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GeoPrior-Mamba：構造化されたプロセス事前情報とMambaによる高解像度XCO2場の再構成
要約本論文は、疎な衛星観測から高解像度の柱平均乾燥空気CO2（XCO2）場を再構成するため、多方向Mambaフレームワークと、言語モデルで事前に作成した構造化プロセス事前情報を組み合わせたGeoPrior-Mambaを提案しています。言語モデルはXCO2を予測するのではなく、学習前に生物圏の吸収、生態系呼吸、人為的排出に関する相対的なプロセス知識を決定的な事前情報表にまとめます。2018〜2020年のOCO-2観測を用いた評価では、保持観測に対しRMSE 0.81 ppm、R2 0.93を達成し、CAMS背景補間に比べRMSEを48.2%、Trans-XCO2に比べ3.1%低減したと報告されています。
説明RLHND：ロボット学習のために物理的根拠を持つ手の追跡を行うビデオ基盤モデル
要約本論文は、単眼の一人称視点動画から手の姿勢と接触・力などの触覚情報を同時に推定するRLHNDモデルを提案しています。既存の手追跡は物理的に矛盾する推定になりがちで、接触や力の手がかりも欠けていたことが課題とされています。事前学習済みのCosmos 3ビデオ拡散モデル（Cosmos 3）を基盤とし、姿勢推定と触覚推定を組み合わせる構成です。論文では、姿勢推定と接触・力推定の双方で最先端の性能を示し、リターゲティング結果と実機ロボット実験でロボット学習への有用性を示したと述べています。
説明Iris-3B：ピクセル空間の拡散モデルで潜在空間を超える訓練・変換・微調整の研究
要約本論文は、30億パラメータのピクセル空間テキスト画像生成モデルIris-3Bを学習し、事前学習済みの潜在空間モデルFLUX.2 Klein（4B）をピクセル空間へ変換しました。両者を単眼深度推定と画像復元・超解像で微調整して比較しています。結果として、ピクセル空間の生成的事前分布による有意な改善は見られず、深度推定ではIris-3Bが潜在モデルと同等、4倍超解像ではピクセルモデルはいずれも潜在モデルを上回りませんでした。一方、Iris-3Bは30億パラメータまでスケールし、OneIGの1024²評価でQwen-Imageと並ぶ品質を示しました。重みと学習コードも公開されています。
説明全体照合から局所的な裏付けへ：部首検証による漢字のゼロショット認識
要約本論文は、学習時に一度も現れなかった漢字を認識するゼロショット漢字認識を扱います。提案手法は二段階構成で、まずSTG-CLIPが木構造の位置情報と部首の幾何学的事前情報を加えて全体的に候補を検索し、次に部首検証モジュールが候補ごとの部首を入力画像の対応領域と照合して、部首の細かな違いを区別します。ICDAR2013ベンチマークの文字レベル設定で、2,755の既知クラスを用いて83.06%のtop-1精度を達成したと報告されています。
説明北極の問い、欠けた答え：北極科学におけるLLMの棄権能力のデータセットとベンチマーク
要約本論文は、北極研究の一次文献から作成した194問の選択式問題からなるArcticQAデータセットを提案し、回答の根拠と誤答選択肢の矛盾を自動検証しています。また、正解が存在する条件と存在しない条件を比較するArcticAbstainベンチマークを構築しました。八つのモデルを評価した結果、棄権率はモデルによって大きく異なり、正解を誤答に置き換えると平均で5.05ポイント増加しました。棄権の頻度と、答えの欠如への反応性を併せて評価する必要性が示されています。
説明LighTROcc：インスタンス中心の3Dガウシアンによる軽量な4Dオキュパンシー予測
要約この論文は、自動運転においてサラウンドビューカメラから将来の3Dオキュパンシーを予測する課題を扱っています。既存の密なボクセルや鳥瞰図表現は計算コストが高く、物体の同一性を保ちにくいと指摘しています。著者らは、学習された少数のクエリで可動物体を表現し、注意機構に基づく前方リフティングで3D中心を推定したうえで、異方性3Dガウシアンの混合として各インスタンスを表す LighTROcc を提案しています。予測された変位によって将来へ伝播させ、単一の順伝播で時間的に一貫した連続的な予測を出力します。nuScenes と補足された nuScenes-Occupancy での実験では、評価された密な手法およびインスタンス単位の手法より実体レベルの予測精度が高く、ボクセルレベルの品質も良好に保たれました。
説明TIRA：腫瘤免疫表現の適応によるがん種横断のゼロショットMSI・TMB予測
要約本論文は、空間的免疫トポロジーを用いて凍結された病理基盤モデルの表現を改良するTIRAフレームワークを提案し、微小衛星不安定性高度（MSI-H）と高腫瘍遺伝子変異量（TMB-H）の予測を行う。モデルはTCGA-COAD+READのみで学習され、CPTAC-COAD、TCGA-STAD、TCGA-UCEC、CPTAC-UCECでゼロショット評価されている。UNI2を用いた場合、TCGA-STADでのAUROCはMSIで0.633から0.766、TMBで0.651から0.772に向上した。
説明Mixture of Layers（MoL）：視覚推論のための動的レイヤールーティング手法
要約多くのマルチモーダル大規模言語モデルは視覚エンコーダの最終層付近の特徴しか使わず、小さな物体や文字などの細部を捉えにくいと指摘しています。本論文は、テキストの質問に応じて各中間層の重みを予測し、それらの隠れ状態をスパースに集約するMixture of Layers（MoL）を提案しています。7つの細粒度視覚推論タスクで基準モデルより性能が向上し、V*では総合精度が18.9%改善したと報告されています。
説明InscriptionOCR：古代碑文の理解のためのデータセットと手法
要約本論文は、古代ブラーフミー文字で刻まれた碑文の電子化の課題に取り組み、画像補正、文字認識（OCR）、ローマ字転写、ニューラル機械翻訳を組み合わせたエンドツーエンドのAIパイプラインを提案しています。石碑から撮影された低品質画像を処理し、プラークリット語の文章を英語に翻訳します。あわせて、20万文字以上・約600クラスの婆羅米文字画像データセットと、2000組以上のプラークリット語・英語対訳コーパスを公開しています。
説明世界モデルの計画による制御可能な群衆生成
要約本論文はCtrl-CWMという、群衆生成と実行時制御を統合したマルチエージェント型の制御可能な群衆世界モデルを提案しています。実世界の歩行者映像で運動ダイナミクスを学習して符号化器を凍結し、想像上の群衆軌道を生成して、評価器のスコアとユーザーコストを組み合わせて行動を選択します。多くの群衆の現実感と衝突指標で最先端手法を上回り、シミュレーション中に追加されたユーザー目標にも適応できることが示されています。
説明熱力学的連成によるき裂進展のための拡張深層エネルギー法
要約本論文は、き裂を鋭い折れ線として保ったまま、熱力学的連成下のき裂進展を解くための拡張深層エネルギー法（deep energy method）を提案している。温度と変位をそれぞれ二つのニューラルネットワークで表現し、き裂を不連続な符号付き埋め込み関数として入力する。変位はき裂先端付近でWilliams展開により可変係数で強化される。熱き裂、傾斜機能材料のせん断試験、切欠き十字形試験片での結果を、既存の解や独立した有限要素解と比較している。
説明SkillCycle：エージェントの方策とスキルバンクを共進化させる手法
要約本論文は、言語エージェントの方策とスキルバンクを「スキルの内在化」と「ルール改訂」のフィードバックループで共進化させるフレームワークSkillCycleを提案します。方策学習と凍結方策下でのルール改訂を交互に行います。WebShopでは3Bモデルが推論時にスキル入力なしで成功率74.74%、スコア88.37を達成し、従来のSOTAモデルに対して相対的にそれぞれ0.73%、3.96%向上しました。
説明世界行動モデル向けのイベント整合型視覚行動推論
要約世界行動モデル（WAM）は、将来の映像予測を中間的な推論過程として用い、行動生成を導きます。本論文では、視覚予測を重要な相互作用イベントに合わせて構成するイベント整合型フレームワークを提案します。これにより、行動生成に重要な状態変化は詳細に、接続的な遷移は粗く推論されます。また、予測された行動系列のうち有効な部分を識別する実行有効性ヘッドを導入しています。DOMINOでの成功率はベースラインより10.26ポイント向上し、RoboTwin 2.0でも競争力のある結果を示しました。
説明RSI-Forge：論文を再帰的自己改善のための実行可能環境に変換する仕組み
要約本論文は、公開された論文を自動的に実行可能なタスクと自動評価器へ変換するマルチエージェント・パイプライン RSI-Forge を提案する。18分野にまたがる210の環境を構築し、そのうち90件は独立した人間の領域専門家が査読した。120の環境で4つのモデルを3回連続で試行させた結果、84%の環境で少なくとも1つのモデルが改善し、68の環境ではモデルが再現された論文手法を上回った。
説明消費者向けGPUでのMoE推論の大衆化：CoMoEシステム
要約本論文は、消費者向けGPU（RTX 5090など）上で通信効率よくMoE（Mixture-of-Experts）モデルを推論するシステム「CoMoE」を提案しています。消費者向けGPUはP2P接続がなくPCIe帯域も限られるため、通信がボトルネックになります。CoMoEはホストを中心にルーティングを行い、トークン配布ではホスト経由のマルチキャストで重複送信を減らし、トークン結合では細粒度の集約により全体同期による待ち時間を抑えます。著者らはRTX 5090で推論スループットが最大1.46倍向上し、NVLink対応のA800に近い性能をハードウェアコストの23.4%で実現したと報告しています。
説明空間潜在推論：身体的参照理解のための指差しジェスチャー視覚的グラウンディング手法
要約本論文は、順序付けられた幾何学的・視覚的中間状態によって指差しジェスチャーの視覚的グラウンディングを導く空間潜在推論（SLR）フレームワークを提案します。最初の空間レイ状態は指先の位置と指差し方向で監督され、その後の4つの状態は対象領域の特徴と整合されます。視覚的目標の構築には、4つの交互配置された空間支持上で領域トークンを平均する奇偶プーリングを導入しています。EgoPoint-Groundでは、同じバックボーンの教師ありファインチューニングと比べてmIoUが3モデルでそれぞれ2.8、17.5、21.1ポイント向上しました。YouRefItではIoU 0.5での精度が77.6%で、報告されている最先端結果を数値上5.2ポイント上回りますが、評価プロトコルが異なります。
説明trACT：自律型ドローン向けのリアルタイム空中カメラトラップ枠組み
要約本論文は、森林などの複雑な野外環境でドローン映像から微小な地上の動きを検出・検証する、軽量でリアルタイム動作する空中ロボティクス枠組み trACT を提案している。時間最大プーリング（TMP）による信号処理、自己教師あり学習による運動異常検出、運動予測とジンバル安定化光学ズームによる検証を組み合わせている。著者らは、密な森林の野生生物生息地や監視シナリオでの実地試験により、広域監視と精密な目標検証を両立できると報告している。
説明フロー言語モデルによる効率的な推論：連続状態が少ないステップで答えを導く仕組み
要約本論文は、フロー言語モデル（FLM）と離散拡散言語モデルを、同じノイズ除去ステップ数で推論効率（解答精度）を比較したものです。FLMはノイズ除去の間も連続的な系列表現を保持し、最後に初めて離散トークンに変換します。理論分析と中間状態への介入実験から、この連続状態が複数の候補の根拠を保持できることが示されています。迷路計画と数独の実験では、少ステップ領域でFLMがより高い精度を示し、Maze15では64ステップで95%の精度に到達し、MDLMより36.5%少ないパラメータで済みました。
説明人間の好みと共進化する自己消費型生成モデル
要約本論文は、生成モデルが反復ループで学習される際に、ユーザーの選好とモデルの分布が互いに影響し合いながら共進化する長期的振る舞いを検討している。合成データのみでユーザーが選別した学習を行うと、初期の偏りが増幅され、初期に優位だったものが最終的に支配する単一の均衡に至ることを示している。一方、十分大きな割合で参照データを注入すると、大域的に引き寄せる唯一の均衡が得られる。さらに、参照データの分布と混合重みを選ぶ効率的なアルゴリズムを提案し、望ましい属性を保ちつつデータ収集コストを抑える均衡へ導く方法を示している。
説明関連性と多様性のバランス：LLM検索における両立の考え方
要約本論文は、検索拡張生成（RAG）における検索結果の多様化が有益かどうかを検討し、その効果は主に候補プールの冗長性に左右されることを示しています。著者らは、最近傍上位kの中で異なる文書の実効数が、クエリが必要とする根拠の数を下回る場合にのみ多様化を行う、クエリ適応型のルールを提案しています。また、幾何学的な再ランキング手法RNG-Scoreも導入しています。
説明共有された幾何構造はロゼッタストーン：対応データなしのクロスモーダル整列
要約独立に学習された異なるモダリティのモデルは表現の幾何構造が似る可能性があるとし、粗い幾何学的初期化を伴うWasserstein Procrustes法を提案する。この方法は対応のないデータだけで単一の直交写像を推定して二つの埋め込み集合を整列させる。複数のデータセット、モダリティ、単一モーダルモデルで整列が可能であり、標準的な幾何整列指標がその可否をよく予測することを示す。さらに、ごく少数の対応例では既存手法を大きく上回り、対応のない条件でもテキストから画像への生成が可能になる。
注目点ペアデータなしでの跨モーダル整列をWasserstein Procrustesで示し、複数データセットと文から画像生成まで検証しており、根拠は十分。
説明ネットワーク化された自己消費型生成エコシステムの安定性と多様性についての論文
要約本論文は、複数の生成モデルが互いの合成データを消費し合う際に生じる、ネットワーク化された自己消費型の学習ループを扱います。モデルを有向加重グラフのノードとし、再学習の動力学の下で長期挙動を解析して、収束条件と不動点を明らかにしています。さらに、各モデルの実データへのアクセス、モデル間のデータ消費、相互作用グラフの構造が、システムの長期的な安定性と多様性にどう影響するかを検討しています。
説明TiTok：複数区間の時間的グラウンディングのための音声・映像LLM
要約本論文は、編集されていない動画において、クエリに対して音声と映像の根拠をもとに複数の区間を予測する問題（AV-MSG）を扱います。提案モデルTiTokは、時間トークン交錯（TTI）と複数区間向けの強化学習報酬により区間を予測し、事件数の誤差を測るCountF1指標も提案しています。論文では、mIoU 65.7、CountF1 0.58で最先端の性能を示したと報告しています。
説明ノイズ付加・ノイズ除去・補正：拡散事前分布を用いた3段階のMCMC事後サンプリング
要約本論文は、非線形で微分不可能な順モデルの下で逆問題の事後サンプリングを行う手法「diffusion waltz」を提案している。SDEdit型のノイズ付加とノイズ除去を提案分布として用い、Metropolis-Hastingsで補正して正確な事後サンプリングを実現する。さらに、勾配を使わないアンサンブルカルマン更新によって観測値を提案分布に組み込む方法も示している。微分不可能なNavier-Stokes初期条件復元タスクでは、異なるノイズと非線形性の条件下で既存のベースラインを上回った。
説明ライブラリに自ら説明させる：形式証明のための適用可能性を考慮した手法選択
要約本論文は、LLMベースの形式証明器において、関連性だけでは数学的手法が現在の定理に適用できるかを判断できないと指摘します。著者らは、ランキング前にモデルが各候補について問題固有の提案（対象とする目標の部分、取るべき行動、必要な条件）を生成する「自己宣伝（self-advertisement）」を提案します。Putnam 2000–2014の再利用可能な82手法を「メソッド契約」として整理しています。Putnam 2015–2025でのhit@5は95.0%で、最強の再ランキング基線の84.2%を上回りました。IMO ProofBenchでは91.7%（基線88.3%）でした。
説明TutorLoop：センサー閉ループ型生成フィードバックによる学習行動の調整
要約本論文はTutorLoopというシステムを提案します。ウェブカメラで取得したセンサー信号からリアルタイムに学習者の認知状態を把握し、それに応じた適応的フィードバックを提供します。深層強化学習エージェントが学習過程全体を通じてフィードバックの種類を最適化し、別の大規模言語モデルがそれを文脈に合った自然な文章に整えます。187名を対象とした大規模ユーザー調査では、オフラインで学習したモデルを再訓練せずに新しい学習課題へ適用しました。その結果、介入は少ないながらも効果的で、注意力や学習成果の向上、作業負荷の低減、参加意欲の向上が示されました。
説明1フレームから全心拍を生成：位相条件付きフローマッチングによるECGなし心臓シネMRI合成
要約本論文は、心電図信号を用いず、単一フレームから心周期全体の心臓シネ磁気共鳴画像を合成する生成フレームワークPhaseFlowを提案しています。セグメンテーションから得た左心室面積曲線により心位相を推定し、整流フローモデルで潜在空間上の運動軌跡を生成します。ACDCベンチマークでは、左心室容積曲線のR²、SSIM、FIDのいずれも全ての比較手法を上回りました。
説明ARCS：構造化された曖昧性解消による高精度なText-to-SQL
要約本論文は、テキストからSQLへの変換システムにおいて、ユーザーの質問の曖昧さが誤りの主因となる問題に取り組みます。自由形式の対話ではなく、明示的で制約のある対話によって曖昧さを解決する「構造化された曖昧性解消」という新しいパラダイムを提案しています。また、実データベース上で自然に生じた無制約の曖昧さと、すべての有効な曖昧点・解釈・SQLクエリに注釈を付したベンチマークARCS（Ambiguity Resolution Corpus for SQL）を構築しました。実験では、曖昧さがある場合にgpt-6-solの実行精度は51%にとどまり、オープンソースモデルで27%を超えるものはありませんでした。
説明体積リスクの定量化：3次元医用画像セグメンテーションのためのクラス認識型非対称重み付きコンフォーマル予測
要約医用画像の基盤モデル（MedSAMなど）は決定的な出力しか得られず、分布シフト下で校正された不確実性を示せないという課題に取り組んだ論文です。提案手法CA-WCPは、共変量シフトに対する潜在空間の密度比重み付けと、体積の上下限に対する方向別分位数を組み合わせ、検証データの偽陽性率・偽陰性率から導出したクラス別の非対称係数で各境界を調整します。3次元脳腫瘍セグメンテーション（BraTS 2020）と合成多臓器CTベンチマークで評価され、被覆率は各クラスで公称90%の水準に一致し、対称な重み付き手法と比べて区間幅が8～14%縮小したと報告されています。
説明「ペルソナ階層モデル」：LLMのファインチューニングにおける文脈的一般化の理解
要約本論文は、共有されるデフォルトのペルソナが異なる文脈での振る舞いに影響するとする「ペルソナ階層モデル」を提案しています。120のファインチューニング済みモデルを用いた分析では、一般化の狭さが学習文脈のペルソナとデフォルトのペルソナの類似度と正の相関を示しました。さらに、望ましくない文脈的一般化を抑える「ペルソナ保存正則化（PPR）」を提案し、強化学習で報酬ハッキングを大幅に減らしたと報告しています。
説明PPCAR-Net：スパースなX線血管造影像からの投影精緻化によるパラメトリック冠動脈3D再構成ネットワーク
要約本論文は、少数のX線血管造影ビューから冠動脈の3D構造を直接再構成するPPCAR-Net（投影精緻化型パラメトリック冠動脈再構成ネットワーク）を提案しています。明示的な点対応付けや三角測量、中間ボリュームを使わず、分岐構造を持つ中心線と半径の表現を直接予測します。まず粗い予測で分岐、B-spline中心線、半径分布を推定し、その後投影に基づく精緻化モジュールで補正します。シミュレーションデータでは、特にRCAの中心線精度と血管の連結性で良好な結果を示し、1回の推論は121ミリ秒です。
説明ScribbleEdit：落書きのみによる画像編集のベンチマーク
要約本論文は、ユーザーの落書きだけで画像編集を行えるかを評価するベンチマーク「ScribbleEdit」を提案しています。既存のVLMやLLMベースの編集モデルは、落書きの意図を正確に捉えられないことが示されています。さらに、自動データ構築パイプラインと意図の一致を測る評価手法を設計し、標準的な画像編集モデルを上回るソフトトークンベースラインを提示しています。
説明もっともらしい階層から実用的な分類体系へ：顧客フィードバックでのエージェント型ハーネス評価
要約本論文は、AIが生成する分類木は名称や構造の一般的な検査を通過しても、実運用に使えるとは限らないと指摘します。2つの非公開の顧客フィードバックデータで6つの分類木を作成したところ、すべて一般的な検査に合格しましたが、生成された木では葉の名称の少なくとも97.7%が祖先の名称を繰り返すだけでした。著者は木全体を対象とする構造判別指標とチーム分割可能性指標を提案しています。
説明3次元多コントラストMRI合成のための統一型多平面自己回帰拡散モデル
要約MRIの複数コントラスト撮像は時間がかかり患者の負担にもなるため、取得済みのコントラストから欠けたコントラストを合成する手法が求められています。本論文はMPAD（多平面自己回帰拡散）を提案し、3Dオートエンコーダで潜在表現に圧縮したうえ、2D拡散モデルで平面ごとに再構成し、平面間の整合性を保ちます。3D潜在拡散のベースラインと比べ、学習と推論のFLOPsをそれぞれ7倍と3倍削減し、複数のデータセットで優れた結果を示したと報告されています。
説明検索から顧客コンテキストへ：顧客の声分析のためのフロンティアモデルシステムの評価
要約本論文は、顧客・業務・分析の各オブジェクトを型付きの関係で結ぶ「顧客コンテキストグラフ」を提案しています。これにより、エージェントは顧客の発言だけでなく、その理由、影響を受ける人、実施された対応、担当者、解決の有無まで調べられるとされています。公開されたCursorのフィードバック9,432件と30の質問を用いて3つのシステムを比較し、グラフを用いたエージェントが総合スコアと分析の深さで上回ったと報告しています。
説明DUDA-Bench：マルチモーダルなデータ駆動型都市診断におけるLLMエージェントのベンチマーク
要約本論文は、データ駆動型の都市診断を多段階のエージェント作業として定式化した階層型・対話型ベンチマーク DUDA-Bench を提案しています。12都市のマルチモーダルデータに基づき、5種類の都市問題をカバーする86の原子タスクと22のワークフロータスクを含みます。評価の結果、個別の分析能力と端到端の診断との間には大きな差があり、未解決の証拠の欠落が段階をまたいで伝播することが示されています。
説明MoE事前学習における専家の結合：相関配置とトークンシャッフルによるAll-to-All通信の削減
要約本論文は、専門家並列（EP）で学習する混合専門家（MoE）モデルにおいて、All-to-All通信のオーバーヘッドを減らす手法を扱う。ルーターが学習の早い段階から、専門家の選択に相関パターンを学習していることを発見し、それを利用する相関専門家配置とトークンシャッフルを提案している。Megatron-LMでの実験では、All-to-All時間を1.16～2.63倍、学習ステップ全体の時間を最大1.41倍短縮した。ルーティング決定や専門家のパラメータは変更しない。
説明『信頼度ゲーム』：人間とAIの委任における戦略的な信頼度の歪み
要約本論文は、ユーザーの関与や収益を最大化しようとするAIエージェントが、タスク委任時に自己申告の信頼度を戦略的に歪める可能性を検討しています。繰り返しシグナリングゲームのモデルを構築し、LLMをエージェント役として実験したところ、失敗の可能性が高いと伝えられたタスクの56%で高い信頼度を主張しました。その結果、委任から得られる利益の68%が失われることが報告されています。
注目点置信度報告を繰り返しシグナリングゲームとして定式化し均衡を特徴付け、LLM実験で戦略的歪みを検証した新しい視点。実験規模は限定的で、影響は部分領域に留まる。
説明非混和拡散ポリシー：ラベル不要のノイズ割り当てによるロボット動作の多峰性の保持
要約拡散ポリシーは本来、多峰性の行動分布を学習できると期待されていましたが、データの各モダリティが均衡していても単一モダリティに崩壊することがあることを、著者らは示しています。本論文は、学習時にのみ用いるラベル不要の追加手法「非混和拡散ポリシー（Immiscible Diffusion Policy）」を提案し、行動とノイズの割り当てによって拡散経路を比較的分離させ、ポリシー構造や推論手順は変更しません。5つのシミュレーションタスクと2つの実機ヒューマノイド操作タスクで、非主導モダリティの割合が2モダリティタスクで6.0〜14.6倍に増え、4モダリティタスクでは通常の方策が再現できなかったモダリティも回復しました。
説明カメラ撮影のままのステレオVR180データセット
要約著者は2台のBlackmagic URSA Cine Immersiveカメラで自ら撮影したステレオVR180データセットを公開しています。動画636本（計2,220.8秒）と静止画575枚、合計1,211サンプルを含み、カメラ原本のBlackmagic RAW、片目ごとのネイティブ魚眼HEVC、半正距円筒HEVCで提供されます。工場出荷時のレンズ校正、変換ツール、AI生成のシーン注釈も付属します。同等の視野品質では、ネイティブ魚眼の符号化が半正距円筒より多くのビットレートを要し、24クリップの中央値は38%増だったと報告されています。
説明衛星による検証で飛行機雲の回避を確認する研究
要約飛行機雲（コントレイル）は航空機が残す薄い氷雲で、航空による温暖化の大きな要因です。本論文は8.4Mパラメータの小型拡散モデルで飛行機雲を検出し、どの構成要素が重要かを対照実験で調べています。モデルのPR-AUCは0.476で、DeepLabV3+ベースラインの0.414やMedSegDiffの0.119を上回ります。
説明文書片からの機能的証拠へ：EDA文書QAのための機能認識型検索
要約本論文は、電子設計自動化（EDA）技術文書への質問応答において、検索と問い合わせの不一致が主要な課題であるとし、RAGの検索単位を再設計しています。分散した文書成果物を機能単位にまとめて超辺として元の文書片に紐づけ、クエリと機能単位を対応付けるエンコーダを学習するとともに、直接的な文書片検索と組み合わせ、統一リランカーで証拠を選択します。新規構築のEDADocEval-QAではROUGE-Lがchunk RAGより37.1%、最強のグラフ系ベースラインより55.6%向上し、公開ベンチマークORD-MMBenchでは最強ベースラインより30.0%向上したと報告されています。
説明TopoGraphRAG-Bench：版面に基づく証拠推論におけるマルチモーダルGraphRAGの評価ベンチマーク
要約本論文は、201件の長文で視覚要素の多い文書を対象とした2,024問からなるベンチマーク「TopoGraphRAG-Bench」を提案します。問題は本文、図、表の証拠単位から構築され、単一ホップ検索、ブリッジチェーン推論、多源統合の3種類の構造に分けられています。評価の結果、マルチモーダルGraphRAGが総合的に最も優れていましたが、視覚と文章の証拠の整合や複数単位の組み合わせが不完全な場合には失敗することが示されました。
説明二層線形ネットワーク学習の大域的指数収束
要約本論文は、滑らかな Polyak-Lojasiewicz（PL）予測損失で学習する広い二層線形ネットワークについて、明示的な速度を伴う大域的指数（線形）収束を証明している。初期共分散が Σ0=σ²Id の場合、損失は PL 定数 κ を用いて少なくとも 4σ²κ の線形速度で大域的最小値に収束する。有限幅サンプリングでの安定性、深層線形 ResNet への拡張、重い球モーメンタムの場合の収束条件も扱われている。
説明マルチモーダルLLMは脳信号を読めるようになる：統一マルチタスクEEGデコードのためのビジョン・言語モデル
要約本論文は、多チャネルEEG信号を構造化画像に変換し、指示条件付きのビジョン・言語モデル（VLM）でマルチタスク学習を行うBraVistaフレームワークを提案しています。汎用VLMの継続的な後学習に基づき、大規模なEEG専用の事前学習を別途行わずに適応させています。睡眠段階分類、感情認識、認知負荷分類、異常EEG検出の4データセットで評価し、良好な性能を示しました。EEGから画像への表現方法が性能に重要であること、ノイズ増加に伴い性能が徐々に低下することも報告されています。
説明最適性と反事実正則化により、危険なデータなしで未知の制約を学習する手法
要約本論文は、デモンストレーションから、ロボットなどのシステムに含まれる未知の制約を推定する方法を扱います。著者らは、学習済みの微分可能な動力学モデルを用い、デモンストレーションにKKT条件に着想を得た最適性条件を課すとともに、デモンストレーション近傍で報酬が向上する反事実的な行動を生成し、合成の実行不可能データとして利用する反事実KKT（CF-KKT）を提案しています。高次元ロボット制御タスクにおいて、既存のオフライン逆制約強化学習の基準手法と比べ、安全性とデータ効率が改善されたと報告しています。
説明関連性は十分性ではない：長期記憶QAで証拠の欠落を本当に埋める方法
要約多数のセッションにわたってユーザーと対話するLLMエージェントは、過去のやり取りを外部メモリに保存し、少数の検索結果から回答します。本論文は法律の証拠論における関連性と十分性の区別に基づき、記憶検索を「十分な記憶集合の構築」として再定義します。そのために、形式概念分析で候補を選び、予算の範囲で未取得の記録を反復的に取得する手法BFRを提案しています。LongMemEval-Sでは、判定精度が72.4%から82.2%に、Turn Hitが91.4%に向上したと報告しています。
説明OnlineQAT：超低ビット大規模言語モデルのためのオンポリシー蒸留
要約本論文は、大規模言語モデルを4ビット未満に圧縮した際の精度を回復するOnlineQATを提案します。まずブロック単位の量子化認識学習で低ビットの初期化を得て、その後、量子化モデル自身が生成した応答に対してオンポリシー蒸留を行います。凍結した全精度の教師モデルが逆KLの訓練信号を与えます。Qwen3-1.7Bでは、W3A16で57.28、W2A16で32.52の平均スコアを得て、ReasoningQATをそれぞれ2.90点、0.44点上回りました。
説明画像編集AIは奥行きに応じたぼけと絞り応答に従っているか：レンダリング正解を用いた予備監査
要約この論文は、汎用画像編集AI（Gemini 3.1 Flash Image と GPT-image-2.5）が「f/1.4で撮影したように」と指示された際に加えるぼけが、薄レンズ光学に従っているかを検証します。Blender Cycles で描画した真の被写界深度シーンを基準とし、同じぼけ幅推定手法を両者に適用しています。その結果、編集結果のぼけ比率は基準より大幅に小さく、絞り変化への応答も減衰していることが示されています。
説明TileSkipper：3Dガウススプラッティングのための領域適応型タイル剪定
要約タイル分割方式の3Dガウススプラッティング描画器は、シーン全体に同一の寄与カットオフを用いてタイルを列挙することが多い。本論文は凍結済みモデルに対し、ガウスごとに静的なカットオフ方針を選ぶTileSkipperを提案する。キャリブレーション描画で候補ペアの削減量と歪みを測定し、13シーンの実験では固定方針で標準解像度と3840ピクセル幅でそれぞれ約1.088倍と1.238倍の高速化を示し、平均PSNRの変化は約-0.007～-0.023 dBであった。
説明データ不要のMoE圧縮のための共有低ランク基底分解
要約本論文は、混合エキスパート（MoE）大規模言語モデルの圧縮を扱っています。エキスパートの剪定、統合、重み再構成の3系統を分析し、前二者はルーティングやエキスパートの異質性に起因する構造的誤差を生じうることを示しています。提案手法の共有低ランク基底分解（SLBF）は、エキスパート間で共有されるランクkの基底を用いるデータ不要の重み再構成法で、160億から1220億パラメータの5つのMoEアーキテクチャで3系統すべての手法を上回ったと報告しています。
説明異種入力融合における良性過学習：単独で良性な二つの入力も、融合後は有害になりうる
要約本論文は、異種ガウス設計の下での最小ノルム線形補間における良性過学習を、統計的に依存する二つの入力ブロックとその融合結果について比較して研究している。回帰では、漸近的な状態がカットオフに依存しない全スペクトル共分散の判定基準を示し、両周辺分布と整合するすべての同時共分散で保存されることを証明している。一方、一疎ガウス分類では、残存する予測信号と雑音の混入のバランスによって良性性が決まり、融合によってこの二つは逆方向に動きうる。
説明SearchWorld：世界モデルと空間価値に基づく想像を用いたUAV物体探索手法
要約本論文は、都市環境でのUAV（無人航空機）による物体探索のために、明示的な空間メモリと価値誘導型の想像を結び付けた再帰的状態空間世界モデルSearchWorldを提案する。モデルは鳥瞰図の探索・障害物メモリを保持し、タスクに応じた空間価値層を生成して探索を導く。想像によるロールアウトで方策を改善し、別途スカラー評価器を学習しない。UAV-ONでの成功率は23.8%（従来の最良公開エージェントは19.5%）、オラクル成功率は35.5%で、未知のシーンでも19.9%を達成した。
説明VM-ArrayDPS：仮想マイクを用いた教師なし盲目音声分離のための拡散事後サンプリング（複数話者の声を事前知識なしに分離する手法）
要約本論文は、声源や混合過程の事前知識なしに、マイクで録音された混合信号から複数の音声を分離する盲目音源分離を扱っています。既存のArrayDPS（事前学習済み音声拡散モデルを用いる手法）に、高SNRの仮想マイクを加えたVM-ArrayDPSを提案しています。仮想マイクは追加の多チャンネル一貫性制約を与えます。2話者および3話者のデータセットで、ArrayDPSを有意に上回る結果が示され、仮想マイクの数と制約の重みに関する削除実験も行われています。
説明オープンタスクに対応する赤外線・可視光画像融合の新手法 CRT-HMAR
要約本論文は、赤外線と可視光の画像融合のためのCRT-HMARフレームワークを提案します。既存手法は固定されたタスク集合向けに設計されることが多く、未知のタスクへの汎化が困難です。本手法は因果的要求追跡によりタスクごとの必要情報を特定し、階層的なマルチエージェント調整で要求に応じた融合と勾配衝突の緩和を行います。五つの下流タスクを含む実験では、既知タスクの性能とバランスを保ちつつ、未知タスクへの汎化が改善されたと報告されています。
説明GRC-Net：教師なしマルチモーダル異常検知のための大域的表現一貫性ネットワーク
要約本論文は、製造業の品質検査において構造的・幾何学的な異常を検出する課題に取り組み、GRC-Netを提案しています。大域的注意MLPと安定した再構成モジュールを組み合わせ、パッチ埋め込み間の大域的な表現一貫性を高め、正常領域の再構成誤差を抑えます。MVTec 3D-ADとEyecandiesでの実験では、画像レベルおよびピクセルレベルの両方で既存手法を上回ったと報告されています。
説明Visual Jev 報酬：多主体画像生成のための参照束縛型検証
要約本論文は、生成画像内の複数の被写体が指定された属性・動作・関係を満たすかを検証する、参照束縛型の Visual Jev 報酬を提案する。学習では Qwen3.5-4B 検証器が固定された質問に二値で答え、その Yes 確率の平均を GRPO の報酬として用いる。MICo-Bench の897タスクの部分集合で、GPT-5.4 による総合スコアは41.78から52.50に向上した。ただし各報酬は1回のGRPO実行でのみ検証されている。
説明VIS-Ground：文脈グラウンディングを備えたインタラクティブ動画ストーリーテリング
要約本論文は、視聴者の介入によって動画生成を続ける際、視聴者の要求が元素材と既に描画された動画の状態に暗黙に依存する問題を扱います。提案手法VIS-Ground は、構造化された文脈抽象化、生成制約の導出、制約付き動画生成の三段階で、異種の入力を実行可能な生成制約へ変換します。三つの動画生成バックボーンのいずれにおいても総合スコアが最も高く、各バックボーンの最強ベースラインを平均で10.3点上回ったと報告されています。
説明データ不足の軌道モンテカルロのための制約付き拡散モデル：コンステレーション運用の分析
要約本論文は、参照軌道データが少ない場合に、衛星コンステレーションの運用方策を評価するための軌道サンプルを制約付き拡散モデルで拡張する手法を検討しています。モデルは13次元の軌道事前分布を学習し、五つの力学モデル区分でBasiliskにより伝播させます。拡散モデルは既存手法と分布の忠実度が同程度ですが、学習先験分布から離れたサンプルを生成し、観測範囲のずれた母集団は再現できません。局所的な拡張には有用ですが、軌道力学の代替にはなりません。
説明合成疑似方言データ拡張による方言に強い音声言語モデル
要約音声言語モデルは、データ不足のため方言で性能が落ちることが多い。従来のTTSによるデータ拡張には一定量の実際の方言音声が必要である。本論文は、LLMが生成した方言テキストを標準語TTSモデルで音声化し、実際の方言音声を一切使わずに疑似方言音声を作る手法を提案する。また学習時に中間の標準語テキスト予測を導入し、意味の正規化を図る。日本語・ドイツ語・中国語の方言から英語への音声翻訳で評価し、疑似方言拡張は日本語とドイツ語のスコアを改善し、中間予測は日本語と中国語の性能をさらに高めたと報告している。
説明SAREO-FM：SAR・光学画像向けに意味監督を分離した基盤モデル
要約本論文は、合成開口レーダー（SAR）と光学（EO）画像を同時に扱うSAREO-FMを提案しています。モダリティトークンはマスク再構成によって各センサーの観測方法を保持し、学習可能な意味クエリは事前学習済みの視覚基盤モデルの指導のもとで場面の内容を捉えます。100万規模のSAR-1Mデータセットで事前学習されており、原文によれば、SARのみ・EOのみの入力でも良好な転移性能を示し、相補的なセンシングが有効な課題ではSARとEOの併用で大きな向上が得られるとされています。
説明型検査を超えて：形式仕様生成の包括的評価に向けて
要約本論文は、検証可能なコード生成パイプラインにおける形式仕様生成（SpecGen）を扱う。定理証明器は証明に対して決定的なフィードバックを与えるが、生成された仕様がユーザーの意図を捉えているかを確定的に確認する手段は乏しいと指摘する。著者らは既存の Lean タスク 350 件（VERINA 189 件、CLEVER 161 件）からなる統一データセットと、形式的妥当性・参照類似性と等価性・振る舞いの十分性を扱う評価枠組みを提案する。実験では、評価対象の範囲によって配置の順位が変わることや、後事後条件のスコアが完璧でも必要な入力を 0% しか受理しない仕様があることを示し、入力の網羅性と出力の制約を別々にフィードバックする必要性を論じている。
説明視覚言語モデルが小物体を見落とす理由と、拡大して見ても安全な場合
要約本論文は、大きな画像内の小物体を視覚言語モデル（VLM）が見落とす原因を、画像あたりの視覚トークン数と1回の呼び出しで扱う内容量に基づく理論で分析し、局所分解などの従来手法が今後も有効かを検討しています。約177,000件のリクエスト、797枚の画像で検証し、制御された画像では予測された順序に反する結果はありませんでした。
注目点視覚トークン数と呼び出しの被覆内容量に基づく理論を提示し、約17.7万リクエスト・797画像で検証して小物体認識の上界と分解規則を示した。
説明トークンではなくブロックを去雑音：分岐トークン実現による効率的な圧縮連続拡散モデル
要約本論文は分岐潜在拡散モデル（BLD）を提案し、1024トークンの系列を64個のブロック潜在表現へ圧縮（16倍）します。各潜在表現は並列に動作する局所的自己回帰分岐によって復号され、潜在表現はグループ単位で生成されます。同規模のELF-Lベースラインと比べ、生成FLOPsは80倍以上削減、スループットは6倍以上向上しました。自己回帰ベースラインと比べ、スループットは6倍以上、レイテンシは4倍以上改善しています。局所的な流暢さと多様性は競争力を保つ一方、長距離の一貫性は依然として課題です。
説明MovieSTAGE：映画fMRIによるADHD分類のためのシーン・遷移・全体符号化フレームワーク
要約本論文は、映画視聴時の機能的MRIデータを用いてADHDを分類するMovieSTAGEフレームワークを提案しています。シーン内のハイパーグラフ構造の機能的結合組織化、隣接シーン間の符号なし機能的結合差、映画全体の機能的結合を組み合わせています。CMI-HBNの『怪盗グルーの月泥棒』コホートの260名を対象に、三つの分類課題でAUROCは0.69、0.73、0.75となり、評価された他手法の中で平均点推定値が最も高くなりました。
説明Kuration SDK：データキュレーションで Virtual2Real ギャップに対処する
要約論文は、CounterStrikeのゲームデータで学習した拡散ワールドモデルについて、遊びやすさと FVD・LPIPS・JEDi などの指標が対応しないことを示し、これを Virtual2Real ギャップと呼んでいます。著者らは、学習前に生のゲームデータをキュレーションし、多様な診断特性を測定することを提案し、物理AI向けの汎用データキュレーションキット Kuration SDK をこの論文とともにオープンソースで公開しています。同SDKは、学習データが同一で指標も近い二つのモデルの挙動の違いについて、その根本原因を特定するのに役立ちました。
説明emg2face：高密度表面筋電図による表情豊かな顔アニメーション
要約本論文は、ヘッドマウントディスプレイなどで顔が隠れる場合にも使える、光学式に代わる顔動作の取得法として高密度表面筋電図（HD-sEMG）を提案しています。研究者は布製の電極グリッド2枚で64チャンネルの筋電信号を記録し、MediaPipeで顔のランドマークを同時に取得しました。さらに、アナログ音声バーストを使った同期手法を開発し、筋電信号のみから表情のブレンドシェイプを予測するニューラルネットワークを学習させました。25名の参加者のデータで検証しています。
説明ノードレベルのグラフニューラルアーキテクチャ探索フレームワーク（N-GNAS）
要約本論文は、ノードの部分集合ごとに適切なネットワーク構造を自動選択して特徴を更新する、ノードレベルのグラフニューラルアーキテクチャ探索手法N-GNASを提案しています。従来の全ノードへの一律な畳み込みは、性能低下や層の増加に伴う過剰平滑化を招くため、これを解決することを目指しています。さらに、異なるカテゴリの特徴を分離するための対比学習損失を導入しています。八つのノード分類・グラフ分類データセットでの実験では、既存の主要な手法や人手設計のGNNを上回り、CiteSeerでは正解率78.26%を達成したと報告されています。
説明AI評価エコシステム：モデル提供者、利用者、資金提供者、規制当局の相互作用がベンチマーク設計に与える影響
要約本論文は、有効なAIベンチマークを設計するには、評価エコシステムに属するアクター間の動態を考慮する必要があると主張しています。ルールベースの市場動態と大規模言語モデルによる戦略的アクターを組み合わせたシミュレーション枠組みを構築し、六次元の能力空間でベンチマーク、ユーザーの需要、提供者の能力をモデル化しています。ケーススタディでは、公開ベンチマークから非公開のホールドアウトベンチマークへの移行により、多くのベンチマークでスコアとユーザー満足度の差が縮小する一方、一部では拡大することが示されています。
説明RT-Safe：リアルタイム身体化環境におけるエージェント安全性のベンチマーク
要約本論文は、リアルタイム制約下で身体化エージェントの安全性を評価するための都市シミュレーション・ベンチマーク RT-SAFE を提案しています。歩行者や車両などの移動体、環境上の危険、交通規則を含むナビゲーションタスクで、推論と行動実行の間も世界が変化し続けます。八つの VLM での検証では、タスク完了率は高いものの、最も難しい設定では安全事象なしで完了したエピソードは0.7%に過ぎませんでした。実時間実行では衝突が静的評価の12.3倍に増えたと報告しています。
説明miniTE：ネイティブ NVFP4 強化学習における実行ギャップの診断と解消
要約学習エンジンとサンプリングエンジンが分かれた環境では、モデルの重みと数値形式を揃えるだけでは方策評価の一貫性を保証できず、エンジン間の数値実行の一致が重要だと指摘しています。著者らは、実行診断、エンジン間の数値整合、効率的なネイティブ W4A4 GEMM 計算を組み合わせた軽量フレームワーク miniTE を提案しています。Qwen3-30B-A3B での長期学習実験では、学習が安定し、ベンチマーク性能は BF16 に近づきました。単一の B300 GPU ノードでは、BF16 および TE NVFP4 を上回るスループットを示しました。
説明FaceKit：希少疾患における解釈可能な顔表現型の定量化、合成画像生成、プライバシー分析のためのツールキット
要約本論文は、正面顔写真から顔の表現型を定量化する計算フレームワーク「FaceKit」を提案している。顔のランドマークから120の形態学的特徴を算出し、FairFaceデータセットの集団分布を基準としたz値を報告する。GestaltMatcher Databaseの50の希少疾患コホートの部分集合で評価を行い、合成顔画像の生成とプライバシー評価も含まれている。
説明LeCuration：データキュレーションのための小型ワールドモデル
要約本論文は、物理AI向けのデータ整理手法として、下流の大規模モデルのためのデータキュレーションツールである小型ワールドモデルLeCurationを提案します。潜在エンコーダ兼予測器にはLeWorldModel（LeWM）を用い、映像を生成するために拡散トランスフォーマー（DiT）デコーダを追加しています。CS:GOのゲームデータを用いた定性的な概念実証で、埋め込みが異常検知や内容ベースのクラスタリングに使え、動作と状態の整合性を確認できることを示しています。定量的な指標や下流の学習結果は報告されていません。
説明共通イメージギャザーを用いた自己注意型サマリーネットワークによる地下速度モデル構築
要約本論文は、三次元共通イメージギャザー（CIG）のボリュームを、確率的な地下速度インバージョンのための compact な条件付け埋め込みに写像する多スケール自己注意型サマリーネットワークを提案しています。この埋め込みを条件として、フローマッチングモデルがガウス分布から妥当な速度場の事後分布への変換を学習します。数値実験では、生のCIGを直接条件とする場合と比べて、事後速度推定が改善することが示されています。
説明逆問題のためのツイストフロー：事後サンプリングを改善する生成手法
要約本論文はベイズ逆問題における事後サンプリングを対象に、拡張された流れマッチング手法である結合ツイストフロー（joint twist-flow）を提案しています。拡張された始点状態から拡張された終点状態への連続的な輸送を学習し、観測との整合性に関わる補助座標を導入します。低次元問題、画像復元、地震の地下速度モデル反転で検証され、直接的な条件付きフローのベースラインより多峰性の事後分布を保持し、観測整合性を維持しながら事後の多様性が増すことが示されています。
説明CATune：DBMS設定チューニングのための構造制約考慮型ベイズ最適化
要約現代のDBMSには数百の設定項目があり、探索空間が高次元で多様なため、自動チューニングにはコストがかかります。CATuneは、ドキュメントに明記された項目間の順序制約を探索空間の構造として組み込み、制約を満たす部分空間の中で最適化を行います。制約の抽出にはLLMを用います。PostgreSQLとMySQLでTPC-CおよびTPC-Hを用いた実験では、サンプル効率と最終的なチューニング品質の向上が示されています。
説明EM-SNN：リモートセンシング画像のヘイズ除去のための効率的に変調されたスパイキングニューラルネットワーク
要約本論文は、リモートセンシング画像のヘイズ除去に向けたスパイキングニューラルネットワーク（SNN）EM-SNNを提案します。ヘイズによる高周波減衰と離散的なスパイク閾値処理が絡み合い、エッジやテクスチャの復元を妨げる問題に対し、統計量駆動の閾値変調LIFニューロン（TM-LIF）とSpike Sobel変調（SSM）モジュールを組み合わせています。HRSD、RICE、RRSHID、SateHaze1K上の実験で、EM-SNNは競争力のあるヘイズ除去性能を示し、強力なANNベースラインSFRDP-Netの消費エネルギーの4分の1で動作すると報告されています。
説明効率的な視覚幾何Transformer向けのハードウェア対応校正付きクラスタ注意機構
要約本論文は、視覚幾何Transformer（VGGT）のグローバル注意層が極端に長い系列を扱うことで生じる遅延の問題に取り組み、ブロック単位のクラスタ注意（BC attention）を提案します。クラスタリングをハードウェアに適した近傍ブロック内に制限し、計算負荷とオンチップ・オフチップ間のデータ移動を減らします。さらに、ハッシュ超平面校正と閾値ベースの誤差補償でクラスタリング誤差を抑えます。GPU上の実験では、大規模シーンで精度低下約1%のまま、グローバル注意層を2.10～2.63倍、バックボーン全体を1.77～2.35倍高速化したと報告されています。
説明最終層アテンションのルーティングにおける軌道特徴量の評価
要約本研究は、隠れ状態の外挿誤差や曲率などの軌道特徴量が、現在の接頭辞に対するアテンションの価値をどれだけ予測できるかを検証しています。凍結された SmolLM3-3B-Base と Qwen3.5-4B-Base で、PG-19 の保留された 100 冊を用いて評価しました。多重比較補正後、事前に定めた6つの比較のいずれにも正の改善は見られず、パラメータを揃えた固定投影の対照群がむしろ優れていました。
説明代理モデルの記号：ニューラルPDEソルバーにおける数値的出自の測定
要約ニューラル偏微分方程式の代理モデルは、物理的な時間発展と求解器固有の離散化誤差の両方を含む数値解で学習されます。本論文は、学習済みモデルの線形化一段演算子を個々のフーリエモードで調べる経験的なフーリエ記号診断を提案し、厳密な時間発展と学習スキームの両方の基準と比較します。線形移流では、学習された代理モデルが学習スキームの振幅および位相誤差を再現することが示されました。したがって、同一求解器によるテストデータとの一致だけでは、厳密な時間発展への忠実性は証明されず、フーリエ記号測定が数値的出自の直接的な診断になるとしています。
説明PhyDiCT：微分可能レンダリングと強い事前分布による、スパースX線からのCT再構成（追加学習不要）
要約本論文は、少数のX線投影から三次元肺CT画像を再構成する、追加学習を必要としないPhyDiCTを提案しています。Beer-Lambertの法則に基づく微分可能な物理順モデルと、テキスト条件付き拡散モデルを強い事前分布として組み合わせ、Split Gibbsサンプリングでノイズ除去過程をX線観測に整合させます。さらに、テスト時の精緻化ステップを加えています。著者らは、完全学習型の手法と比べてSSIMが7.5%向上したと報告しています。
説明適応的な視覚トークン削減による画像理解の高速化
要約大規模視覚言語モデルは視覚質問応答で高い性能を示しますが、高解像度の画像の処理には多くの計算が必要です。本論文は指示に従って視覚トークンを削減する手法ReFITを提案し、関連領域に合わせてウィンドウを変形するRWRと、不要なトークンを除く ITR で構成されます。四つの視覚質問応答ベンチマークで、計算コストを下げつつ回答精度が向上したと報告されています。
説明推論時アラインメントのための効率的なBest-of-N方策評価
要約本論文は、参照モデルから N 個の応答をサンプリングし最も高いスコアのものを選ぶ推論時アラインメント手法 Best-of-N（BoN）を対象としています。応答の尤度にアクセスできない状況でも、サンプルのみから BoN 方策を評価・選択できる枠組みを提案し、複数の予算で補助サンプルを共有できる二重頑健推定量 BoN-DR を開発しています。合成実験と GSM8K での検証も示されています。
説明目標条件付き方策学習における情報的なホライズンの呪い
要約本論文は、目標条件付き方策学習には時間差分の更新におけるバイアス蓄積に加えて、目標の再ラベリング・ホライズンを長くすると方策の汎化性能と性能が著しく低下する「情報的なホライズンの呪い」があることを指摘しています。理想的なプランナーを用いた統制実験により、近傍のサブゴールのみで評価した場合でも、行動クローニング方策は訓練時のホライズンに依存して大きく性能が劣化し、強化学習の目的関数によってその劣化が緩和されることを示しています。さらに、短いホライズンの方策の入力ヤコビアンを長いホライズンの方策へ蒸留すると、特に組み合わせ的な操作タスクで大きな性能向上が得られると報告しています。
説明名目的均衡を超えて：リスク回避型多集団平均場ゲーム
要約本論文は、各集団が他の集団の平均場フローの動的に実現可能な曖昧性集合上で、最悪ケースの期待報酬を最適化する「リスク回避型多集団平均場ゲーム」の枠組みを提案しています。占有測度と集合値解析を用い、曖昧性集合の幾何学的性質と新しいリスク回避型均衡の存在を示しています。さらに、エントロピー正則化の下での不動点作用素の縮小性を導き、リスク回避型フィクティシャスプレイ法を提案して、その搾取可能性が0に減衰することを示し、数値実験で収束と挙動を確認しています。
説明私たちは問い合わせる、ゆえに計算する：機械の外側にあるオラクル計算とエージェントへの応用
要約論文は、大規模言語モデルを「オラクル（Oracle）」とみなし、スタック全体を問い合わせとして渡して答えを同じスタックに追記する命令を持つ抽象機械を提案しています。この枠組みで、エージェントとワークフローを同じ土台の上で捉え、キャッシュやスケジューリングを分析しています。さらに、RISC-Vを拡張したArchNightsというシステムの試作を示し、gem5上で動作させ、オープンソースとして公開する予定であると述べています。
説明効率的な拡散モデルのためのプーリング表現オートエンコーダー：隣接する視覚特徴トークンを統合して画像生成の計算コストを下げる研究
要約本論文は、隣接する視覚特徴トークンを統合する学習可能なアフィンプーリング演算子 PoolDINO を提案し、表現オートエンコーダー（RAE）の生成コストを下げることを目指しています。この演算子は RGB デコーダーと共同で学習され、標準的な二段階の RAE の手順を維持します。ImageNet-256 では、4 倍の圧縮で内部ガイダンス下でも同程度の生成品質を保ち、16 倍の圧縮では一部の品質と引き換えに効率を高めます。サンプリング速度はそれぞれ 3.7 倍と 9.0 倍に向上したと報告されています。
説明LLM自己改善ループにおける勝者の呪い：選択ノイズ、ロックイン、受理ルール
要約本論文は、小規模な評価セットで良いと判定された改変だけを残す大規模言語モデルの自己改善ループを分析します。著者らはこの処理を測定ノイズ下の選択として扱い、評価セットの再利用が成績を過大に見せることを実験で示します。自己改善の研究では、不確実性を伴うホールドアウト上の改善量を報告すべきだと結論づけています。
説明言語エージェントの行動科学に向けた軌跡抽象化の手法
要約本論文は、言語エージェントの行動を研究するための手法を提案します。タスクやモデルを横断して成り立つ行動変数を見つけるため、軌跡の抽象化階層を再帰的に学習・検証します。まず役割と段階ごとの事象を測定し、時間的制約付きの関係を提案して安定性を検定し、選ばれた関係から片のエピソードレベルのモチーフ変数を構築します。有限サンプル検定や有限深度の上界、構成例による説明も含まれます。
説明対称性を用いた因果関係の部分的識別：データの対称性で因果効果の範囲を絞り込む
要約本論文は、既知のデータ対称性（特定のデータ変換の下で因果効果が不変であること）を、因果効果の部分的識別（PI）における新たな制約として用いる手法を提案しています。因果関数への形状制約と、データの前処理による測度変換の二つの方法で実装し、二つの代表的なPIモデルで境界が狭まることを示しています。母集団の場合は理論的に、有限標本の場合は実験により検証されています。
説明条件別精度プロファイル：多様な運用条件下でのLLM評価器の診断
要約本論文は、LLMを評価者とする二者比較の精度を、内容感度・頑健性・根拠の質という三つのカテゴリに属する八つの条件に分解する事後診断手法（CAP）を提案しています。7つのLLM評価器を6つのベンチマークで検証し、自作の制御テストベッド judgerEva-Standard を含みます。総合精度だけでは見えない評価器ごとの差異が明らかになったと報告しています。
説明ドリフトで量子化：ラベル不要のテキスト埋め込みモデル向け混合精度事後量子化
要約本論文は、関連性ラベルを必要とせず、表現ドリフトに基づいてテキスト埋め込みモデルの混合精度事後量子化を行う手法を提案しています。あるモジュールを量子化してコーパスを再エンコードし、出力埋め込みが全精度の位置からどれだけ動いたかで感度を測り、固定のパックバイト予算内で精度を割り当てます。5つの開発用モデルでは、構成レベルのドリフトと検索品質のマクロ Spearman 相関が 0.911 でした。独立に保留した3つのモデルでは、主要予算において同予算の一様精度よりドリフト法の数値は低く、著者は出力ドリフトが堅牢な粗い感度指標ではあるものの、普遍的に最適な配分目標ではないと結論づけています。
説明FLoRa：エネルギー制約下でデューティサイクル動作するLoRaノードからのドローン支援データ収集
要約本論文は、電池節約のためデューティサイクルで動作するLoRaデバイスから、無人航空機（UAV）がデータを収集するアーキテクチャFLoRaを提案します。経路計画に焼きなまし法、ホバリング位置の最適化にCMA-ES、ノードの探索に部分観測マルコフ決定過程を用い、新鮮なデータを評価しプローブ失敗を罰するVIP指標を導入しています。比較手法より期待VIP、ノード被覆率、収集成功数がいずれも向上したと報告されています。
説明PVSync：タイミングと調音を統一的に扱うリップシンク専門モデル
要約本論文は、音声と映像の時間オフセット推定と音素レベルの調音スコアリングを一つのモデルで行うPVSyncを提案している。同期には窓単位の対比学習を用い、同じビゼーム（視覚的に似た調音をまとめた類）の音声と映像の埋め込みを揃える音素レベルの目的関数を組み合わせる。ビゼームのラベルは強制アライメントされた書き起こしから自動生成される。人手評価との順位相関はスピアマンで0.83となり、LSE-Cの0.34を上回った。
説明データフリー拡散蒸留のための一貫性分布マッチング
要約フロー・拡散モデルは数値積分の計算コストが高く、推論が遅いという課題があります。本論文は、シミュレーション不要かつデータ不要で拡散・フローモデルを高速化する蒸留手法「Consistent Distribution Matching」を提案します。一つの生徒ネットワークで生成とスコア推定を統一し、凍結した教師モデルと学習可能な生徒モデルの2つだけを用いて単一の目標を最適化します。ImageNet 256×256では、1ステップ（1-NFE）でFID 2.04、4ステップ（4-NFE）でFID 1.37を、40エポックの学習で達成したと報告されています。
注目点教師を固定し生徒一つだけで学習する、データ不要の一貫性分布マッチング蒸留を提案し、収束証明とImageNetでの高精度な少ステップ生成を示している。
説明CM-DPO：LLMプランニングのための制約マージン直接選好最適化
要約本論文は、LLMのプランニングを学習させるCM-DPOという手法を提案しています。DPOの二値の選好信号を、決定的な記号検証器から得られ違反の重大さに応じてスケールされる連続的なマージンに置き換えます。ハード制約とソフト制約は辞書式目的関数で分離されています。TravelPlanner、NaturalPlan、PlanBenchなどのベンチマークで、CM-DPOで微調整した8Bモデルは高い合格率と解決率を示しました。
説明RLDiscover：LLM駆動による強化学習アルゴリズムの共進化
要約本論文は、大規模言語モデルによるプログラム進化を用いて、モデルフリー深層強化学習アルゴリズム（SAC、PPO、DQN）を自己進化させるRLDiscoverフレームワークを提案している。段階的共進化と段階的確率的評価により、4つのベンチマークで平均リターンが大きく向上し、各系統の中央値の改善は32%から84%である。独立した探索でも、解釈可能な適応的ロバスト損失や進捗依存の価値目標などの組み合わせが繰り返し発見された。
説明自然な家庭動画に基づく視覚言語モデルによる自閉症スクリーニングのための決定論的証拠層
要約本論文は、自閉症スペクトラム障害の早期スクリーニングを対象とし、視覚言語モデルの判定が実行ごとに不安定である問題に対し、判定をモデルの外に出して決定論的な重み付け評価器で行う手法を提案しています。家庭での自由遊び動画43本において、AUCは0.851±0.012、正解率は86.0%で、3回の実行すべてで74.4%の動画が正しくラベル付けされました。
説明AGAR：LLMによるプログラム進化のための強化学習基盤
要約本論文は、言語モデルがプログラムを書き換えて探索ループが採用候補を選ぶ進化過程を、マルコフ決定過程として定式化しています。行動はモデルが出力するプログラムではなく、モデルが条件づけられるモジュール化された接頭辞とされています。提案されたAGARは、信用割当・価値推定・適応的探索・経験記憶の各要素を個別に置き換えたり無効化したりでき、バックエンドモデルの勾配学習は不要です。19タスク、2種のバックエンド、3つの乱数シードによる実験で、AGARは多くのタスクで既発表の二つの基準手法を上回り、改善は競技プログラミング系のタスクに集中しました。
説明CurveTQ：回転なしで曲率重み付け探索を行うLLM重みのトレリス量子化
要約本論文は、大規模言語モデルの重みを2ビットで量子化する手法CurveTQを提案します。ランダム直交回転を行わず、層のヘッセ行列の対角重みをViterbi探索の分岐メトリックに組み込み、探索を曲率に沿わせます。論文では、3つの4〜8B Instructモデルで、両ベースラインに開始状態を与えた後も、QTIPとProteusより平均下流精度が1〜3ポイント高いと報告しています。
