参照解答と実行可能な検証器を付けています。6.8k個の環境と19k件の検証済み成功軌跡を集め、教師ありファインチューニングに用いたところ、2Bから122Bパラメータの各系列のモデルが4つのベンチマークで改善しました。
説明不良な種を取り除く：テキストから画像を生成する拡散モデル向けの、初期ノイズに頑健なアンラーニング手法
要約論文は、現在の最先端の忘却（アンラーニング）手法が初期ノイズに対して脆弱であり、特定の乱数ノイズ条件では抑制したはずの概念が再び現れると指摘し、これを「確率的忘却」と呼んでいます。原因はアンラーニング中の標準的なガウス分布サンプリングと忘却目標の不一致にあるとされ、著者らは対象概念が現れるノイズ領域に勾配更新を集中させる、概念条件付きの適応サンプリング手法を提案しています。複数の既存手法と組み合わせ、四種類の拡散モデルで評価したと述べています。
説明適応的オプティマイザが希少トークンを過小評価する理由
要約本論文は、Adam、RMSProp、sign descentなど座標ごとに適応的に正規化する最適化手法が、softmax出力層で希少トークンを系統的に過小評価する理由を分析する。平均出力埋め込みを保つ手法と保たない手法を特定し、ユニグラムモデルではRMSPropの不動点を閉形式で導出して、出現頻度の低いトークンの均衡確率がデータ頻度を下回ることを示す。既知の生成分布から学習した小規模言語モデルでも、バイアスのある不動点を持つ手法は生成分布へのフィットが悪い。
注目点適応的最適化手法が希少トークンの出力埋め込みを系統的に過小評価することを示し、閉形式の不動点を導出、単語モデルと小規模言語モデルで検証している。
説明E-MoE：非因子化拡散言語モデルのための拡張混合エキスパート手法
要約マスク付き拡散モデルは各ステップで複数のトークンを同時に復元しますが、逆過程は通常位置ごとに因子化されており、少ステップ生成時の品質が制限されます。本論文は、混合エキスパート（MoE）バックボーンのルーティング決定を離散的な共有潜在変数とみなし、その上で因子化分布の混合として逆過程を構成するE-MoEを提案します。有効パラメータ数は因子化ベースラインから増やしていません。著者らによれば、合成マルチモーダルベンチマーク、二値化MNIST、LM1Bにおいて、少ステップ生成の性能が因子化ベースラインを上回ります。
説明DScale：適応的検証によるブロック拡散型投機的デコードの拡張
要約本論文は、高同時実行時の大規模言語モデル推論の効率化を扱い、ブロック拡散型投機的デコードにおける検証パディング、候補の棄却、可変長プレフィックスと固定形状グラフの非互換性といった問題を指摘します。提案手法DScaleはドラフターの構造と重みを保持し、112Kパラメータの独立した予測器、経路認識タイル、動的検証長割り当て、固定アドレスワークスペースを組み合わせます。A100-40GB上でQwen3-8BおよびQwen3-4Bを用いて評価され、DFlash、DSpark、Dominoに対してそれぞれ幾何平均スループットが向上し、リクエストレイテンシも低下したと報告されています。
説明RawVLA：ロボット操作向けの具現化ニューラル画像信号処理器
要約視覚・言語・行動（VLA）モデルは通常、固定カメラのISPが生成したRGB画像を入力として動作し、撮像パイプラインは学習・評価の対象外に置かれています。本論文は、ゲイン、センサーノイズ、色度応答、階調応答、ビット深度の5つのISP要素が行動予測と操作成功率に与える影響を系統的に調べています。その知見に基づき、凍結されたVLAポリシー向けにRAW観測を適応的に変換する流通型ニューラルISP「RawVLA」と、RAW領域の操作ベンチマーク「RawVLA-Bench」を提案しています。実験では、標準条件下で性能を保ちつつ、画質劣化時の頑健性が大きく向上することが示されています。
説明逆問題に対する原理的な MAP 推定：収束性と性能のギャップを埋める
要約本論文は、強い不適切性を持つ画像逆問題（画像復元など）に対し、異なるノイズレベルのデノイザーを組み合わせ、収束を保証するように設計されたスケジュールを持つアルゴリズムを提案しています。ベイズの観点から、適切な仮定の下で本手法が最大事後確率（MAP）推定に収束することを証明しています。各種の逆問題への適用では、収束性が保証された既存手法を上回り、最先端の経験的手法と競合する性能を示しています。
説明生の画像がオンボードAIに与える影響：注意すべきか？
要約本研究は、衛星搭載AIが復元されていない生画像や最小限の処理しか施されていない画像を扱う場合に、画像劣化が物体検出にどう影響するかを検討しています。信号対雑音比、ナイキスト周波数での変調伝達関数、地上サンプリング距離を変えて、高解像度Maxar画像に制御された劣化を加え、三つの軽量検出器で評価しています。劣化の仕組みによって影響が異なり、ぼけとノイズが重なると損失が最も大きくなることが示されています。
