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。
説明パターンに基づく木変換の型検査（木構造の式を、パターンの組で書き換える変換の型が保たれるかを確かめる研究）
要約本論文は、ソースパターンとターゲットパターンの組で木構造を書き換える変換を提案・研究している。例として (x·y)+(x·z) を x·(y+z) に変換する例が挙げられる。この模型は表現力が高い一方、等価性の判定は決定不能である。それでも、変換を正規の型を持つ木に適用して性質が保たれるかという型検査問題は決定可能であることを示し、交互木オートマトンの空性問題への帰着で証明している。
説明ReCast：LLMエージェントのための帰属指向ステップ表現学習
要約LLMベースのエージェントシステムでは、失敗は初期のステップに由来し後続のやり取りを通じて伝播するため、その発生源を特定しにくい。本論文は、凍結されたLLMの隠れ状態を帰属指向のステップ表現に変換するReCastを提案し、学習用データセットReCast-2Kも導入している。四つのベンチマークで最良のHit@1を達成し、Who&When AlgorithmとHandcraftedでは最強のベースラインをそれぞれ5.65、9.19ポイント上回った。
説明TokenBank：AIサービスのための金融インフラ
要約本論文は、構造化契約によってAIサービスの約束を表現する金融インフラ「TokenBank」を提案しています。サービス利用権、API価格差を現金で精算する先渡契約、将来のサービス収入を上限とする資金調達、特定のサービス障害に対する保護請求を扱います。899,441件のAPIリクエストの再生、実際のモデル駆動エージェント実行、契約APIテストで評価され、先渡契約は平均支出を下げる一方で、その標準偏差を増やすことが示されています。
説明ReCal：同方策蒸留からの回復を考慮した構造化プルーニングの較正手法
要約本論文は、剪定された推論言語モデルの同方策蒸留（OPD）による回復を改善する、RECAL（回復考慮型較正）を提案しています。剪定前に較正を調整する手法で、未剪定の教師モデルと剪定済みプローブの間の順方向 KL を用いて、剪定によって損なわれた教師に支持された予測を特定し、較正統計量を重み付けします。複数のモデルと剪定手法で数学的推論が一貫して向上し、AIME では最大 16.7 ポイントの改善が報告されています。
説明PathLang：計算病理学の視覚言語モデルを言語面から評価するベンチマーク
要約本論文は、病理画像の視覚言語モデル（VLM）を言語の観点から評価する、臨床に基づくゼロショットベンチマーク「PathLang」を提案しています。スライドや正解ラベルは固定し、診断文の表現だけを体系的に変えることで、表現の違いによる性能変化を検証します。九つのモデルと四臓器にわたる五つの公開データセットを用いた結果、臨床的に等価な言い換えに対して性能が大きく変動することが示されています。
注目点臨床的に等価な診断表現の変化を変数とした言語中心の病理VLMベンチマークを構築し、9モデル・5データセットで系統評価した。
説明Mine Odyssey：実世界における空間エージェント知能を評価するベンチマーク
要約本論文は、未知の環境の探索、相互作用による空間理解の更新、フィードバックに基づく行動調整能力を評価するベンチマーク「Mine Odyssey」を提案しています。Minecraft で再現した実在の場所 30 か所（5 大陸 20 か国・地域）に対する 180 のタスクから構成されます。評価された最高の成功率は 85.6% で、最強のオープンウェイトモデルは 23.9% にとどまり、現行モデルには大きな改善余地があることを示しています。
説明「いつも10:10」：参照画像が、プロンプトだけでは直らない時計の偏りを解消する
要約文章から画像を生成するモデルが、アナログ時計をほぼ常に10:10に描く偏りを検証した研究です。52のモデルで、時刻を指定しない、数字で書く、指針の位置を文章で説明する、参照用の文字盤を添えるという4通りの指定方法を比べました。参照文字盤を添えた場合、3つの時計がすべて正しい時刻を示した画像は75%で、数字だけの34%を大きく上回りました。
説明有限フィンスラー流マッチング：単一スナップショット軌跡推定のための力学考慮型測地線補間
要約本論文は、離散マルコフ遷移グラフから連続確率力学を学習するフィンスラー流マッチング（FFM）を提案し、単一細胞スナップショットデータからの軌跡推定に適用する。一次・二次の局所モーメントからフリードリン＝ヴェンツェル作用量に着想を得たフィンスラー構造を構築する。遷移動態が強い方向性や異方性を持つ場合に、保留された中間細胞集団の再現性が向上したと報告している。
説明DivMoE：ドメイン横断の専門家構成による細粒度MoEアップサイクリング
要約本論文は、事前学習済みの密なモデルを細粒度の混合専門家（MoE）モデルへ変換するDivMoEという手法を提案しています。単一のソースモデルから細粒度の専門家を作ると、ルーティングが崩壊して精度がほぼランダム水準まで落ちることを指摘しています。DivMoEは、ドメイン適応継続事前学習を経た密なモデルから専門家を初期化し、各トークンが異なるドメイン群の専門家を起動するよう制約するルーティングを用います。2つのベースモデルと15のベンチマークで複数の基線を上回ったと報告されています。
説明MetaEncoder：自然言語インターフェースによるマルチモーダル意思決定のための双方向エンコーダの限界を探る
要約本論文は、自由形式のテキスト生成ではなく、制約付きの決定と確率分布を出力する「システム1」型モデルを扱います。著者らは、ユーザーの要求と各候補を自然言語で表現する完全な自然言語ベースのインターフェースを提案し、その実装としてMetaEncoderを紹介します。MetaEncoderは、事前学習済みのMuse-Glimmer 30Bデコーダを指示追従型の意思決定エンコーダに微調整したもので、単方向の対照学習で訓練された双方向エンコーダ構造により、小規模から大規模な候補集合まで対応します。11のベンチマークスイート、190タスクで評価され、既存の最先端マルチモーダルエンコーダを上回る点と、推論を多用するタスクでの現在の限界が示されています。
説明拡散トランスフォーマーの低ランクW4A4量子化手法HSVDQuant
要約本論文は、マルチモーダル拡散トランスフォーマー向けに、4ビット重み・活性化量子化（W4A4）の学習後量子化手法HSVDQuantを提案している。低ランク補正と残差量子化を結合した校正問題として扱い、出力側の低ランク因子を除去して得られる補正済みHessianと、活性化量化誤差を抑える活性化ノイズ近似を用いる。5つの拡散モデルで評価され、Qwen3-8Bでも検証されている。ランク4のHSVDQuantが、ランク32のSVDQuantを上回る結果が示されている。
説明検索から再構築へ：長期対話のための進化可能な認知メモリ（CogMem）
要約既存の検索拡張生成（RAG）は記憶を受動的な保存として扱うため、出所のある主張と出所の不明な事実・出来事を区別したり、複数セッションに散らばる根拠を結び付けたりすることが難しいと論文は指摘します。著者らはPEC²F（Person-Event-Concept-Claim-Fact）グラフ構造に基づく認知メモリ・アーキテクチャCogMemを提案し、主観的主張の出所と対象を専用のClaimノードで保持し、決定的なグラフ操作で質問に関連する文脈を再構築します。LoCoMoおよびLongMemEvalでの実験では、多段階推論、時間的推論、知識更新のタスクで特に高い性能を示しました。
説明2隠れ層ReLUニューラルネットワークにおけるニューロン数最小化のNP困難性
要約本論文は、L^p近似誤差の制約の下で、2隠れ層ReLUニューラルネットワークに必要な隠れニューロンの最小数を効率的に計算できるかを検討する。著者は、任意の固定された入力次元、出力次元、およびp≥1について、その最適値を厳密に求めることがNP困難であることを証明している。この結果は、ネットワーク設計においてヒューリスティックな近似手法を用いることの理論的根拠を与える。
説明MedBenchAgent：医療VLMベンチマーク構築の体系的自動化に向けて
要約この論文は、医療用視覚言語モデル（VLM）のベンチマーク仕様そのものを自動的に導出する多エージェント枠組み MedBenchAgent を提案しています。タスク定義や根拠の対応付けなどを表す中間表現（BIR）を用い、計画と項目の生成を分けて行います。報告によると、タスク空間の F1 は 90.9% で、1000 件の抽出項目のうち 994 件が人手審査を通過し、12 のVLMを評価しています。
説明FloorSAV：AV-LLM向けに2次元フロアマップで空間音声・映像文脈を明示する手法
要約本論文は、動的な2次元フロアマップを描画して空間の音声・映像文脈を明示的に与えるFloorSAVフレームワークを提案します。フロアマップは一人称視点の映像と同期した入力ストリームとして音声・映像大規模言語モデル（AV-LLM）に与えられます。また、動的相対関係、領域、経路推論の問題からなるSAVED-Benchを構築しています。SAVED-BenchとSAVVY-Benchの各種タスクで空間推論性能が向上したと報告されています。
説明幾何から汎化へ：行正規化が Adam と Muon を上回る理由
要約本論文は、同じ訓練データに適合しても最適化手法によって選ばれる分類器の幾何構造が異なり、それが母集団性能に影響するかを検討します。高次元の多クラス分類において、行ごとの正規化（row normalization）が全バッチ Adam、ランダムシャッフル Adam の近似、厳密 SVD による Muon よりも母集団精度で厳密に高くなりうることを示します。等方的ガウス雲モデルで理論的に説明し、合成実験と言語モデルの最終層での実験によって予測された優位性を支持しています。
説明教師に有利な例を用いた協調的ガイド付き敵対的ロバスト蒸留：小型モデルの耐攻撃性を高める手法
要約本論文は、大規模な教師モデルの頑健性を小型の生徒モデルへ移すための手法CGARDを提案しています。同一の摂動近傍内で、生徒にとって敵対的な例と教師に有利な協調例を同時に最適化し、教師の敵対的監督と組み合わせます。CIFAR-10およびCIFAR-100で、ホワイトボックス評価と追加のブラックボックス転移評価を行い、強力なベースラインより一貫して頑健性が向上したと報告しています。
説明BeliefScope：大規模言語モデルにおける証拠駆動の修正と圧力による態度変化の診断
要約本論文は、同一命題に対する言語モデルの応答変化が、関連する証拠によるものか、事実を含まない利用者の方向的圧力によるものかを切り分けるブラックボックス実験枠組み BeliefScope を提案します。合成条件下で観測設計の信頼性を検証し、Qwen や Llama などのモデルを複数の評価条件で比較しています。結果は条件付きの信念-応答プロファイルとしてまとめられ、診断の有効な範囲も明示されています。
説明放射線科レポート生成のための効率的な多粒度知識転移手法（EMGKT）
要約本論文は、X線画像から放射線科レポートを自動生成する手法EMGKT（Efficient Multi-Granularity Knowledge Transfer）を提案しています。医療視覚言語モデルで全体的な文脈知識を符号化し、教師・生徒埋め込みを用いた細粒度知識蒸留で重要領域の詳細な知識を学習します。推論時は生徒埋め込みのみを使うため計算コストはほぼ増えません。さらに疾患埋め込みで初期化した専門家分類器の混合モデルも導入されています。二つの公開データセットでの実験により、有効性と既存手法への適用可能性が示されたとされています。
説明iCATS：相互作用認識型スパースアテンションと時刻適応型スパース性による高速動画生成
要約本論文は、ファインチューニングなしで拡張拡散Transformer（DiT）の動画生成を高速化する手法iCATSを提案しています。クエリとキーの内積による相互作用に基づくクラスタリングで重要度を推定し、ノイズ除去の各時刻の信号対雑音比（SNR）に応じてスパース性を動的に調整します。原文によると、HunyuanVideo-T2V-13Bでは2.03倍の高速化とPSNR 31.017 dB、Wan2.1-T2V-14Bでは1.55倍の高速化とPSNR 29.301 dBを達成したとされています。
説明LLMベースのコード生成における過信的な失敗の特徴づけ
要約本論文は、コード生成用LLMが誤ったプログラムを正しいプログラムと同程度のトークンレベルの確信度で出力する過信の問題を研究しています。4つのオープンソースのコードモデルと3つの実行ベースのベンチマークで、既存の不確実性指標が実行の正しさを信頼できる形で示すかを分析しています。研究では、既存の不確実性信号は部分的でモデルに依存した根拠しか示さず、一般的な緩和策も過信的な失敗を確実には解消しないと報告されています。
説明DuplexAgent-RSI：全二重音声エージェント協調のための再帰的ハーネス改善
要約本論文は、タスクの受付・進捗・キャンセル・差し替え・結果提供を、会話の応答性を保ちながら調整する全二重音声エージェント協調システムDuplexAgentを提案しています。ハーネスは編集可能な6つのモジュールで構成され、Duplex-Harness-RSIという閉ループが対話トレースをもとにそれらを修正します。実験では、比較対象の委任型システムより口語知識と実行可能ツールのスコアが高く、割り込みへの応答も強いことが示されています。
説明MLPとKANを融合した空間-周波数認識型暗黙的ニューラル表現：多次元信号の再構成手法
要約本論文は、低周波の滑らかな構造を扱うMLP分岐と、局所的な細部を補うKolmogorov-Arnold網（KAN）分岐を組み合わせ、出力段でウェーブレット変換により両者を融合する暗黙的ニューラル表現の枠組みを提案している。一次元信号、二次元画像、三次元ボリュームと符号付き距離関数、動画、四次元ライトフィールドで実験を行い、評価したいずれの信号種別でも再構成精度の向上を報告している。
説明ORDO：MIP前処理向けの操作単位・ラウンド認識型動的順序付け
要約混合整数計画（MIP）では前処理の順序が求解性能に大きく影響しますが、既存の学習手法はパラメータ設定の最適化にとどまり、動作間の時間的依存関係を表現できないと論文は指摘します。著者らは前処理計画を統一された原子的動作空間上の自己回帰的系列生成として再定式化し、ORDOフレームワークを提案しています。複数の未知の領域で、ゼロショットのエンドツーエンド高速化を達成し、候補系列を並行実行して最良のものを採用する方式で展開されます。
説明オンポリシー蒸留はいつ必要か：オフラインの学生ロールアウトによる蒸留が多くの場合有利
要約本論文は、オンポリシー蒸留（OPD）と、初期学生モデルが生成したオフラインのロールアウトで蒸留を行う Semi-OPD を比較しています。パラメータ数 1.5B から 235B までの 17 組の師生モデルのうち、14 組で Semi-OPD が OPD を上回り、精度は最大 13.6%、学習速度は最大 11.4 倍向上しました。どちらが有効かは初期の師生モデルの出力トークン重複率に依存し、OPD が有益なのは両者が高い重複率で整合している場合に限られると報告しています。
説明可能性推論による開かれた科学的発見
要約本論文は、LLMによる自律的な科学的発見を扱い、証拠の蓄積に応じて仮説を適応的に生成・検証しつつ統計的妥当性を保つ問題を、可能性理論を用いた「アブダクティブ自律科学的発見（AASD）」として定式化しています。発見の進展を計算可能に測る「アブダクティブ効用」と、AASDのための最初のアルゴリズムである「可能性フロンティア探索」を提案し、適切な条件下で漸近的にε最適な効用を達成するとしています。合成および実世界の科学的発見課題での実験でも良好な結果が示されています。
説明ランダム特徴による条件付き拡散モデルの記憶と悪性汎化の分析
要約本論文は、条件付き拡散モデルの記憶と汎化の振る舞いを理論的に分析し、ランダム特徴の条件付きスコアモデルを高次元の比例極限で扱って、訓練損失とテスト損失の漸近式を導いています。過パラメータ化の領域では、モデル幅を増やすと条件に依存する平均の予測は改善する一方、同一条件内の予測分散は小さくなり、著者はこれを「悪性汎化（malign generalization）」と呼んでいます。さらに、情報量の多い条件ほど、より小さい幅で訓練サンプルを記憶することが示されています。理論結果は、現実的なデータに対するU-Netアーキテクチャの実験で裏付けられています。
説明REMORY：文脈圧縮のための残差メモリの学習
要約長期的なタスクを行うエージェントは、有限のコンテキストウィンドウ内で作業を続けるために履歴を圧縮するが、テキストの要約だけでは後続のすべての判断を支えられない場合がある。本論文はREMORY（残差メモリ）を提案する。これは要約に有界なソフトメモリトークン列を補うニューラルメモリネットワークである。ネットワークは要約に条件付けられたトークンを生成し、凍結されたLLMが完全な履歴で行うであろう続きの生成を近似できるよう学習する。SummHayでは、洞察のカバレッジをほぼ保ったまま出典の帰属を改善し、入力位置のわずか5.2%で完全コンテキストの共同スコアに近づいた。
説明シーンテキストがシーンを乗っ取るとき：画像生成モデルにおける描画テキストの意味漏洩の解明・悪用・緩和
要約本論文は、画像生成モデルにおいて、画像内に描画された文字の言語的意味が指示の一部として解釈され、文字以外の領域に影響する現象を調べています。メインの視覚プロンプトと描画テキストを分離し、意味漏洩と描画の忠実度を測定しています。さらに、メインプロンプトが無害でも、シーンテキストに埋め込まれた有害な意味がLLMによるプロンプト拡張を経て残り、画像に影響しうることを示しています。また、FLUX-2-devで文字描画を維持しつつ、不適切な意味の転移を減らす予備的な緩和手法を提案しています。
説明DynaTE：動的トークン実行による拡散型LLMの高速化
要約本論文は、拡散型大規模言語モデル（dLLM）のデコードを高速化するハードウェア・ソフトウェア協調設計のアーキテクチャDynaTEを提案しています。デコード中のトークン状態の変化に応じて実行を動的に調整し、有用性の低いトークンの計算を省略するとともに、局所的に依存するトークンを反復内で精緻化して去雑音の反復回数を減らします。二つの代表的なdLLMでの評価では、既存のdLLMアクセラレータに対して2.05〜2.78倍の高速化と2.99〜3.93倍のエネルギー効率向上を、Jetson AGX Orinに対して2.55倍の高速化と6.07倍のエネルギー効率向上を達成したと報告しています。
説明Being-M0.7：ヒューマノイドロボット向け潜在ワールド・アクションモデル
要約本論文は、ヒューマノイドロボットの移動と操作のための潜在ワールド・アクションモデル Being-M0.7 を提案する。1万時間を超える人間中心の生データから、映像のみ・動作のみ・映像と動作の対のデータを用いて事前学習し、ロボットによる中間学習と動作の事後学習を経て、視覚と動作の事前知識をロボット制御へ移す。SIMPLE ベンチマークでは比較した基準手法の中で総合成功率が最も高く、実機の Unitree G1 の移動・操作タスクでは最強の基準手法と同等であった。
説明代理報酬での事後学習：エンベロープサンプリングで報酬ハッキングを抑える
要約大規模言語モデルは、人間の選好のような真の報酬を大規模に問い合わせるのが高コストなため、LLM審査員などの安価な代理報酬で事後学習されることが多いです。代理報酬の校正が不正確だと報酬ハッキングが起きます。本論文は、専門家が注釈した少数の出力で審査員を再校正し、人間の報酬と再校正後の報酬が審査員周辺のL2球内にあると仮定して、事後学習モデルの後悔の上界を最小化するエンベロープサンプリングを提案します。臨床ノート生成と統制された追従（sycophancy）課題の実験では、ベースモデルの出力で再校正する場合よりも、エンベロープサンプルで再校正する方が報酬ハッキングを軽減できることが示されています。
説明多言語音声モデルにおける音韻干渉：単一言語の音韻規則を混在・未知言語の音声に当てはめてしまう問題
要約本論文は、音素単位のモデルが、二言語を交互に使う語のコードスイッチングや訓練に含まれない低資源言語で誤りやすい理由を述べています。モデルは入力が単一言語だと仮定して、その言語の音韻を押し付けるため、局所的な音素判断が上書きされます。コードスイッチングの入力では、三つのモデルが一方の言語にしかない音素の32%から79%を失いました。提案手法の窗口化言語推定（WLE）は推論時に各位置近傍の短い窗で言語を推定し直し、干渉を34%から69%除去しつつ単言語の性能はほぼ変えませんでした。
説明Gated Memory：対話型AI向けの入場制御付き記憶形成手法
要約パーソナライズされた対話型AIは、ユーザーの発話から事実を抽出して永続的なベクトルストアに保存する長期記憶システムに依存しています。本論文は、事実が初めて保存される「形成」段階がほとんど検討されていない点を指摘し、抽出で三つ組にされた時点で発話中の文脈情報が失われることを問題とします。提案手法Gated Memoryは、対話と保存の間に入場ゲートと条件付き補強の二つの判定点を設けるフレームワークです。LoCoMo-10ベンチマークでは、同一の検索・生成構成の強いベースラインに対し、LLM評価の精度が全体で約2.6%の相対改善を示したと報告されています。
説明TaReD：長期タスクのためのツール認識型再帰的分解手法
要約論文は、エージェントが単一の実行チェーンで推論と行動を繰り返す場合、履歴の増大によって複雑なタスクで信頼性が低下すると指摘しています。著者らは、ツールを機能的関係に基づいて能力の階層に整理し、実行時にツールを必要に応じて発見しながら、各段階で必要な能力に対応するサブタスク木へ再帰的に分解するTaReD（Tool-Aware Recursive Decomposition）を提案しています。実際の複雑なタスクでの実験では、比較対象の基線に比べ、エンドツーエンドの成功率が最大40ポイント向上したと報告されています。
説明LR-V2X：低帯域通信下でパケット損失に強い協調認識
要約本論文は、車車間・路車間通信（V2X）で低帯域かつパケット損失がある状況でも協調認識を成立させる、潜在空間再構成フレームワーク LR-V2X を提案します。受信が損傷した潜在表現を空間的な事前情報に変換し、自車のコンテキストを条件として欠落した BEV 情報を再構成します。完全な通信条件だけで学習でき、有損環境にそのまま適用できます。DAIR-V2X と V2XREAL での実験では、深刻な損失下で最も高い頑健性を示し、稠密な BEV 特徴融合の基準手法と比べて通信オーバーヘッドを 64 倍削減しました。
説明SLICE-Mem：大規模言語モデルエージェントの効率的な記憶のための軽量フレームワーク
要約本論文は、大規模言語モデルエージェントの長期記憶を保持する軽量フレームワークSLICE-Memを提案する。コンパクトな分類器が保持すべきユーザー発話を選別し、意味依存に基づく抽出器がそれを簡潔な記憶エントリに変換する。オンライン処理では生成型LLMを呼び出さず、エントリ間の整合はオフライン段階に回される。MemOSと比較して、オンライン処理は同程度の精度を保ちながら、LLMのトークン消費を大幅に削減している。
説明表現学習における残差スペクトル不安定性：変分オートエンコーダの潜在次元が段階的に崩壊するスペクトル的カスケードの解釈
要約本論文は、変分オートエンコーダ（VAE）における次元ごとの事後分布崩壊を、部分的に崩壊した状態の周りの揺らぎ理論として定式化している。負の証拠下界を有効自由エネルギーとみなして二次展開し、崩壊方向の正確な質量スペクトルを導出した。デコーダの分散が残差スペクトル上端を下回ると自由エネルギーが下がるという再活性化の判定基準を示し、数値実験では潜在次元がこれらのスペクトル境界付近で順次失われることを報告している。
説明LLM-IDEA：機構的世界モデルを自律的に発見する、識別可能性駆動型の実験エージェント
要約本論文は、閉ループで科学的発見を行う自律エージェント LLM-IDEA を提案します。その識別可能性エンジンは、停滞時に「能力の限界」「同種の設計内で解決可能」「その種の実験では尽くされたと証明」の三通りの判定を返します。ODEBench、DiscoverPhysics、および著者らが提案した Alien Universe の各テストベッドで、モデルが識別可能かどうか、どの実験を行うべきかの判断に用いられています。
注目点可識別性エンジンによる三分類の判定を提案し、複数のベンチマークと自作の試験台で検証しており、新規性と根拠は十分で、影響は自律的科学発見の分野に限られる。
説明人間の車間追従行動を模倣する神経記憶ファジィ推論システム
要約本論文は、手続き記憶、作業記憶、エピソード記憶、意味記憶、宣言記憶の五種類の人間の記憶を統合し、車間追従における加速と減速を非対称にモデル化する神経記憶ファジィ推論システム（NeMeFIS）を提案している。幹線道路、集散道路、郊外幹線道路を対象に54の学習済みモデルで検証され、線形回帰、ANFIS、LSTMと比べて現実的な運転挙動の再現性で優れた結果を示した。著者らは、このフレームワークが運転者の認知のモデル化や、コネクテッド・自動運転車の安全な意思決定に役立つと述べている。
説明V-CoLA：線形アテンション向けの視覚トークン圧縮手法
要約視覚言語モデルは、入力系列の大部分を視覚トークンが占めるため計算負荷が大きいという課題があります。本論文は線形アテンションを含むハイブリッド構造向けに、学習不要のトークン圧縮フレームワークV-CoLAを提案します。重要な視覚トークンを特定する独自性考慮の重要度基準と、圧縮を行う適応的トークン統合戦略を備えています。実験では、視覚トークンの50.0%だけで元の性能の99.5%を、12.5%でも88.0%超を達成し、プリフィルは1.86倍から6.15倍に高速化したと報告されています。
注目点線形注意力ハイブリッドモデル向けに学習不要の視覚トークン圧縮を提案し、複数ベンチマークで検証しており、サブ分野に有用。
説明オンポリシー蒸留が失敗することがある理由：消失する学習信号
要約本論文は、大規模教師モデルを用いたオンポリシー蒸留（OPD）で早期の損失プラトーが生じる原因を調べたものです。コード生成と数学推論の実験では、200回の更新後の損失低減は平均25.1%にとどまり、強化学習で訓練した自己RL教師では96.2%でした。特定の条件下での局所的な回復保証も示されていますが、勾配が弱まる根本的な理由は未解明です。
説明クエリごとに読み取り精度を適応させる KV キャッシュ量子化（必要な精度だけを読む手法）
要約本論文は、デコード時の KV キャッシュ量子化を扱います。キャッシュは将来のクエリが分かる前に格納されますが、各クエリが必要とする精度の位置は異なります。提案手法 ReadKV は、各キーと値を複数の精度で再構成できる段階的符号として保存し、クエリごとにその接頭辞を割り当てます。6 つのベースモデルで、8 ビットキャッシュから平均 4 ビットを読む設定では、C4 のパープレキシティ増加は最大 0.66% で、16 ビットキャッシュに比べ論理読み取りは約 4 分の 1 です。
注目点クエリごとに段階的に符号化されたKVキャッシュを適応的に読む新しい枠組みを提案し、理論証明と6モデル・実機遅延の実験で裏付けている。
説明ReTTT：経験ベースのパラメトリックメモリによる反省駆動型テスト時学習
要約本論文は、LLMエージェントが多ターンのタスク実行中のフィードバックを振り返り、得られた教訓を明示的なメモリに保持し、エピソード内のLoRAアダプタを更新してテスト時に学習させるReTTTを提案しています。バックボーンは凍結したままです。ALFWorld、ScienceWorld、SWE-bench Liteの6つのモデルとベンチマークの組み合わせすべてで、軌跡ベースのテスト時学習を上回り、タスク成功率を最大12.14ポイント向上させたと報告しています。
説明TAP3D：サーマルアシストによる3D人体点群再構成
要約本論文は、低コストのサーマルアレイセンサーを用い、人体の熱信号のみから3D人体点群を再構成するシステムTAP3Dを提案している。LiDAR、レーダー、深度カメラに比べ、コスト、点密度、人体感度、プライバシーの面で利点があるとしている。物理情報を組み込んだ設計により深度推定、熱干渉、複数人の分離に対応し、16万サンプルのデータセットで評価を行った。転倒検知（精度91.46%）、屋内追跡（平均絶対誤差21.86cm）、人体メッシュ復元（誤差4.87cm）などの下流タスクで良好な結果を示したと報告している。
注目点体熱信号から熱アレイで3D人体点群を初めて再構成し、物理情報付きの多基元推定と幾何融合を提案。16万サンプルで転倒検知や追跡を検証。
説明「どの例が効くか」だけでなく「どう効くか」を帰属させる：拡散モデルの反事実応答軌跡
要約本論文は、拡散画像生成モデルの出力を個々の学習例まで遡って帰属させる手法CADTを提案します。同一のノイズ状態で対応づけた反事実ペアを作り、因子ごとの表現の変位を抽出して、ノイズ除去の過程に沿った動的な軌跡として記述します。著者らは、複数の公開データセットで、階層・構成・スタイルの各帰属タスクにおいて既存の拡散帰属手法を上回ったと報告しています。
説明グループサイズの壁を越える：「ダンサーチェーン」によるパラメータ効率の良い群舞生成
要約本論文は、音楽から複数人の振付を協調して生成するグループダンス生成を扱います。提案手法ChainDanceは、群舞を各ダンサーを順番に生成する「ダンサーチェーン」として定式化し、再学習なしに異なる人数に対応でき、各ダンサーの個性も保持します。凍結した単独ダンサー拡散モデルに2つの軽量モジュールを加え、推論時には学習不要のノイズ最適化で全体の空間的整合性を高めます。AIOZ-GDanceでの実験では、動きの品質と群の協調性で最先端の結果を示し、パラメータ数は3〜4倍、学習時間は3〜6倍少なくなっています。
説明低コストセンサーによる室内空気質モニタリングの校正：データセット、評価シナリオ、軽量モデル
要約本論文は、低コストセンサーに生じる非線形な歪み、ノイズ、時間的ドリフトへの対策として、五か所で六か月間収集した、低コストセンサーと参照センサー、文脈メタデータを含む多変量の室内空気質データセットを提示します。このデータセットに基づき四つの評価シナリオを定義し、入力ウィンドウ圧縮と残差の時系列・特徴量融合を組み合わせた軽量な時系列モデルを提案しています。実験では、四つのシナリオすべてで良好な校正性能を示し、エッジ推論のコストも低いとしています。
説明MiniVer-V：短い動画の検証に必要最小限の十分な証拠を特定する
要約本論文は、短い動画のファクトチェックで「どの証拠が結論を支えるのに十分か」という課題に取り組み、証拠の十分性を選択基準とする手法を提案しています。著者らは195本の短い動画、三値の判定ラベル（支持・反証・証拠不足）、5,510件のマルチモーダル証拠単位からなるベンチマーク「MiniVer-V」を構築し、二層の検証フレームワークと十分性に基づく貪欲探索を設計しました。Claude Sonnet 4を用いた場合、平均約4.5件の証拠単位（全体の約16%）で、マクロF1は0.510となり、全証拠を使う基準（0.518）と統計的に有意な差はありません。また、判定を保留する機構を持たない同じ探索と比べ、証拠不足の事例の識別が改善されたと報告されています。
説明Harness Compilation：小型視覚言語モデルはどの判断を担うべきか
要約本論文は Harness Compilation（HC）を提案します。これは、凍結された小型視覚言語モデルと外部ハーネスの作業分担をオフラインで調整する手法です。大規模な教師モデルが生徒モデルの実行トレースを用いて再利用可能な内容と制御を修正し、別の検証セットが展開するハーネスを選択します。展開時には重みの更新も教師モデルの呼び出しも不要です。7つの視覚質問応答設定で、HCは素の生徒モデルより9.9～23.9ポイント高いスコアを示しました。
説明SteerCast：デコーダー専用時系列予測のための検索ベース潜在空間ステアリング
要約本論文は、パラメータを更新せずに推論時にデコーダー専用予測モデルを改善する検索ベースの手法SteerCastを提案します。学習データから、各履歴ウィンドウの表現と、正解の続きとモデル自身の予測から得られる表現の差分であるステアリングベクトルを保存したデータベースを構築します。テスト時には類似の履歴を検索し、そのステアリングベクトルを隠れ状態に注入します。複数の多変量ベンチマークで予測精度の向上が示されています。
説明協調フィルタリング経路に基づくマルチモーダルグラフ検索拡張型シーケンシャル推薦
要約本論文は、マルチモーダル大規模言語モデルによるシーケンシャル推薦のためのMGRASRecフレームワークを提案します。ユーザー・アイテム相互作用グラフから候補アイテムに関連する協調フィルタリング経路を検索し、マルチモーダル類似度で範囲を広げたうえで、その信号をプロンプトに直接組み込みます。各候補に対する推論は一度の順伝播で済み、三つの公開データセットで全指標の最高性能を示し、特にランキング品質の向上が顕著です。
説明再構成誤差を下げると逆効果になる場合：低ビットLLM量子化のための分布頑健な精密化
要約本論文は、重みのみを量子化する学習後量子化（PTQ）が再構成誤差の最小化に大きく依存しているものの、その誤差を下げた重みが新しいタスクで必ずしも性能向上にならず、同じ校正データでも性能が低下しうることを示しています。そこで著者らは、制約付きの入力活性化分布集合上で最悪ケースの再構成誤差を最小化する事後精密化手法、分布頑健量子化（DRQ）を提案します。DRQ は既存の量子化グリッド内で整数コードのみを調整し、量子化パラメータと推論演算子は変更しません。AWQ や GPTQ など六つの代表的手法に適用して性能向上を確認し、推論時の追加コストはありません。
説明SafeInferCom：ロボットタスク計画のための検証器誘導による生成途中介入型の安全な推論時計算
要約大規模推論言語モデルはロボットのタスク計画で多段階の推論を可能にしますが、推論を続けると有効な中間計画が上書きされたり、制約違反が解消されないことがあります。本論文は、元のデコード過程を乱さずに中間計画を検証する監視器と、生成中に有効な計画を保持し誤り修正を導く形式的検証器ベースのフレームワーク「SafeInferCom」を提案します。一回推論と比べて計画成功率が向上し誤り修正が速まり、反復的洗練と組み合わせるとトークン使用量も削減されたと報告されています。VirtualHomeと実機のロボットアームでも評価されています。
説明種を超えた表現学習：マウスとヒトの神経動態を整合させ臨床薬効を追跡
要約本論文は、種ではなく生物学的状態に基づいて電気生理データの表現を整理する二重規則対比学習の枠組みを提案し、マウスとヒトの対応する状態を整合させます。てんかん研究では、3種類のマウスモデルとヒト患者集団の関係を区別しました。凍結された種横断表現に投影した治療マウスの薬剤誘発性の動きは、疾患特異的な有害作用を含む10のモデル・薬剤組み合わせで既知の臨床効果と一致しました。また、Fmr1ノックアウトマウスとヒト16p11.2コピー数変異保有者に共通する疾患関連の神経動態も同定されました。
説明把持はどれくらい強くすべきか——視触覚で材料特性を推定し最小把持力を決めるロボット研究
要約本論文は、ロボットが把持中に物体の質量・弾性・表面摩擦などの材料特性をリアルタイムに推定する視触覚的手法を提案している。推定値をもとに、物体を扱うのに必要な最小把持力を決定する。実在の果物や野菜の形状・質量・弾性・摩擦を測定したデータセットを新たに作成し、シミュレーションで力推定モデルを構築した。平行チャック型グリッパーを用いた実験では、多様な物体をやさしく把持し、それぞれの物理特性に適応できることが示された。
説明社会的世界モデル評価のギャップ：システムは相手の反応を正しく予測できているか
要約本研究は1999年から2026年に発表された113件の研究を検討し、社会的世界モデルの評価が相手の反応予測能力を直接検証しているかを調べています。実際の人の反応を測定した主要な評価は9件で、そのうち明示的な反応予測と実際の反応を比較したのは2件のみでした。研究者は、これらの問いを区別する1ステップの交渉実験を提案しています。
説明「遷移則の格子」：拡散モデルと自己回帰モデルの復号スケジュールを統一的に扱う理論枠組み
要約本論文は、拡散モデルと自己回帰（AR）モデルをともに同一の劣化格子上の経路として捉え、並列ステップで失われる依存関係によって復号スケジュールのコストを定義します。グラフ上でマルコフ的かつ経路に沿って依存するデータでは、コストがゼロのスケジュールの最小ステップ数はグラフの木深さに等しいことを示しています。木深さより少ないステップ数では、事前学習済み重みから推定した依存カーネルを用いて、復号前に各スケジュールのコストの順位を予測し、テキスト・画像・動画生成でその多くを検証しています。
注目点拡散と自己回帰を腐食格子上の経路として統一し、木深さで最小ステップ数を特徴づけ、テキスト・画像・動画で復号順位を検証しており新規性が高い。
説明GATOR：何気ない写真から生成・エージェント的に3Dオブジェクトを再構築する手法
要約この論文は、一枚または複数枚の普通の写真から、テクスチャ付きの3Dオブジェクトとシーンに対する相対姿勢を復元するフレームワーク「GATOR」を提案しています。局所的なモダリティ融合、テキストによる意味条件付きの生成モジュール、そして観測に基づいて編集・レンダリング・確認を繰り返すマルチモーダルエージェントによって結果を段階的に洗練します。著者らは、合成物体、散らかった卓上、室内シーンで幾何と外観の忠実度および姿勢復元が高いと報告しています。
説明KVキャッシュ量子化と線形アテンションの橋渡し：理論から事前学習済み重みの移行まで
要約本論文は、KVキャッシュ量子化が各KVエントリを個別に圧縮しつつ全エントリを保持する一方、線形アテンションは履歴を固定サイズの連続状態に集約することを指摘しています。著者らは、離散アドレス空間上のソフト割り当てによってこの両者を一つの仕組みで結び付ける RAM-Net を提案し、制限付きの構成のもとでソフト割り当てがハード量子化マッチングを拡張し、全アテンションの類似度を局所的に近似できることを証明しています。さらに、ソフト量子化の中間構成を経由する Transformer から RAM-Net への重み移行を示し、0.3B から 7B パラメータの事前学習済みモデル9種において、各モデル5億トークンの予算で、6つの常識・知識タスクにおける教師モデルの精度向上の平均87.1%を回復したと報告しています。
説明AliO：長期時系列予測における出力アライメントの重要性
要約長期時系列予測（LTSF）は、現在のデータ系列を入力として将来の系列を予測するタスクで、気象予報や電力消費計画などに用いられています。本論文は、既存の最先端モデルが、遅れた入力系列に対して同じ時刻の予測出力を一致させられず、予測結果が変動して信頼性を損なうと指摘します。これに対し、時間領域と周波数領域の両方で同時刻の予測出力の差を縮める手法 AliO（Align Outputs）を提案し、出力の一致度を測る新指標 TAM（Time Alignment Metric）を導入しています。実験では、TAM が最大58.2%向上し、予測性能も最大27.5%維持または向上したと報告されています。
説明視覚 Transformer の表現構造を分析：厳密なアーキテクチャ研究
要約本論文は、さまざまな規模の視覚 Transformer（ViT）における特徴情報を体系的に分析し、表現構造と汎化性能の関係を検討しています。初期化時の特徴崩壊を見出して緩和手法を提案し、エントロピーと最小固有値を用いて汎化性能を予測できることを示しています。線形サブモジュールが生成する特徴が汎化予測に重要であることも指摘され、提案された代理指標は従来の基準より相関ランキングを 18〜48% 改善したと報告されています。
説明平坦な極小値は汎化を高めるのか？Grokking に見るアルゴリズムの分離
要約本論文は、ニューラルネットワークの損失地形の平坦性が実際に汎化を駆動するのかを、Grokking（長く暗記状態が続いた後に突然汎化する現象）を検証の場として調べている。シャープネス認識最小化（SAM）単独では転移を確実に誘発できないが、重み減衰と組み合わせると転移を最大 4 倍（エポック単位）加速できることを示した。理論解析では、平坦性だけでは暗記解と汎化解を区別できず、重み減衰は汎化解を優遇することを示している。
説明UMAS：マルチエージェントLLMシステムのためのシステムレベル不確実性定量化
要約本論文は、マルチエージェントLLMシステム向けの、パラメータ不要かつ推論コストを増やさないシステムレベルの不確実性定量化フレームワーク「UMAS」を提案します。各生成の内在的な信頼度からエージェント間の影響の信頼性を推定し、それを用いて各ノードの不確実性を更新した後、システム全体の推定値に集約します。DebateとDyLANでの評価では、既存の基準手法より平均10.54 AUROCポイント高い性能を示し、幻覚検出や不確実性を考慮した回答選択にも利用できると報告されています。
注目点マルチエージェント構造を利用した系統レベルの不確実性定量化を提案し、DebateとDyLANでAUROCを平均10.54点上回るなど、評価は充実しているが影響範囲は特定フレームワークに限られる。
説明PageWeaver：KVページ誘導によるクエリ統合のスパースアテンション
要約本論文はPageWeaverという実行設計を提案します。各クエリが選択したKVページの類似性に基づいてクエリを組み合わせ、ページ読み込みを共有しTensor Coreを効率的に使えるようにします。H200上でFP8 KVを用いたUnion8実装は、測定されたFlashInferの経路に対し、6つのキャプチャで幾何平均1.70倍の呼び出し高速化を示しました。オンライン再グループ化の効果や準備コスト、B300との比較も検討されています。
説明センサーベース行動認識における、グループ考慮型の古典的機械学習と深層学習の比較研究
要約本論文は、UCI-HARとKU-HARという2つの公開データセットで、古典的機械学習モデル4種と深層学習モデル4種を、加速度計、ジャイロスコープ、およびその組み合わせの3つのセンサーモダリティで比較評価したものです。被験者単位のグループ分けによる5分割交差検証を用いています。深層学習が一貫して優れていたわけではなく、組み合わせモダリティが概ね良好で、ランダム分割は性能を過大に見積もることが示されました。
説明3DTexMOR：テクスチャ空間インペインティングによる3Dガウシアン複数物体除去
要約本論文は、再構成された3Dシーンから複数の対象物体を取り除き、遮蔽された領域の形状と外観を補完する手法3DTexMORを提案している。全視点で共有する統一テクスチャ空間でインペインティングを行い、多視点の情報をテクスチャマップにまとめて欠損部分を補い、各視点に再投影して3Dガウシアンのシーン補完を監督する。視点依存のハイライトを避けるため色ではなく視点非依存の内在属性を集約し、補完領域の形状には幾何的正則化を加えている。著者らは多物体除去で最先端の性能を示し、既存手法と比べPSNRが5.8 dB向上、LPIPSが少なくとも22%低下したと報告している。
説明選択的な聴取：大規模音声言語モデルにおける音声影響の機構ガイド制御
要約大規模音声言語モデル（LALM）は、タスクに無関係な音声によってテキスト推論の結果が変わることがあります。本論文はICAP-Gateを提案し、各モデルの後段音声経路をタスク条件に応じて機構ガイドで制御します。4モデル・2つの推論ベンチマーク・2種類の干渉条件で、影響率と回答反転率の点推定値が非制御推論より低い結果を示しました。
説明OmniDex：多様な乱雑シーンへ広げる器用な手による把持
要約本論文は、身体性AIにおける器用な手の把持について、乱雑なシーンの大規模データが不足している問題を扱います。著者らは260万以上のシーンと4億件のシーン固有の把持正解データからなるベンチマークを構築し、ソフト勝者総取り学習と物理制約を組み合わせたOmniDexモデルを提案しています。実験では、多様なシーン、視点、未知の物体に対して高い性能と強い汎化を示したと報告されています。
説明一つのモデルで複数の計算予算：ターンごとに柔軟な多比率 ConceptMoE
要約本論文は、同一の共有モデルがトークンから概念への2・4・8の圧縮比を併用できる Multi-Ratio ConceptMoE を提案し、多ターン対話で各ターンの計算量を柔軟に割り当てられるようにする。PTBench と SFTBench では、3つの固定モードがいずれも計算量を合わせた MoE ベースラインを上回った。CodeChat と CoSQL では、混合比率推論が精度と計算量のトレードオフを改善し、FLOPs を削減した。
説明未来は予測可能か？信頼できる時間推論のための将来予測可能性のモデル化
要約大規模言語モデル（LLM）は未来についての推論でまだ信頼性が低く、問われた事実自体が変動しやすい場合でも、特定の答えを断定しがちです。本論文はこの課題を扱うため、過去の時間的証拠が将来の答えへの確定的な回答を正当化するかを判断させるタスクChronoRegimeを提案します。さらに、時間的ダイナミクスから将来の予測可能性を推定し、それに応じて回答するかを制御する枠組みCTR（Confidence-Aware Temporal Reasoning）を提案しています。複数のLLMで、単純な質問応答のベースラインと比べ、CTRは厳密な総合精度を平均6.7ポイント向上させ、幻覚率を平均18.4ポイント低下させたと報告されています。
説明再帰的意味的乖離：LLMエージェントの一貫性を高める教師なし指標
要約本論文は、ツールを使用するLLMエージェントが同一状態から独立に複数回実行すると、挙動が一貫しない場合があることを指摘しています。著者らは、軌跡レベルの一貫性指標である再帰的意味的乖離（RSD）を提案し、自然言語推論で二つの独立した実行間の論理的矛盾を検出し、ニューラルネットワークで近似しています。RSDを微調整の報酬信号として用いると、二つのベンチマークでタスク進捗のばらつきがそれぞれ132%から91%、90%から44%に低下したと報告されています。
説明何を取り込み、どう提示するか：LLMエージェントの永続メモリの統制
要約本論文は、LLMエージェントの永続メモリに関する二つの統制判断を扱います。一つは想起された情報のうちどれを作業文脈に入れるかという「受け入れ（admission）」、もう一つは受け入れた情報をどう表現するかという「提示（presentation）」です。著者らは再学習なしで動く二つの推論時設計を実装し、外部ベンチマークでの総合的な失敗率を逐語的注入より下げたと報告しています。ただし、有益なメモリ利用をどう保つかは未解決だとしています。
説明深度マッチングと対称性伝播によるRGBD から 3D オブジェクトメッシュへの精緻化
要約単一視点の3D再構成手法が生成するメッシュは、入力視点と一致しないことが多く、特に深度の不連続部分や自己遮蔽部分で顕著です。本論文は、再学習なしで任意のRGBから3Dへの再構成器を改善できる、軽量で即座に組み込める RGBD から 3D への精緻化手法を提案します。可視表面は二部マッチングで逆投影された深度点に合わせて修正し、その修正を検出された対称面越しに遮蔽側へ写し、平滑化ソルバーで伝播させます。各段階は閉形式で計算されるため、最適化に依存するテスト時精緻化より大幅に高速です。
説明細胞運命割当における予測的多重性：ラベル不要の Rashomon 集合と細胞単位認証の限界
要約本論文は、一細胞軌道推定において、同程度によく適合する複数のモデルが同じ細胞に相反する運命を割り当てうる問題を扱います。系統ラベルを使わず、統計的に許容されるモデル集合（Rashomon 集合）を構成する FateMultiplicity 枠組みを提案しています。シミュレーションの真値では、細胞ごとの認証済み運命マージン（FM）による誤割当の判別（AUC 0.682）は、基準モデル自身の決定マージン（0.965）より低く、細胞単位の認証が運命判定を信頼できるものにするわけではないと結論づけています。
説明WorldFact-Bench：画像内部の妥当性から画像と現実世界の一貫性へ
要約本論文は、単一の画像が現実世界の事実と一致しているかを評価するベンチマーク「WorldFact-Bench」を提案しています。4種類の検証方式と10の意味領域にまたがる1,274組の真偽ペア画像を含みます。また、事実候補や視覚的観察などを持続的な状態として管理する「PERSIST-Agent」を提案し、8Bのバックボーンモデルで直接判定や検索拡張のベースラインより高いペア精度を示しました。
説明RAG-Stress：検索拡張生成における証拠依存の限界を検証する
要約本論文は、問いと参照解答を固定したうえで証拠中の一文を誤答を支持するように書き換える診断プロトコル RAG-Stress を提案している。二種類の情報源優先方針と解答位置の三条件を組み合わせ、十五のシステムについて誤導率を測定した。文書を優先する指示は、既存知識の利用を許す指示よりも高い誤導率を示したが、有害な上書きの増加が有益な訂正の改善を意味するわけではないと報告している。
説明MATE4D：行列ガイド付きの単一画像からの編集可能な4D生成
要約本論文は、1枚の入力画像を編集可能な動的4Dコンテンツに変換するフレームワーク「MATE4D」を提案しています。時空間の多視点画像行列とテキストによる背景編集を用いて3Dガウシアン基本要素を最適化し、軽量な変形モジュールでアニメーション化して4D表現を構成します。著者らはObjaverse-XLとDiffusion4Dでの実験により、視覚品質・効率・制御性で強力なベースラインを上回ると報告しています。
説明マルチモーダルリモートセンシング画像位置合わせのレビュー：課題と展望
要約本論文は、マルチモーダルリモートセンシング画像の位置合わせ手法を体系的にレビューしています。手法を領域ベース、特徴量ベース、深層学習ベースの3種類に分け、それぞれの原理、代表的なアルゴリズム、長所と短所を説明しています。さらに、公開されている遥かセンシング分野のマルチモーダル画像データセットを整理し、高精度な位置合わせ研究の現状の課題と今後の動向を示しています。
説明高次の行動監督によって強力な方策クラスを実現する
要約本論文は、模倣学習や強化学習が、ロボットや自動運転などの実世界応用で制御の不安定さを示す問題に着目しています。その原因は、行動ラベルである零次の行動のみを監督し、高次の行動動態や時間的一貫性を考慮していない点にあると論じています。著者らは、零次と一次の両方の行動を同時に監督する損失スキームを提案し、モデル構造を変えずに既存の方策に適用できるとしています。OGBench と D4RL での評価では、連続制御タスクにおける性能と頑健性の向上、そして低データ条件下での分布外汎化の改善が報告されています。
説明IntactWorld：未圧縮の完全特徴を用いた同時世界モデリング
要約本論文は、近年の動画生成モデルは映像こそ高精細だが、現実世界の内在的な論理を真に理解していないと指摘しています。既存手法では学習の過程で特徴が圧縮され、構造情報が大きく失われるとされます。著者らは未圧縮の完全特徴を用いるIntactWorldを提案し、中間層でクリーンな特徴x0を予測するとともに、精製されたCLSトークンで完全特徴を置き換えるFull-to-Compact学習パラダイムを導入しています。これによりメモリ消費は11.4%、推論遅延は43.8%削減され、VBench 2.0ベンチマークで既存の基準手法を2.46ポイント上回ったと報告されています。
説明VAMR：長尺動画理解のための複数質問エージェント推論フレームワーク
要約長尺動画では同じ録画について複数の質問に答える必要があることが多いが、既存の動画エージェントは質問ごとに独立してツール呼び出しを行う。VAMRは一つの共有ツール呼び出しの流れで同一動画の全質問を処理し、階層化された複数質問メモリで共通の文脈と各質問の証拠を保持する。LVBenchでは正解率62.1%に達し、推論ラウンド数と処理フレーム数が大幅に削減された。
説明SACQ：長期時系列予測のための記憶条件付き精緻化を用いた構造化デコーディング
要約本論文は長期時系列予測（LTSF）向けに、既存のフラット化出力ヘッドを置き換えるプラグイン型の構造化予測ヘッドSACQを提案します。エンコーダは変更せず、まず粗いパッチ格子の予測を作り、履歴記憶へのクロスアテンションで各将来位置を精緻化し、学習されたパッチごとのゲートで統合します。さらに、ノイズに強いバッチ適応型のスケール付きlog-cosh損失を導入しています。PatchTST、DLinear、patch-Mambaの各バックボーンでテストMSE/MAEが上位水準となり、入力の破損やラベルノイズの試験ではフラット化ヘッドを大きく上回ったと報告されています。
説明PMTRM：具身方策学習のための擬似メモリ時系列再符号化モジュール
要約ロボット操作では、局所的な観測が似ていても段階によって異なる動作が必要な反復動作が多く見られます。現在の観測だけに依存する方策は、完了済みの動作を繰り返したり、段階の切り替えを誤ったりすることがあります。本論文は、実行済みの状態と行動の有限長の履歴を潜在系列に符号化する、わずか761万パラメータの軽量プラグインモジュールPMTRMを提案します。時系列の異質性目標によって段階を区別し、アンカーおよび再構成損失によって行動予測に必要な情報を保持します。シミュレーションと実ロボットでの実験では、段階の曖昧さがあるタスクで複数の方策バックボーンの成功率が向上し、追加計算量はわずかでした。
説明PIVOT：垂直領域の少数ショット蒸留のための困惑度に基づくKD-RL移行スケジューリング
要約小規模言語モデルは、垂直領域の少数ショット分類で課題を抱えています。本論文は、教師モデルが評価した系列の困惑度に応じて、サンプルをOPDとGRPOの間で振り分ける動的移行フレームワークPIVOTを提案します。低困惑度のサンプルは報酬駆動の改良のためGRPOへ移し、高困惑度のサンプルはOPDに残して領域知識の獲得を続けます。Banking77とHWU64での実験では、同じ学生モデルの最適化ステップ数において、継続OPDや全体同期型のOPD→GRPOより高い性能と安定した学習挙動が示されています。
説明CARE：長期時系列予測のための軽量プラグイン型ゲート補正・不確実性認識モジュール
要約本論文は、既存の決定論的予測モデルに後付けできる軽量モジュール CARE を提案します。アーキテクチャの再設計は不要で、基本モデルと並列に動作し、整列させた過去データから残差補正パターンを学習し、座標ごとのシグモイド型リスクゲートで有界な更新を行います。8つのベンチマークと3つの代表的なバックボーンで精度向上を示し、パラメータと遅延の増加はわずかです。リスクゲートは高誤差領域を識別でき、Weather データセットでは最上位三分位の誤差が最下位三分位の約4倍でした。
説明RideBench：配車需要の時系列予測における外生変数対応の大規模ベンチマーク
要約本論文は、DiDi の配車プラットフォームのデータから合成した大規模な配車時系列データセット Ride-Hailing を公開しています。200の地域、4年間、30分単位のデータで、天候の影響、祝日効果、大規模イベントの影響という3つの外生シナリオを含みます。これをもとに RideBench を構築し、30以上の予測手法を評価しました。その結果、既知の将来の外生変数は週単位の予測に明確な利点をもたらす一方、長期予測では既存モデルが低い点誤差、正確な傾向、信頼できる近期予測を同時に満たすことが難しいと報告されています。
説明AutoAdapt：臨床データの分布シフト下で信頼性の高い少数ショット適応を行う手法
要約本論文は、対象病院の標識付き患者が少ない場合に、事前学習済みの臨床モデルをどう適応させるかを扱います。適応戦略の空間を定義する Adapter と、適応用患者のエビデンスから重み付きの戦略組み合わせを作る Automator からなる AutoAdapt を提案し、多くの患者で最も有効な戦略のみを選ぶ信頼性ルールを設けています。著者らは集中治療、救急、診断の各データセットで、少数の患者だけで一貫して最先端の性能を達成したと報告しています。
説明VGGTWorld-VLA：自動運転向けの意図条件付き3D世界進化
要約本論文は、自動運転における制御可能な3D世界進化のため、VGGT-Worldを意図条件付きに拡張したVGGTWorld-VLAを提案します。行動-意味条件付け機構と幾何-言語-行動ブリッジにより、運転意味情報と自車運動表現を将来の幾何予測に組み込み、同じ場景でも異なる自車行動に応じて異なる将来幾何を予測できるようにします。NAVSIMで将来幾何予測を評価し、ベースラインと比べて競争力のある性能を示し、消融実験で意味・行動条件付けの有効性を確認しています。
説明LadderEdit：大規模言語モデルの生涯編集のための編集単位残差圧縮による省メモリ手法
要約大規模言語モデルの生涯編集では、取得後に数千件の編集を保存する必要があります。編集ごとにLoRAアダプタを一つ付ける一般的な方法は、保存量が線形に増加します。本論文はLadderEditを提案し、各編集の取得後にそのLoRAアダプタを圧縮します。まず低ランクの軽量なスケッチとして保存し、書き換え・汎化・局所性の条件を満たすかを検証します。満たさない場合は、条件を満たすまでランクの梯子を上げます。ZsRE、CounterFact、WikiBigEditのベンチマークでLLaMA-3-8B、Mistral-7B、Qwen2.5-7Bを用いた結果、正確なLoRA保存に比べメモリを5.2倍少なく抑え、5万件の逐次編集でも有効性を保つとされています。
説明テキスト互換の音声-LLM 橋渡し事前学習のための局所プロトタイプ再構成
要約本論文は、凍結された音声エンコーダと凍結された大規模言語モデル（LLM）を接続する小規模な学習可能な橋渡しモジュールの事前学習手法を研究しています。著者らは、目的関数によらず適用できる診断指標を提案し、橋渡しベクトルが LLM の単語埋め込みの近傍から再構成できることを求める訓練時専用の正則化項 LPR を導入しています。多言語の音声認識と音声翻訳で転移性能の向上が示され、翻訳と低リソース適応で特に大きな改善が見られたと報告されています。
説明社会的苦痛が非自殺的自傷を伴う思春期の感情–行動の脳状態ダイナミクスを乱す
要約本研究は抑うつ傾向のある思春期の106名（非自殺的自傷あり67名、なし39名）を対象に、社会的苦痛、身体的苦痛、安静時の条件下で脳波（EEG）を測定しました。マイクロステート解析と解釈可能な深層系列モデルで脳状態の変化を分析した結果、社会的苦痛時の識別精度は68.55%でした。自傷のある参加者では、MS3とMS5の間の双方向の遷移が弱まっており、感情と行動の結びつきが乱れている可能性が示されています。
説明CARE：教師・生徒蒸留による細粒度視覚分類のための制約付きアテンション改良
要約本論文は、解釈可能な細粒度画像認識のためのCAREフレームワークを提案します。クラス別アテンションの生徒モデルが最終的な予測と説明を担い、訓練時のみ用いる補助的なクエリ教師がDINOv2の中間層から複数レベルの表現を統合して知識を伝達します。さらに多様性と疎性の正則化項により生徒のアテンションヘッドの冗長性を抑えています。CUBなど4つのデータセットでの実験では、凍結バックボーン設定で良好な性能を示し、CUBでのTop-1精度は78.5%です。挿入・削除指標による忠実性分析では、上位のアテンション領域がクラスに関連する根拠を保持することが示されています。
説明LLMは文脈内の報酬から学習しているのか？文脈内強化学習における報酬の役割の再検討
要約本論文は、大規模言語モデルが推論時に文脈内の軌跡と報酬の組だけから強化学習的な改善を実現しているかを検証する。統制実験では、報酬を反転・ランダム化・除去しても改善曲線はほぼ変わらず、軌跡も意味内容ではなく、シャッフルや破損させたものでも同様に機能した。著者らは、これは強化学習ではなく文脈内学習の特殊事例に近いと結論づけ、エージェントの記憶設計では報酬設計より入力分布や示例が重要だと示唆している。
注目点制御実験により文脈内強化学習における報酬の役割を疑問視し、直観に反する結論を示す。4ベンチマーク・6モデルで検証され、証拠は比較的充実。
説明動画異常検知と予測のための統一スコアマッチング手法
要約本論文は、ノイズ除去スコアマッチングに基づく統一フレームワークUni-DSMを提案し、学習済みデータ分布上の尤度推定とスコア関数によって異常パターンをモデル化します。同一のスコアベース定式化の上で、異なる推論と教師あり学習の方式により、動画異常検知（自己回帰的ノイズ除去）と異常予測（自己蒸留ノイズ除去スコアマッチング）を実現します。将来の正解フレームに依存しない学習を行い、複数のベンチマークデータセットで高い効率と最先端の性能を示したと報告しています。
説明SP-DocReader：精密な文書OCRのための差分認識型セルフプレイ学習
要約本論文は、教師あり微調整後に残る光学文字認識（OCR）の誤りを対象とした自己対戦フレームワーク「SP-DocReader」を提案している。最長共通部分列により参照テキストとモデル生成トークンを対応付け、未対応の位置を条件付きプレフィックス全体で評価するほか、未対応の正解位置に対して直接的な負の対数尤度による監督を加える。Qwen3-VL-4Bでは文字誤り率が約54%低下し、DocVQAのANLSが3.7ポイント向上したと報告している。
説明訓練専用の事前知識から何が転移するか：知識・順序ターゲット・最適化の分離（原題：What Transfers from Training-Only Priors? Separating Knowledge, Ordinal Targets, and Optimization）
要約訓練時のみ教師モデルにアクセスし、展開時は局所特徴と出力済み重みだけを使う小型の生徒モデルの蒸散方式を扱う論文です。ラベル、クエリ、容量、教師アクセスの予算を分離し、三つの公開信用データセットと未検討の破産データセットで検証しています。既存のRanking Prior Alignmentには限界があり、単一の修正案では一貫して改善しないと報告しています。普遍的な優位性やLLM固有の利点は主張していません。
説明非適応的条件付きサンプルによる同等性検定の厳密な上下界
要約本論文は、非適応的条件付きサンプルを利用できる場合の分布検定を扱い、二つの未知の分布が等しいか、全変動距離で ε 以上離れているかを判定する問題を研究している。提案されたアルゴリズムと下界により、必要かつ十分な問い合わせ回数は Θ̃(log n/ε²) であることが示された。あわせて、均一性検定、同一性検定、同等性検定の複雑さはいずれも Θ̃(log n) であるとされている。
説明マルチモーダルな食品項目の検証と回復による画像ベース栄養推定の改善
要約本論文は、単一画像からの栄養推定において、写っている食品の見落としや、食品領域が分量推定に不十分である問題に取り組みます。マルチモーダル大規模言語モデルで可視の食品を列挙し、食品の同定と各2D領域の分量推定への適合性を個別に検証します。全体レビューで未解決の欠落を特定し、補助的な再探索を最大1回行い、その結果を統合して最終的な食品項目集合を作成します。原文によれば、タスク固有の微調整は不要で、共通の有効出力サンプルでの比較では、改変した検索ベースラインに比べて質量およびエネルギーの精度が向上したとされています。
説明機械学習による内接球木の高速構築（ML-IST）
要約本論文は、複雑な非凸物体の衝突判定を高速化するため、機械学習に基づく内接球木の構築手法ML-ISTを提案しています。葉球の生成を一度の集合予測問題として定式化し、多チャンネルのボクセル形状から内接球の候補を予測したうえで、微分可能な被覆フィードバックと幾何学的投影により補正します。論文によれば、目標球数64〜512の範囲で単一GPU実装は単一CPUコアと比べて平均葉生成時間を約2.0〜2.6倍短縮し、Jolt PhysicsおよびBulletエンジンでのalpha puzzleベンチマークでは55.89 FPSに達したと報告されています。
