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。
説明自動運転車の集団的経路選択には、人間の運転車と共存するための社会的配慮が必要
要約本論文は、混合交通における自動運転車（AV）の経路選択を扱い、自車の利益だけを優先すると人間が運転する車両（HDV）の所要時間が増える恐れがあることを指摘します。著者らは、自車を除去した反事実シミュレーションとの比較で他車への影響を測る「限界費用」を報酬に加え、マルチエージェント強化学習で因戈尔施塔特とプロヴァンの実路網を用いて実験しました。その結果、社会的報酬を入れると人間運転車の増加が抑えられ、自動運転車自身の所要時間も短縮され、システム全体の性能が向上しました。
説明ロールアウト時介入：方策の限界を超えるエージェント強化学習
要約本論文はロールアウト時介入（RTI）という手法を提案します。評価基準などの報酬側の情報を使い、ロールアウト中に誤った軌跡を成功する軌跡へ修正することで、モデルがほとんど自力で解けない課題に有効な学習信号を与えます。介入軌跡はオフポリシーですが、分布のずれが大きいものを除外すれば方策最適化を有効に導けることも示しています。五つのベンチマークで強化学習のベースラインを上回り、後学習された方策がより強力な現行LLMの性能に近づき、元の能力の限界も超えたと報告しています。
説明HL-LHC向け異常検出における学習済みイベント表現の局所診断
要約本論文は、高輝度LHC（HL-LHC）の条件下で、標準模型から外れた衝突イベントをニューラルネットワークで学習した低次元表現により検出する手法を扱います。7億5000万イベントのシミュレーションデータセットCOLLIDE-2Vで、教師あり手法と自己教師あり手法を比較し、潜在空間で学習したオートエンコーダの再構成誤差を異常スコアとしています。さらに、被フラグイベントを局所的に診断し、局所的な識別力で観測量を順位付けする手順も提案されています。
説明PPG-Bench：光電脈波（PPG）基盤モデルのための統一ベンチマーク
要約本論文は、公開された5つのPPG基盤モデルを9つのオープンデータセットと26タスクで評価する、オープンソースの統一ベンチマーク「PPG-Bench」を提案しています。比較対象には、ランダム・定数ベースライン、脈拍変動（PRV）に基づく決定論的特徴量、汎用時系列基盤モデルのMOMENTも含まれます。68のタスクと評価方式の組み合わせのうち35.3%でランダム・定数ベースラインに対する明確な優位性は見られず、83.8%では、PPG専用の基盤モデルがPRVとMOMENTの両方を上回りませんでした。著者らは、現時点のPPG基盤モデルは汎用的で転移可能な表現を提供するとはまだ言えず、今後の評価では単純な非学習型の対照実験を含めるべきだと述べています。
説明Sigmoidラベル付きCNN-Transformerによる高分解能・1度未満の到来方向推定
要約本論文は、深層学習に基づく到来方向（DOA）推定におけるグリッド量子化誤差の問題を扱っています。角度平移したシグモイド関数の和として信号源の方向を符号化するSigmoidラベルを提案し、このラベルで学習したCNN-Transformerの出力から鋭いスペクトルピークを得ています。0.25度のグリッド幅で、1度未満の精度と1度の分解能を達成したと報告しています。同一のネットワーク構造で、ガウスラベル、0-1ハードラベル、二値交差エントロピー基準と比較し、Sigmoidラベルが最も高い精度と分解能を示したとされています。
説明金融音声に継続学習の正則化は必要か？決算説明会の音声認識における EWC と mini-KFAC の検討
要約本論文は、決算説明会の音声認識を継続学習の観点から検討し、Whisper-small を汎用音声コーパスから Earnings22 ベンチマークへ適応させています。同じ領域の未見の金融音声では、評価したすべての手法が忘却ではなく改善を示したため、この場合は正則化が逆効果になるとされています。必要な場合には、分層的な mini-KFAC 近似が対角 EWC より単語誤り率が低く、最適化も安定すると述べています。
説明AIアドバイザーの意見が一致するとき：予測リスクと予測信頼性の区別
要約本論文は、十個のGeminiの設定から構成された七つのAI投資フレームワークが、232銘柄の第1四半期リターンについて示す予測の一致度を検討しています。合意予測と「変更なし」基準の誤差を比べると、分歧が大きいほど誤差は増えるものの、基準側の誤差も同程度に増えており、一致は主に資産自体のリスクを反映していることが示唆されます。また方向性の的中率は集計ルールに左右されるため、一致度、資産リスク、集計方法による予測力は別々に評価すべきだと論じています。
説明時系列因果発見の入門ガイド：分野横断的な統一的概観
要約本論文は、時系列間の因果関係を検出する時系列因果発見（time series causal discovery）について、統計学、力学系、機械学習など異なる研究コミュニティにまたがる流れを整理したチュートリアルです。現代の発見手法が依拠する主要な原理と、その限界・仮定を紹介し、手法の評価、ベンチマーク、調整の方法を論じています。農業・地球科学、医療、人工知能システムといった応用分野での重要性にも触れ、関連コードやリソースをまとめた公開リポジトリも紹介されています。
説明SADL：ISLES 2026における慢性脳卒中病変セグメンテーションのためのサイズ適応型判定層
要約本論文は、T1強調MRIにおける慢性虚血性脳卒中病変のセグメンテーションの難しさに取り組み、11個のnnU-Netモデルからなるアンサンブルと、病変サイズに応じて閾値を適応させる判定層SADLを提案しています。施設を分けた91例のテストセットで、SADLはDice 0.7322、lesion-F1 0.7461、PR-AUC 0.8430を達成しました。単一のアンサンブルメンバーと比べたlesion-F1の向上はp=0.024で有意であり、小さな病変で最も大きな効果が見られたと報告しています。
説明Web$hell：エージェントによるWebアクセスのための統一インターフェース
要約本論文は、大規模言語モデルのエージェントがWebにアクセスする方法を単一のモデルに統一するインターフェース「Web$hell」を提案している。WebCompilerがライブのWebページを参照可能な情報と操作のオブジェクトに変換し、WebCacheで保持する。著者らは、Web検索、Webナビゲーション、深層リサーチのベンチマークで、より低いコストで良好なタスク性能を示したと報告している。
説明TextVBench：動画生成におけるテキストの描画と保持を評価するベンチマーク
要約本論文は、動画生成モデルがテキストを正しく描画し、動画全体で保持できるかを測定するベンチマーク TextVBench と評価枠組みを提案しています。プロンプトで指定された文字を生成する T2V トラックと、参照画像の文字を維持する Ref2V トラックの二つからなります。フレーム単位の空間的忠実度とフレーム間の時間的忠実度を分けて評価し、属性別に結果を分析します。原文によると、MiniMax-H3 の T2V スコアは 68.32、Ref2V の最高スコアは 56.51 で、同時に参照するテキスト領域が増えると性能が明らかに低下します。
説明システム同定における文脈内学習：確率的定式化、長系列処理、ベンチマーク検証
要約従来のシステム同定は、まず学習データからモデルを推定し、そのモデルで新しい入力の出力を予測します。本論文は、オフラインで学習したメタモデルが学習データと問い合わせ入力から出力へ直接写像する文脈内学習の手法を扱います。Transformerベースのエンコーダ・デコーダに長系列処理の仕組みを組み合わせた統一的な確率的メタ同定アーキテクチャを提案し、事前学習済みメタモデルを不確実性を考慮した合成データ生成器として利用する方法も示しています。標準的な非線形システム同定ベンチマークと分布外のシナリオで評価され、既存の最先端手法と同等の精度と高い汎化性能が示されています。
説明永続候補集合で線形バンディットを高速化する手法
要約行動数が多い線形バンディットでは、全行動を毎回採点する方式は計算コストが大きくなります。本論文は、k 個のアクティブな行動を保持し、残りの行動から毎回 q 個を一様抽出して挑戦者とする PC-LinUCB を提案します。実験では LinUCB を大幅に高速化しつつ、後悔の値は同程度に保たれ、この仕組みは LinUCB 以外にも拡張できることが示されています。
説明半乾燥地域の砂漠化予測：深層学習で土地劣化動態の観測限界を探る
要約本研究は、2000年から2023年までの衛星地球観測データを用い、ブラジルのセアラ州における劣化指数（IDV）の年々の変化を畳み込みLSTMで予測したものです。州全体の傾向はある程度予測できる一方、個々のセル単位の年変化の予測力は限られることが示されています。そのため、衛星データに基づく砂漠化予測は地域全体の傾向には信頼できるが、個々の地点には向かないと結論づけています。
説明複雑で変化する世界でも線形モデルが機能しうる理由
要約基礎となる仕組みが非線形であっても、線形モデルは複雑な分野で良い予測を示しうると論じています。世界の複雑さが、有限で部分的にしか観測できないデータから信頼して学習できる範囲を超えているためだとします。灵活なモデルは、ある環境では当てはまるものの他では失敗する曲率や閾値、相互作用を捉えてしまう場合があり、その不安定性が主に非線形部分にあるときは、それを省くことで新しい環境での予測誤差が線形モデルの方で小さくなりうるとしています。二乗誤差の場合の命題がその根拠として示されています。
説明RegulaTutor：理論に基づく長期的な個別化学習のフレームワーク
要約本論文は、長期的な個別指導のためのフレームワーク RegulaTutor を提案している。自己調整学習（SRL）の研究に基づき、学習者の履歴、学習者の状態の解釈、指導方針を結びつけ、新しい観察に応じて更新する。また、オフラインの改善手法 PairRoute により、フレームワーク、モデル、または両者の混合による失敗を切り分けて修正する。著者らは、評価した複数のモデル構成において、履歴証拠の正確さ、学習者の診断、指導の質の評価が平均して向上したと報告している。
説明世界の屋根に向けて：チベット語の自然言語処理研究の進展
要約本論文は、2004年から2026年までにACL AnthologyとDBLPに掲載されたチベット語自然言語処理の論文140本を対象に、系統的な文献計量調査を行ったものです。論文は発表形態、研究分野、筆頭著者の所属国、資源の公開状況で分類されています。84%が2018年以降に発表され、研究分野はコーパスや分かち書きから文字、音声、応用、大規模言語モデルへと広がりました。筆頭著者の87%は中国所属です。方言、資源公開などの課題を指摘し、オープンサイエンスの推進を提言しています。
説明モデルフリーのベイズクラスタリングと多峰性事後分布の要約
要約本論文は、予測ベイズの観点からクラスタリング結果上のマルチンゲール事後分布を構成する、モデルフリーでノイズを考慮したベイズクラスタリングの枠組みを提案します。明示的な尤度・事前分布の指定、高コストのMCMCサンプリング、モード探索型の変分近似を必要としません。高次元の事後分布を解釈するため、Wasserstein型の要約手法を導入し、多数の事後サンプルを少数の重み付き代表へ圧縮します。また、密度水準の不確実性を周辺化しています。結果として、クラスタリングとノイズの不確実性を捉えられることが示されています。
説明ProgramGym：長期的なプログラム再現エージェントのための学習環境のスケーリング
要約本論文は、検証可能な学習環境を構築する Program-Env と、長期的なプログラム再現を行う Program-Agent からなる ProgramGym フレームワークを提案する。C、C++、Go、Rust にまたがる 1,648 個の学習環境を構築し、ProgramBench で実験を行った。論文によると、Qwen3.8-27B の性能は微調整後に 34.87% から 42.84% へ向上し、Program-Agent の基本モデルと微調整モデルはそれぞれ 55.71% と 56.25% に達したとされる。
説明PlacePulse：構造的な地理データから転移可能な地点表現を学習する研究
要約本論文は、米国の約105万個のH3レベル7セルについて、572の属性（H3近傍集計により2,288入力に拡張）を256次元の単位ノルム埋め込みに圧縮する、構造的地理空間基盤モデルPlacePulseを提案している。また、表現そのものの質と下流の予測有用性を分けて評価する二軸ベンチマークも導入している。外部の74の評価対象では、次元数を揃えた特徴選択ベースラインを上回り、Googleの人口動態基盤モデルと競合する結果を示した。健康、経済、選挙、経済的移動性、社会的脆弱性などの分野で強みが異なると報告されている。
説明放射線特徴量と条件付きコンフォーマル予測による甲状腺結節分類
要約本研究は、甲状腺結節の悪性度を分類するための放射線特徴量（ラジオミクス）に基づく手法を提案しています。PyRadiomicsで定量的特徴を抽出し、分類器には一般化加法モデル（GAM）を用いています。ラベル条件付きクロスコンフォーマル予測により不確実性を推定し、判断が曖昧な症例は二値判定せず臨床医による確認に回します。公開超声データセットTN5000での実験では、検証集団のAUCは0.89、感度0.83、特異度0.82でした。テスト集合の63%の結節は単一ラベルの確定予測を得て、残り37%は臨床医に委ねられています。
説明MoPrO-SD：スタンス検出のためのモジュール式プロンプト最適化
要約大規模言語モデルは、暗黙の意見や皮肉、文脈に依存するスタンスの表現のため、スタンス検出が依然として難しい課題です。本論文は、プロンプトを意味的機能モジュールに分解し、LLMのフィードバックで順次洗練するMoPrO-SDを提案します。あわせて、ワクチンに関するスタンス検出用の人手アノテーション済みデータセットVaccineStanceを公開し、多くの設定で人手で書いたベースプロンプトより改善が見られたと報告しています。
説明BLOKS：スケッチ付きブロック前処理によるカーネルソルバーの大規模化
要約本論文は、Nyström スケッチを用いたカーネルリッジ回帰（KRR）向けの共役勾配法ベースのソルバーBLOKSを提案している。ブロックヤコビ近似とスケッチを組み合わせた新しい前処理器を中核とし、その메モリコストはデータセットのサイズやパラメータ数に依存しないため、大規模モデルにも対応できる。標準的な大規模ベンチマークデータセットで評価した結果、BLOKSは既存の最先端手法と同等以上の性能を示し、有利な時間・メモリ計算量を保つと報告している。
説明構造から妥当性へ：LLM評価基準の仕組みに基づく生成と改良
要約本論文は、評価基準（ルーブリック）の設計における基準の構成、基準の操作化、スコアの集約という三つの要素を体系的に分析している。構造的な組織化がより網羅的な基準の構築を可能にする一方、意味的な記述だけでは基準レベルの判断の有効性は保証されず、高度なスコア集約による追加の効果は限定的であることを示した。これらの知見に基づき、適応的な木構造の構築と、意味優先・応答較正型の改良を組み合わせた ARTS-Hybrid を提案している。実験では、エンドツーエンドの評価性能と評価基準自体の品質が向上し、モデル最適化にも有効な信号を提供することが示された。
説明専門家選択バイアスによるデータ不均衡の克服
要約論文は、MoE（混合専門家）モデルで学習データがカテゴリ間で不均衡な場合、少数カテゴリのトークンが一部の専門家に集中するか非効率に分散すると指摘します。著者らは入力カテゴリに基づく専門家選択バイアスを提案し、カテゴリごとに専門家の部分集合へ緩やかに振り分けつつ、有用な場合は共有を維持するとしています。モダリティ、低資源言語、コードで、最大 10.6B パラメータのモデルにおける性能向上が報告されています。
説明情報ボトルネックで分類器フリーガイダンスのブラックボックスを開く
要約本論文は情報理論の観点から、拡散モデルにおける分類器フリーガイダンス（CFG）の有効化タイミングを検討します。拡散の軌道を時間依存の情報ボトルネックとしてモデル化し、条件情報の効果は生成過程全体で一様ではなく、フィッシャー情報の均衡条件で特徴づけられる重要な段階の後に顕著に強まることを示しています。これに基づき、学習を必要としない動的CFG手法を提案し、推定されたガイダンス利得が所定の閾値を超えたときにガイダンスを有効化します。区間ベースのガイダンスはその極限の特殊例として位置づけられています。
説明多領域ラマンスペクトルに対する物理認識型自己教師あり事前学習
要約本論文は、マスク付きオートエンコーダ（MAE）に基づく多領域自己教師あり学習フレームワークを提案し、生物・化学・法医学・材料など異種のラマンスペクトルデータから転移可能な表現を学習します。事前学習では、マスク強度の再構成とVoigtプロファイルによるスパースなピーク構造デコーダを組み合わせ、ノイズ除去目標も加えています。ラベルが少ない難しいタスクで効果が最も大きく、アテンションベースの評価は線形評価より多くの情報を引き出せることが示されています。
説明AgentSWE：コーディングエージェントは、利用者が本当に求めるエージェントを作れるか？
要約本論文は、コーディングエージェントがエージェント・ソフトウェアを構築できるかを評価するベンチマーク「AgentSWE」を提案します。自然言語の要件からの新規作成、本番のエージェント・コードベースの編集、測定可能な目標に向けた最適化という3段階、計25タスクを含みます。評価は非公開のテストケースと要件由来の採点基準で行われ、既存のコーディングエージェントはいずれも要件を満たす水準に届かないことが示されました。また、可視ケストへの過剰適合、見かけ上完成しているが中身の伴わない実行環境、根拠のない完了主張といった失敗パターンが分析されています。
説明SWE-Critix：コーディングエージェントの実行軌跡を評価する汎用検証器のポストトレーニング手法
要約本論文は、コーディングエージェントの実行軌跡を判定する汎用検証器（verifier）を学習するためのポストトレーニング手法SWE-Critixを提案する。検証器はタスクと実行軌跡から完了ラベルを予測し、判断の理由を自然言語で説明する。教師あり微調整と強化学習を組み合わせ、保留テストセットでの分類精度はベースモデルの57%から、微調整後66%、強化学習後78%に向上した。
説明AlphaNIST：二値のタスク報酬だけで獲得される組立スキル
要約本論文は、NIST組立タスクボード#1において、疎な二値タスク報酬とタスクの多様性だけで、ロボットが組立方法を自ら発見できるかを検討したものです。シミュレーションでは、デモンストレーション、進捗報酬、タスクごとの調整を使わずに単一の方策を一から訓練し、20の組立タスク全体で98.2%の訓練成功率を報告しています。学習された方策は、後の組立のための把持の選択や周囲の形状を利用した部品の向き直しなど、器用さと計画性を感じさせる振る舞いも示したとされています。
説明EmoGavel：マルチモーダル感情選好学習のための、検証可能な報酬と根拠付けを考慮した強化学習フレームワーク
要約本論文は、どの自由記述の感情説明が人間の判断により近いかを、ペア比較で学習するマルチモーダル感情選好学習の手法 EmoGavel を提案しています。まず、誤り構築情報を用いて選好予測、誤りの特定、修正、欠落証拠の補完を同時に学習する Grounded SFT を行います。次に、GA-GRPO で検証可能な結果を最適化します。著者らは、EmoPrefer と制御誤り評価セットで選好予測と誤り識別が向上したと報告しています。
説明《AIのポーカーフェイス：音声による多ターン対話における説得と迎合の比較》
要約大規模言語モデル（LLM）と多ターンの音声対話を行う参加者616名を対象にした無作為化比較実験です。非指示的条件と、フェミニズムの是非という論争的テーマで対立する立場を取る2つの指示的条件を設定しました。両指示的条件とも意見を割り当てられた立場へ動かしましたが、フェミニズム支持側の方が変化が大きく、また非指示的条件でも意見は支持側に動きました。社会的迎合は広く見られたものの意見変化とは関連せず、利用者の主観的体験に影響していました。
説明知識に基づく材料代替のための階層型マルチエージェント推論システム
要約本論文は、科学的・製造上の制約のもとで知識に基づいて材料を代替する階層型マルチエージェント推論システム MARS を提案している。PFAS（有機フッ素化合物）の代替を事例に、要件分析、根拠のある候補材料の生成、製造可能性の評価と工程設計の順に処理を行う。複数シードによる削除実験では、三つのサブシステムすべてで総合的に最も高い性能を示し、基盤モデルを固定しても効果が残ったと報告されている。
説明臨床機械学習に潜む隠れたデータ問題：MIMIC-IV前処理の時間・意味・集団の整合性の違反
要約広く再利用される電子カルテの前処理パイプラインには、情報がいつ利用可能になったか、ラベルがどの臨床エピソードを表すか、欠損が何を意味するかについての前提が埋め込まれている場合があると指摘しています。著者らはMIMIC-IVを事例に、時間・意味・集団の3種類の整合性違反を定量化し、時間的に妥当で臨床的に整合した再現可能な前処理を提案しています。実験コードも公開されています。
説明テスト時メモリ構築：推論中にクエリに応じてLLMの長期メモリを構築する手法
要約大規模言語モデルは、関連する情報が遠く離れたセッションに散在する長い対話履歴への質問応答が苦手です。本論文はT²Mem（Test-Time Memory construction）を提案し、メモリ構築を推論時まで遅らせます。オフラインでは軽量なエピソード単位のメタデータのみを抽出して元の対話へのリンクを保持し、テスト時にLLMが推論の進行に合わせて必要なメモリを段階的に構築します。LoCoMoとLongMemEvalで、複数のバックボーンLLMにおいて強力なベースラインを上回り、構築コストも大幅に削減されました。
注目点記憶構築を推論時に遅延させ、クエリごとに適応させる点は既存のオフライン手法からの実質的な改良で、LoCoMoとLongMemEvalで複数のバックボーンにわたり強いベースラインを上回る。
説明長いスキップ接続がないDiTモデルが表現学習で劣る理由
要約本論文は、拡散モデルのバックボーンから抽出した中間活性（拡散特徴）の視覚理解への有効性を検討しています。長いスキップ接続（LSC）を備えたDiTの方が良質な特徴を生成することを示しています。原因として、拡散ノイズが主要なバックボーンを通ると画像信号を汚染するが、LSCがノイズを直接迂回させることで特徴品質が向上すると分析しています。
説明振動ダイナミクスによるMamba-3の理解
要約Mamba-3は再帰的な状態更新に入力依存の回転を導入している。本論文はこの回転を減衰の弱い二次の動力学として解釈し、系列モデリングにおける振動の役割を調べる枠組みを示す。対照実験では、状態追跡タスクにおいて振動する減衰領域が非振動の減衰領域を上回った。言語モデルの事前学習では、長文脈の予測と長さの汎化に利点が見られた。
説明VideoAWR：デカップル型タイムステップ利得加重補正によるビデオフローモデルの強化
要約本論文は、回帰ベースの強化学習でビデオのフローモデルを訓練する際の課題に取り組んでいます。提案手法VideoAWRは、サンプリングと最適化の基準を分離し、EMA参照ポリシーで誘導付きロールアウトを生成して報酬の識別性を保ち、学習中のポリシーは非誘導の条件付きアンカーに対して補正します。Wan2.1-1.3Bと14Bでの実験では、CFGあり・なしの両方で安定した最適化と視覚・動きの品質向上が示されています。
説明拡散モデルと自己回帰モデルのテキスト画像Transformerにおける注意シンクの探究
要約本論文は、テキスト画像Transformerにおいて、意味内容から予想される以上に大きな注意の重みを一貫して受け取るトークンや位置、いわゆる「注意シンク（attention sink）」を調べたものです。双方向拡散モデルと因果的自己回帰モデルで、シンクの出現場所と性質が異なることを示しています。自己回帰モデルでは先頭と全体的なトークンに注意が集中し、拡散モデルではモダリティ境界、テキスト領域、空間の隅などに現れます。さらに、シンクに関係するヘッドや位置への摂動実験や、レジスタトークンの導入によって、その機能的な役割も検証しています。
説明AgentTune：ツール呼び出し型LLMエージェントのための統合学習ライフサイクルライブラリ
要約本論文は、ツールを利用するエージェントの構築・最適化を一元化するPythonライブラリ「AgentTune」を紹介する。二層構造のEventLogで実行軌跡を保持し、学習・評価・監査に一貫して利用できるようにしている。ツール呼び出しの強化学習、エージェント蒸留、検索拡張生成などの機能を備え、法律契約検索などのタスクで用途を示している。
説明PDE-PFN：事前データ適合型ニューラル偏微分方程式ソルバー
要約本論文は、ノイズを含む事前学習データに対しても汎化性と頑健性を示す大規模言語モデルの成功に着想を得て、二次元偏微分方程式の解場を文脈内学習で予測する手法 PDE-PFN を提案しています。Transformer の自己注意・交差注意機構を持つ PFN 構造を基盤とし、物理情報ニューラルネットワークで生成した近似解で事前学習します。実験では、異なる方程式群への経験的汎化、ノイズ付き事前分布下での頑健性、勾配更新なしの文脈内推論が示され、予測精度は比較対象の基準手法と同等以上と報告されています。
説明ツール統合型化学推論のためのマスク拡散言語エージェント
要約本論文は、ツール統合型の化学推論を行う初のマスク拡散言語エージェント「ChemDiffAgent」を提案します。推論とツール利用の軌跡を反復的なノイズ除去として扱い、軌跡全体の文脈を用いてツール利用の判断を共同で決定します。学習は教師ありファインチューニングと分散低減型の選好最適化からなる二段階の後学習で行われ、六種類の化学タスクを対象とした単一ターンおよび複数ターンのベンチマークも構築されています。予算と評価条件を揃えた比較では、自己回帰型エージェントを概ね20%上回り、8Bモデルは場合によりGPT 5.5やClaude Opus 4.7など大規模モデルに匹敵または上回るとされています。
注目点マスク拡散言語モデルを化学のツール統合推論に初めて適用し、全軌跡デノイジングという新しい枠組みを示す。ただし実験の範囲と比較の詳細は検証が必要。
説明DuoRate：MoE推論向けの二速度・専門家ごとの精度割り当て
要約本論文は、MoEモデルの推論において、常駐メモリは全専門家分のコストがかかる一方、1トークン復号時に読み出されるのは選択された専門家だけであり、両者のビットレートが異なることを指摘しています。提案手法DuoRateは、オフラインで一つの精度階層の重みを保存し、オンラインでワークロードのプリフィルから専門家ごとのラグランジュ率歪み配分を解きます。Qwen3-30B-A3Bでは、2.3 bpwの読み出しで2ビット級の全ベースラインを上回り、2.9 bpwは1.4〜1.6 bpw多く読む4ビット形式と同等の精度を示しました。
説明エージェント型LLM推論のためにトークン化をホストCPUからGPUへ移す研究
要約エージェント型ワークロードは、ほとんど変わらない長いコンテキストを何度も送信します。プレフィックスキャッシュで事前充填の大部分は省けますが、各リクエストは先に全体をトークン化する必要があり、そのコストが最初のトークンまでの時間の大きな部分を占めます。本論文はGraphTokを提案します。これはBPEマージを含む符号化全体を、再生可能なCUDAグラフとしてGPU上で実行し、参照トークンIDとビット単位で一致します。vLLMおよびNVIDIA Dynamoに組み込め、論文は既存手法を上回る性能向上を報告しています。
説明CoVA：VAE表現を組み合わせて生成学習を改善する手法（外部エンコーダ不要で拡散モデルの学習を軽量化）
要約本論文は、フローマッチング学習において生成モデル自身のVAE特徴をオンラインで組み合わせ、段階的な指導信号として用いるCoVAフレームワークを提案している。学習初期にSiTの中間特徴を組み合わせ表現に合わせ、その後は整合を外して分離した後验を用いるソフトラベル条件付けを行う。ImageNet 256×256でSiT-XL/2のFIDは17.2から7.4に低下し、学習専用の補助パラメータは8.5Mで推論時の追加コストはない。
説明LLM事前学習データ向けのホスト認識型Webクロール研究
要約本論文は、高品質な大規模言語モデル事前学習データを多く集めるため、クローラーが予算をホスト間とホスト内にどう配分すべきかを検討しています。文書品質分類器のスコアの変動のおよそ半分はホスト間で生じると報告されています。また、少数のサンプルページで深さの配分を決め、高得点のホストをより深くクロールする方法が、一律の深さやハーモニック中心性に基づく方法より多くの高品質ページを収集できたとしています。
説明SBNO：欠測情報下の順問題・逆問題のためのシュレーディンガー橋ニューラルオペレータ
要約本論文は、方程式を必要とせず、対になったデータに基づく拡散ブリッジマッチングの枠組みSBNOを提案します。部分的な観測のもとで偏微分方程式（PDE）の順問題と逆問題の条件付き演算子を学習します。推論時は学習済みの確率流ODEを積分して決定的な点再構成を得て、観測や誘導重みの調整は不要です。5%の観測を用いた5つのPDEベンチマークで、基準手法と同等以上の精度を示し、誘導付き拡散基準法に比べて推論は少なくとも9.7倍高速、GPUメモリは少なくとも4.3倍削減されています。
説明ThinkDrag：視覚推論を用いた意味理解型ドラッグ式画像編集
要約ドラッグ式画像編集は、始点と目標点を指定して画像を空間的に操作する手法です。既存の多くの手法はドラッグを幾何学的な移動として扱うため、画像内容の理解を要する意味的な編集には十分に対応できませんでした。本論文では、点の制約を物体や場面レベルの意味的な変換と結びつける統合型マルチモーダルフレームワークThinkDragを提案し、編集意図を説明する推論過程を任意で生成できるようにしています。あわせて意味的ドラッグの教師データセットとベンチマークDragBench++を構築しました。実験では、点の追従精度を保ちつつ、生成品質と妥当性で最先端の性能を示したと報告されています。
説明JEPA-kMMVAE：時間変動する無線チャネルのCSI予測
要約本論文は、ノイズを含む過去の観測から、時間変動するマルチアンテナ無線チャネルの将来のチャネル状態情報（CSI）をニューラルネットワークで予測する手法JEPA-kMMVAEを提案する。結合埋め込み予測アーキテクチャとk記憶マルコフ変分オートエンコーダを組み合わせ、時間構造を持つ潜在表現を通じて将来のCSIを予測する。直接予測と、最新の潜在状態および雑音を含むCSI観測に対する残差補正の両方に対応する。シミュレーションでは、入力CSIの中程度から高いSNRで残差構成が評価した基準手法を上回り、雑音が強い場合には系列ベースの基準手法の方が精度が高いことが示された。
説明NovaSplat：3Dガウススプラッティングによるモデルフリー6D物体姿勢推定
要約本論文は、CADモデルを必要としない6D物体姿勢推定手法NovaSplatを提案する。スマートフォンで撮影した短い動画から3Dガウススプラッティング（3DGS）モデルを学習し、検出と粗い姿勢推定のテンプレートおよび姿勢精密化の微分可能な基盤として用いる。家庭用物体のベンチマークでは、モデルベースの全手法を上回った。テクスチャがなく鏡面反射のある工業用ベンチマークでは、モデルフリーの全競合手法を上回り、モデルベース手法との差を大きく縮めた。さらに推論を3.1倍高速化したNovaSplat-Liteも提案され、精度低下はわずかである。
注目点3DGSを検出用テンプレートと可微分な姿勢最適化の両方に用い、家庭用・産業用ベンチマークで既存手法を上回る点は実質的な改良である。
説明スマートビルのためのクラウド・フォグ・エッジ持続可能システム：メモリ制約下でのアルゴリズム適応と動的オーケストレーション
要約本論文は、スマートビル内で自律的かつ耐障害性とプライバシー保護を備えた学習システムを実現するためのエッジコンピューティング型のアーキテクチャとアルゴリズムを提案しています。低コストの Arduino による信頼性の高いデータ収集と保存、サービスレベル契約を動的に管理する軽量なオーケストレーション枠組み、そして低消費電力マイコン上で一般化ヘブ学習則（GHA）による主成分分析を行うためのバッファを用いた反復学習手法を扱っています。Tour Perret の高次元センサーデータでの実験では、収束し、全データをメモリ上で処理した場合と視覚的に同等の結果が得られ、二つの運転状態を確実に識別できたと報告されています。
説明半精度近接方策最適化のための構造認識型数値安定化手法
要約本論文は、一般的なGPU上で半精度（FP16）によって近接方策最適化（PPO）を実行する際の数値安定性と計算効率を検討している。著者はPPO-FP16を提案し、そこには全体スカラー統計の保護、現在の方策と行動方策の間の小さな差分の保持、オプティマイザ状態とパラメータ書き戻しの安定化という3つの構造認識モジュールが含まれる。6つの連続制御タスクと5つのシードによる実験では、平均リターン曲線下面積の順位が最良となり、PPOの更新は1.16〜2.03倍高速化され、オプティマイザ状態のメモリは約72%〜75%削減された。
説明MORAD：多目的報酬による強化学習を用いたRNA逆設計
要約本論文はMORADという、多様な標的骨格構造に対して単一の共有ポリシーを学習するオンライン強化学習フレームワークを提案します。三次構造の幾何、塩基対形成、アンサンブル挙動、配列組成にわたる6つの指標を同時に最適化し、重み付き幾何平均で統合します。事前学習済みのRIDEに適用すると、GDT-TSと対合MCCが向上し、正規化アンサンブル欠陥が減少したと報告されています。テストセットでは、RiboDiffusion、gRNAde、RDesignを上回ると述べられています。
説明FutureLens：学術テキストと今後の課題の参照における経年的トピック傾向
要約本論文は、2012年から2022年に発表されたACL論文5,655件のスナップショットのうち、今後の課題の記述を含む4,005件を用い、NMFとLDAによるトピック分布、安定性、入力テキストと参照文献の一致度を比較しています。NMFは正規化相互情報量と割り当ての安定性が高く、LDAはキーワードの多様性が大きいことが示されました。著者らは、新しいトピックモデルや予測システムではなく、経年的な学術シグナルの実証的測定研究であると位置づけています。
説明ノードごとに異なる裾の重い撹乱を扱うDAG構造学習
要約本論文は、観測データから有向非巡回グラフ（DAG）の構造を学習する手法を扱います。線形構造方程式モデルにおいて、各ノードの撹乱は裾が重く、尺度がノードごとに異なる場合を想定しています。著者らはノード依存のStudent-t DAGMA（DAGMAは既存の手法名）を提案し、グラフ構造、ノードごとの撹乱尺度、自由度パラメータを同時に推定します。また、グラフと撹乱パラメータの識別可能性を示しています。合成データでは異質な重尾撹乱のもとで構造回復が改善され、実金融データではテスト負の対数尤度が比較した基準手法より低くなったと報告されています。
説明ラベルなしのルーブリック明確化：LLM審査員同士の合意は高まったが、人間との合意は高まらず
要約本論文は、人手のラベルを使わずに、複数のLLM審査員の不一致が大きい評価基準（ルーブリック）の下位項目を見つけ、編集モデルに書き換えさせる手法を検証しています。SummEval、HealthBench、USR Topical-Chatの3データセットで評価したところ、SummEvalでは審査員間の一致度（Krippendorff's α）が0.069上昇しました。一方、専門家評価との一致には検出可能な変化はありませんでした。
説明PAGE：音声ジェスチャー付きポートレート動画生成のための部位認識ガイダンス
要約本論文は、単一の参照画像と音声から音声に同期したポートレート動画を生成するための、拡散モデルの最適化フレームワーク PAGE を提案します。学習時には口や目、手などの重要部位の監督を強め、推論時には音声条件付きの一貫性分類器で音声と映像の不一致を補正し、顔と体の動きを別々に洗練します。また、中国語の大規模評価用データセット CAS を構築し、PATS と CAS の両方で知覚品質、ジェスチャーの多様性、音声と映像の整合性について良好な結果を報告しています。
説明Sonic-AMG：空間音声からのストリーミング人体動作生成
要約本論文は、空間音声からストリーミング形式で人体動作を生成する枠組み Sonic-AMG を提案しています。音の内容と身体基準の音源位置を別々のトークンとして符号化し、因果的 Transformer とフローヘッドで連続的な動作潜在表現を生成します。さらに、リハーサル訓練と空間フィードバックにより学習と推論の不一致を抑えています。SAM データセットで最先端の FID と R-precision を達成し、リアルタイムのオンライン生成も可能だと報告されています。
説明レジスタトークンのデコードで画像全体のシーン情報を保持する
要約本論文は、事前学習済みの視覚Transformerにおけるレジスタトークン（register tokens）が、照明、ぼけ、画風などの画像全体の性質を保持しており、画像デコード時にそれを用いることで再構成が改善するかを検討しています。凍結エンコーダを用いた表現オートエンコーダで、レジスタと全パッチトークンを共同自己注意で処理する手法を提案しています。ImageNet-1Kでは、パッチのみの基準と比べ、DINOv2で再構成FIDが9.5%、DINOv3で5.2%低下したと報告されています。
説明リソース制約のあるエッジネットワークにおける多元・多次元情報融合
要約本論文は、通信と計算資源が限られた条件下で、端末のアップロードとエッジ側の融合を調整する多元・多次元の意味情報融合フレームワークを提案しています。Hyper-Slot融合手法、貢献度に基づくインセンティブ機構、二層のStackelberg-Nashゲームモデルで構成されます。COCO2014の三モーダル拡張版とFlickr30Kの画像・テキスト検索の実験では、Hyper-Slotが最も強い比較手法よりmAPで3.66ポイント、RSumで15.9ポイント向上し、パラメータ数は80%以上削減されたと報告されています。
説明PRIME：構造化文書検索のための検索前インデックス設計・強化手法
要約本論文は、検索前にインデックス側を最適化するフレームワーク PRIME を提案します。長文書をLLMで情報密度の高いセクションに書き換える意味的再構成と、意味アンカーや見出し構造を抽出して粗い段階から細かい段階へ検索する手法を組み合わせています。決定論的メタデータは構造認識チャンキングと同等の検索品質を保ちつつ、埋め込み計算を45.8倍、インデックスのベクトル数を22.4倍削減したと報告されています。完全導入時には意味的再構成によりAnswer-F1が13.7%向上したとされ、QASPER、BRIGHT、NFCorpusでは効果が出る条件と悪化する条件の3つの傾向も示されています。強力なリランカーを使うとこれらの効果は打ち消されると述べられています。
説明拉格朗日ニューラルネットワークで三体相互作用を軌道データから復元する研究
要約本論文は、拉格朗日ニューラルネットワーク（LNN）が、二体項の和では表せない多体相互作用を運動データだけから学習できるかを検討しています。三体分散項であるAxilrod-Teller相互作用を対象に、粒子間距離と角度から決まるポテンシャルのみを学習させ、三体信号が強い領域に学習データを集中させる手法を用いています。学習したポテンシャルは、同相互作用の径方向の依存性、角度依存性、符号反転を再現し、符号回帰によって閉じた形の式も得られたと報告されています。
説明プロンプト最適化は評価されない要件を壊すのか？事前登録された研究
要約本論文は、事前登録された設計のもとで、GEPA、MIPROv2、TextGrad の三つのプロンプト最適化手法を HotpotQA、SQuAD 2.0、IFEval で比較し、出力形式や引用、回答拒否など採点対象外の要件への違反を決定的チェックで数えています。事前登録の基準では三手法すべてに退化が見られ、HotpotQA では引用の有効性で顕著でした。事後分析では、多くの退化が 200 トークンの出力上限による途中終了に起因し、解析可能な出力に限ると純退化はほぼゼロでした。
説明BoundaryEvo：長い推論連鎖の蒸留における能力境界でのデータとモデルの共進化
要約本論文は、大規模な教師モデルから長い推論連鎖を蒸留し、小規模言語モデルの推論能力を高めるBoundaryEvoという枠組みを提案します。手法は二段階からなり、まず少数の教師生成推論軌跡を直接蒸留して基礎能力を獲得させ、次に学生モデルがまだ習得していないが専門家が確実に解ける問題を繰り返し選び、学生の進化に合わせて訓練データを更新します。論文によると、1,000件の訓練例のみで11の推論ベンチマークにおいて静的・動的なデータ選択の基準手法を上回り、Qwen3.5-4Bの精度はIMO-AnswerBenchで62.9から75.3、AMO-Benchで26.8から46.0に向上したとされています。
説明QCLR：量子化によって自己教師あり骨格ベース行動認識の対照学習を堅牢化するプラグインモジュール
要約本論文は、骨格データを用いた自己教師あり人物行動認識の対照学習手法が敵対的攻撃に弱い点に着目している。著者らは量子化による即挿入型の堅牢化モジュールQCLRを提案し、符号化過程に二段階の量子化を適用して勾配伝播を遮断し、微小な敵対的摂動を量子化区間内で吸収するとしている。複数のベンチマークで、白箱・黒箱の両攻撃に対する頑健性が向上し、分類精度も高い水準を保つと報告している。
説明MHR-Router：視覚言語モデル推論のためのマルチモーダル異種検索強化型適応ルーティング
要約視覚言語モデルはそれぞれ得意分野が異なりますが、画像と質問の組み合わせに最適なモデルを選ぶのは容易ではありません。本論文はMHR-Routerを提案し、凍結されたマルチモーダル特徴を融合してクエリ表現を作り、各専門モデルの成功と失敗の記録を局所的な根拠として検索し、共有スコアラーで最適なモデルを適応的に選びます。実験では、異種モダリティのルーティングが効果的に行え、従来のベースラインより精度が一貫して向上したと報告されています。
説明最終埋め込みを超えて：トークンレベルの根拠から記憶を検索する
要約記憶拡張型アシスタントは、保存された会話や文書から根拠を取り出して質問に答えます。本論文は、追加学習なしで、クエリの各トークンが候補記憶内の少数の一致トークンと対応づけられる疎なトークン照合手法を提案しています。照合スコアを記憶ごとに集約し、記憶全体との類似度と組み合わせて順位付けします。エンコーダと記憶表現を固定したまま、任意で低ランクのクエリアダプタを学習することもできます。著者らは、八つのベンチマークと複数のモデル系列で検索性能が向上し、長期記憶の質問応答精度にも反映されると報告しています。
説明CopRoute：言語モデル向けの依存関係を考慮したコンフォーマルルーティング手法
要約本論文は、複数の言語モデルへのクエリ振り分けを行う CopRoute を提案している。各モデルが既存の選択集合を超えて新たに正解できるクエリ数で順序付けし、クエリごとに呼び出す範囲を決めたうえで、目標リスクを満たす最小の打ち切り点を選ぶ。RouterBench と RouterEval では、同じ認証済みリスクで比較した最先端手法より、多くのデータセットで呼び出し回数が少なく、最大 79% 減少したと報告されている。
説明Agent4Spec：LLMベースのエージェントシステムによる、自動検証と市場分析を通じたAPI仕様の最適化
要約本論文はAgent4Specを提案します。これは複数の自律エージェントからなるフレームワークで、二つのパイプラインを備えています。一つはOpenAPIの構文エラーを検出し自己修正する検証パイプライン、もう一つは競合調査を行い業界リーダーとの機能差を特定して不足しているAPI仕様機能を自動生成する市場分析パイプラインです。汎用と産業の両シナリオにまたがる二つのAPI仕様データセットで9つのSOTA LLMを評価したところ、最良のモデルは構文エラーの検出率100%、修正案の実装成功率95%超、提案されたエンドポイント改善の採用率50%超を達成したと報告されています。
説明OWLET：証拠移転による方策内重み付け学習，ビデオLLMの事後学習
要約本論文は，ビデオ大規模言語モデル（Video-LLM）の事後学習手法OWLETを提案する。従来の強化学習は回答全体に単一の報酬を与えるため粒度が粗く，同策略蒸馏は出力分布の一致のみを扱い，時空間表現の直接的な監督が欠けている。著者らは，全体の時間的文脈と質問に関連する細部を組み合わせた映像の視点で同じモデルがより正確に推論することを確認し，その視点から得られる視覚的証拠を学習信号として用いる。OWLETは，証拠に基づく信用の再配分と時空間状態の整合という二つの仕組みを備える。
説明ConClick：要素単位の対照学習によるGUIグラウンディングの改善
要約本論文は、ユーザー指示に対応するGUI要素を特定するGUIグラウンディングの誤りを分析し、多くの誤クリックが背景ではなく非目標の要素に当たっていることを明らかにしました。目標要素と紛らわしい要素を区別する対照学習フレームワークConClickと、4,292組の目標・妨害要素ペアからなるConClick-Dataを提案しています。さらに推論時の手法ReClickも導入され、3つのベンチマーク平均で2.96ポイント精度が向上したと報告されています。
注目点GUI定位の誤りを干渉要素に注目して対照学習で改善し、三つのベンチマークで明確な向上を示した。既存手法の組み合わせ寄りで新規性は中程度。
説明忘却は必ずしも悪ではない：汚染されたLLMエージェントの記憶を修復する神経科学に着想を得た機構
要約本論文は、再活性化の弱さが強化のない状態で記憶を不安定化させ減衰させるという神経科学の知見に基づき、学習を必要としないエージェント内蔵型の記憶修復フレームワークDREAMを提案している。DREAMは、摂動による暗黙的再活性化、多次元の活性化パターンに基づく適応的異常診断、そして有害な記憶を抑制し良性の記憶を強化する動的修復の三段階で構成される。後門型投毒攻撃に対する攻撃成功率は95%超低下し、良性タスクの性能も維持されたと報告されている。
説明CV-OPD：視覚言語モデルに画像根拠の推論を促す対比的な視覚オンポリシー蒸留
要約論文は、オンポリシー蒸留で学習した視覚言語モデルが、関連する画像領域を隠したりノイズに置き換えたりしても正答できることを示し、モデルが視覚的根拠を実際には使っていないと指摘しています。著者らはCV-OPDを提案します。これは正例と負例のクロップから得た教師分布を比較し、対比発散損失と判別認識ゲートによって学生モデルを視覚内容へ誘導する手法です。複数の細粒度視覚ベンチマークで、ショートカットの問題が緩和され、視覚推論性能が向上したと報告されています。
説明SheafPrune：グラフ伝播による視覚トークン削減手法
要約マルチモーダル大規模言語モデルは、指示と無関係な視覚トークンも含めた全系列を処理するため、事前充填のコストが増大します。本論文は、テキストと視覚の疎なグラフで関連度を伝え、視覚グラフ上でスコアを伝播させて次数で補正するSheafPruneを提案します。凍結された言語モデルの前に上位kのサブセットを一度だけ保持します。4つのバックボーン、10のベンチマーク、7つの削減率で、28設定中22で最良の保持率を達成しました。LLaVA-NeXTで視覚トークンの10%を保持すると、事前充填が約5.15倍高速化され、エンドツーエンドのFLOPsは84.0%削減されます。
説明視覚・言語・行動ポリシーのためのデュアルストリーム記憶
要約本論文は、記憶が必要なロボット操作タスクを対象に、視覚・言語・行動（VLA）ポリシー向けのデュアルストリーム記憶手法を提案している。一方のストリームはGated DeltaNetで履歴を単一の時間トークンに圧縮し、もう一方はタスク条件付き検索器で関連フレームを保持して空間トークンに符号化する。RoboMMEの16タスクでの平均成功率は49.22%で、参照手法の44.51%を上回り、実機4タスクでは62.5%（参照は37.5%）だった。ただしカップ交換の場面では、持続的な個体識別の追跡が未解決の課題として残ることが示されている。
説明Transformerのクロスヘッド注意機構に向けたデータ適応型マハラノビス距離学習
要約本論文は、距離学習の観点からマルチヘッド注意機構（MHA）を一般化する注意機構DAMCHA（データ適応型マハラノビス・クロスヘッド注意）を提案しています。完全なクロスヘッド距離行列を学習してヘッド間の相互作用を捉え、その行列を入力依存の関数としてパラメータ化することで、注意の幾何構造をデータに応じて動的に調整します。さらに、スタック単位のパラメータ共有などの正則化手法を導入しており、既存のTransformerのMHAを置き換えられるとし、複数のベンチマークで比較手法を上回る結果を示しています。
説明単一クロップを超えて：選手再識別のための文脈化埋め込み
要約本論文は、放送スポーツ映像における選手再識別のためのContextReIDフレームワークを提案します。個々の選手の画像だけでなく、同じフレーム内の他の選手や、映像の異なるフレームでの観測も考慮します。視覚言語モデルで実装され、文脈学習と検索の目的関数を組み合わせて学習します。3つのマルチオブジェクトトラッキングベンチマークの実験では、従来の単一クロップ手法よりRank-1とmAPで改善が見られたと報告されています。
説明不均一媒質における超音波伝搬のニューラル代理モデリング
要約本論文は、波動伝搬を高速に近似するニューラルネットワークによる代理モデル（サロゲート）を扱います。著者らは、フーリエニューラルオペレータ（FNO）を用いた手法では反射などの重要な信号特徴を捉えられず、U-Netベースの手法は波動場をよく学習するものの空間スケール間で情報を伝達しにくいと指摘します。そこで、FNOと局所積分リサンプリングをU-Netに統合した新しい代理モデルを提案し、限られたデータで学習でき、入力ノイズに頑健で、異なる空間スケールでも機能することを示しています。
説明CAST：クロストークナイザ方策上蒸留のためのクレジット整合手法
要約本論文は、トークナイザが異なる教師モデルと生徒モデルの間の方策上蒸留（OPD）において、復号テキストによる対応付けだけでは生徒の各トークンへ学習信号をどう配分するかが未解決であると指摘します。提案手法CASTは、対応付けられたチャンクでは予測不確実性と局所的な教師信号の滑らかさを用いてアドバンテージを再配分し、対応のない位置では初期方策へのKL罰則で生徒を拘束します。数学、科学、コードの6つのベンチマークで、最も強い比較手法より平均的に改善したと報告されています。
説明表形式基盤モデルは実質的に浅い：層の大半を削っても性能を維持できることを示す研究
要約本論文は、文脈内学習を行う表形式基盤モデル（TFM）が、Transformerの冗長な層を取り除いても性能を保てるかを検討します。著者らは、連続する最大96%の層を置き換える、ラベルを必要としない閉形式のアフィン変換器を提案します。171の分類データセットで8つのモデルを評価した結果、層の半分を置き換えてもAUROCの中央値低下は最大0.002で、半分の深さのモデルも、他の全深度モデルや調整済みGBDTを上回りました。深さを削ると最大15億パラメータを削減でき、GPU推論は最大6倍高速化されます。
説明視覚Transformerは画像だけから単語の意味を学習する
要約研究者らは、最大級のDINOv3視覚Transformer2モデルが、キャプションやラベルなど言語情報を使わず画像のみで自己教師あり事前学習されたにもかかわらず、画像内に描かれた単語を意味に基づいて配置することを示した。同業種のブランド名や同じ意味領域の名詞が埋め込み空間で近くにまとまり、国と首都の組にも一貫したベクトルのずれが見られる。
説明生成音楽を評価する音声・言語モデルは何を聴いているのか：専門家評価と対照した4つのプローブ
要約オープンな音声・言語モデルは、生成された音楽の評価者として使われることがあるが、専門家の評価との相関だけでは、音楽、テキストプロンプト、質問の仕方のどれに反応しているかは分からない。本論文は、音声の除去、同じプロンプトで別のモデルが生成した音声への差し替え、対比較での順序入れ替え、指示文の言い換えという4つのプローブを提案し、人間の評価を対照として分析している。MusicEvalの2,748件のクリップ（残り2つはSongEvalの楽曲）で検証している。
説明深層学習による分娩中の乳牛の陣痛のリアルタイム検出手法
要約本論文は、牛の分娩時の陣痛をコンピュータビジョンで自動認識する手法を提案しています。100件の牛の分娩映像を収集し、約8500件の陣痛動作と約25000件の非陣痛シーケンスを抽出してデータセットを構築しました。畳み込みニューラルネットワーク（CNN）とビジョントランスフォーマー（ViT）を用いてフレームから特徴を抽出し、陣痛を検出・分類しています。論文では95%を超える精度が示されており、リアルタイム監視による難産時の迅速な対応への応用が見込まれるとしています。
説明Jag：効率的な視覚的グラウンディングのための直接的なボックス予測手法
要約本論文は、コンパクトな事前学習済みマルチモーダルモデルを連続的なバウンディングボックスの直接予測に適応させるJagを提案している。軽量な回帰ヘッドが最後の有効な入力トークンの状態を読み取り、4つの座標を一度に予測し、座標の逐次生成やテキスト解析は不要である。報告によれば、基礎モデルより定位精度が向上し、専用の定位モデルと同等の精度を持ちながら、単一リクエストの遅延とGPUメモリ使用量が少ない。
説明State-OPD：マルチターンエージェント向けの状態基盤オンポリシー蒸留
要約本論文は、フロンティアモデルの推論能力を小型モデルへ移すオンポリシー蒸留（OPD）を、マルチターンのエージェント環境へ拡張する方法を扱います。提案手法State-OPDは、教師の指導を相互作用の状態に基づけ、応答エントロピーの高い状態に採点の予算を配分して、推論と行動を含む完全な応答を複数生成します。ALFWorld、ScienceWorld、WebShopでの評価では、Qwen3-4Bの宏平均成功率が最強ベースラインの26.07%から31.74%に向上したと報告されています。
説明医用画像におけるJEPAの予測可能性バイアス：CTを用いた研究
要約本論文は、結合埋め込み予測アーキテクチャ（JEPA）のCT医用画像への適用を検討したものです。113,611件のCTボリュームで学習したTAP-JEPAを提案し、病変と解剖構造に対するモデルの予測挙動を分析しています。その結果、予測によって病変の表現は大きく弱まる一方、解剖構造への影響は小さく、周囲文脈からの予測可能性は臨床的関連性の十分な指標ではないと結論づけています。
注目点予測可能性バイアスという概念を提案し、CTデータで学習時の計算を再生してJEPAの予測経路を検証し、病変特徴が抑制されることを示す。新規性と根拠は比較的充分。
説明AMR解析器の出力はどれほど信頼できるか：AMR解析の不確実性推定
要約本研究は、抽象意味表現（AMR）解析器に対する不確実性推定を初めて扱ったものです。ブラックボックス設定で、ビームサーチが出力する上位k個の候補同士の類似度から不確実性を推定し、予測拒否率で評価します。解析性能と不確実性の関係、候補分布の信頼性、評価指標が不確実性評価に与える影響を分析し、性能と信頼性のバランスが良い解析器を特定しています。
説明ClawLoop：ハーネス内蔵の訓練ループによる自己改善エージェント
要約本論文は、外部の教師モデルを用いずに大規模言語モデルベースのエージェントが自己改善できるフレームワーク「ClawLoop」を提案しています。タスク合成、訓練（SFTおよび/またはRL）、診断とフィードバックの3段階から成る循環で構成されます。ループモデルとしてQwen3.6-27Bを用い、SkillsBench、Claw-Eval-Live、ClawGym-Benchで一貫した改善を示しました。さらに、反復的に洗練されたタスクはQwen3.5-4Bおよび9Bモデルにも転移し、各ベンチマークで向上が見られたとされています。
説明ラグランジアン・ニューラルネットワークによるシュヴァルツシルト測地線運動の学習
要約本論文は、ラグランジアン・ニューラルネットワーク（LNN）を用いて、軌道データからシュヴァルツシルト時空における測地線運動を学習する手法を提案しています。座標と時間微分をそれぞれ独立に正規化する方式と、最内安定円軌道（ISCO）の構造を踏まえてエネルギーを制約した対数一様サンプリングによるデータ生成法を導入しています。その結果、近日点移動や相対論的時間の遅れを再現し、複数周回後もエネルギーと角運動量の保存を数パーセント以内に抑えたと報告しています。
説明FPD-Drive：エンドツーエンド自動運転のための未来方策蒸留
要約本論文はエンドツーエンド自動運転プランナーFPD-Driveを提案します。将来の観測にアクセスできる教師モデルから、特権的な将来情報を視覚運転方策の学生モデルへ蒸留し、複数軌道の教師信号と安全な候補の選択を改善します。学生は展開時に将来観測も教師の推論も必要ありません。基本モデルはNAVSIM v1 navtestで94.9 PDMS、NAVSIM v2 navhardで55.9 EPDMSを達成し、拡張版FPD-Drive-Proはそれぞれ95.5と58.1に向上しました。HUGSIMでのゼロショット閉ループ評価では、HD-Scoreが45.1、RCが55.3です。
説明ReSFlow：統計多様体上で類別フローを整流し、一段階で生成する手法
要約本論文は、離散（カテゴリカル）データを生成するためのReSFlow（整流統計フロー）モデルを提案します。ユークリッド空間の整流フローの考え方を取り入れ、リーマン幾何の測地線に沿った軌道を統計多様体上で明示的に学習します。これにより、ノイズから目標の離散データへ一段階で変換できるとしています。画像、テキスト、生物分野など複数のタスクで実験を行い、一段階生成の品質が高いと報告しています。
説明歴史地図における図式記号の自動検出と符号化
要約本論文は、歴史地図上の図式記号を検出し、意味と様式の違いを捉える解釈可能な記号埋め込みを生成する二段階の枠組みを提示しています。また、複数の記号カテゴリと多様な制図様式を含むオープンベンチマークデータセットCaSiDDを公開しています。YOLOv10-Xを用いて歴史地図での自動検出の実用性を示し、改良したRADIOv4バックボーンにより記号の形態と意味の両方を符号化しています。
説明マルチモーダルデータのテンソル融合によるがんリスクレベルの予測
要約本論文は、テンソル分解によってゲノムデータと臨床データなど異種データを統合し、潜在特徴を抽出してからクラスタリングを行う教師なし機械学習の枠組みを提案し、がん患者のリスク層別化に用いる。LinkedOmics の 32 種のがんにわたる 11,158 名の患者データで検証され、腫瘍純度、病理病期、生存転帰が参照指標として用いられている。論文によれば、tSVD+GMM の組み合わせが各臨床ベンチマークで他の構成より優れた結果を示した。
説明グラフニューラルネットワークに着想を得た、UAVによる海上監視のためのマルチモーダル船舶識別・追跡
要約本論文は、UAV支援型海上IoTにおける船舶の識別と追跡のための機上マルチモーダルグラフ学習フレームワーク「AMGT」を提案しています。可視光と赤外線画像を射影変換で位置合わせ・融合し、AISメッセージを補間と線形予測で時間同期させます。小型で向きのある船舶を検出するMAir-YOLOv8-OBB検出器とMAir-SORTによる追跡を用い、グラフ学習ベースの関連付けネットワークと運動認識座標統一手法を導入しています。MAP-M2UAV50データセットでの実験により、高い精度と効率が示されています。
説明内部形状の構築によりAI生成3D形状に機能性を持たせる手法
要約Hunyuan 3DやMeshyなどのAI生成3Dモデルは外観は見栄えがよい一方、内部形状が不完全または不自然になりがちで、シミュレーションや製造にそのまま使えない場合があります。本論文では、視覚言語モデルによる形状分割と部品グラフの属性推定に基づき、内部を意識した部品グラフを構築し、各部品の内部形状を一般化円柱としてモデル化してパラメータを最適化により決定する手法を提案します。容器や収納家具などで実証し、一部は製作して機能を検証しています。
説明参照なし点群品質評価のための複雑度補正型再構成差分法
要約本論文は、参照点群を必要としない点群品質評価手法を提案します。連続的な再構成によって内容の複雑さに起因する差分を推定し、入力と再構成結果の差分を補正したうえで、三次元幾何と二次元投影ビューの結果を統合して劣化スコアを求めます。手法は凍結された事前学習済みの知覚表現を用い、点群品質評価向けの学習や微調整は不要です。三つの公開データベースでの実験では、多くの汎用ベースラインを上回り、いくつかの全参照指標と同程度の性能を示しました。
説明ゴールデンアンカー：下流の動画フィードバックで文生画像のアンカーを最適化する手法
要約本論文は、動画生成で用いるアンカー画像を文生画像モデルから直接得る方法が、後段の画像生成動画モデルに適しているとは限らないことを示します。著者らは、凍結した画像生成動画モデルで候補アンカーから作られた動画を評価し、その報酬を画像レベルの選好に変換してDPOで文生画像モデルを微調整するGolden Anchor Learning（GAL）を提案しています。4つの画像生成動画モデルにおいて、VBenchの平均スコアが2.97%から8.46%、動的程度が5.62%から38.24%向上したと報告されています。
注目点下流の動画フィードバックでT2I生成器を最適化するGALを提案し、4つのI2Vモデルで一貫した改善を示しており、証拠は比較的充実している。
説明Monarch-MoE：マルチモーダル継続的指示チューニングのための構造化エキスパート
要約本論文は、LoRAエキスパートの密な低ランク因子を、固定置換で接続されたブロック対角因子に置き換えるMonarch-MoEを提案し、マルチモーダル継続学習における破滅的忘却の軽減を目指します。LLaVA-1.5-7Bを用いたMLLM-DCLとUCITでの評価では、最初のタスクの忘却が抑えられ、アダプタのパラメータはそれぞれ約75%、約50%削減されたと報告されています。また、単一の24 GB RTX 4090でも微調整と推論が可能だとしています。
説明行動を超えて：視覚・言語・行動モデルのための将来の操作目標の学習
要約本論文は、ロボットの方策が実行する動作だけでなく、その動作がもたらす将来の物理的効果（Effect）も予測するAFCE手法を提案しています。オフラインのトークナイザーが、示された動作、ロボットの実際の応答、疎な視覚変化からEffectトークン列を作成し、フローマッチングによるVLAがEffectを予測して動作チャンクに変換します。DexJoCoでの総合成功率は50.97%で、π0.5およびUVTをそれぞれ11.82、15.21ポイント上回り、双腕の5タスクすべてで首位です。
説明各予測にはどれだけの計算が必要か？二つの時系列基盤モデルにおける構造化ブロックスキップ
要約本論文は、事前学習済みの時系列基盤モデル（Chronos-Bolt と TimesFM 2.5）で、推論時にTransformerブロック全体を省略できるかを検証しています。マスクは校正用ウィンドウのみで選択され、ETTh1、Traffic、Weather、Exchangeの1,088個の未使用ウィンドウで評価されています。中程度の省略では予測品質の変化は小さく、A100での中央値レイテンシは削減されました。ただし、より強い省略はTrafficとWeatherに大きな悪影響を与えます。著者らは構造的な冗長性を示したものの、実用的な動的推論手法とは言えないとしています。
