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SmartSalesBench：抵抗的な買い手に対応する多ターン型のLLM営業エージェント評価ベンチマーク
要約本論文は、大規模言語モデル（LLM）の営業エージェントを評価するための多ターン対話ベンチマーク「SmartSalesBench」を提案しています。従来の対話ベンチマークが協力的なユーザーを前提としているのに対し、本研究では心理学的根拠に基づき抵抗や反論を行う買い手ペルソナを設定し、最大20ターンの会話を行います。5種のエージェント、12種の買い手ペルソナ、15製品を用いた13,680セッションの実験と、三層に分けた9つの評価指標を含みます。
説明システム1型モデルは転移できるか？インドネシア地域言語における校正済み型付き判断モデル、ラベル予算、翻訳の検証
要約本論文は、単一の順伝播でラベルと確率を同時に出力する「システム1」型の校正済み判断モデルを、インドネシア地域言語で評価したものです。NusaXおよびNusaTranslationの感情・感情分類データセットを用いています。インドネシア語への翻訳で精度が大きく向上する一方、自身の誤りを順位付けする能力は3つのデータセットすべてで低下したと報告しています。
説明Minions：遊休Apple Silicon端末で構成する動的・分散型仮想GPUクラウド
要約機械学習推論でGPUの需要が高まる一方、集中型GPU基盤はコストが高く、弾力性に乏しく、資源が限られると待ち時間も長くなるという課題があります。本論文は、複数のmacOS端末で遊休しているApple SiliconのGPUを束ね、大規模な機械学習推論ジョブを実行する動的・分散型仮想GPUクラウド「Minions」を提案します。柔軟なGPU推論タスクの実行、耐障害性、効率的な資源利用を備えます。著者らは、集中型GPU資源が制約される環境では、遊休macOS端末を実用的な分散GPU推論基盤に転用できると述べています。
説明MotionCoach：動画のプロ動作編集のためのマルチモーダル指導の構築
要約本論文は、動画編集モデルが専門的な動作（スポーツ、武術、パフォーマンスなどの細かな動作）を正確に生成しにくいという課題に取り組みます。提案するMotionCoachは、複数回のツール利用と自己検証を行う学習済みのマルチモーダルエージェントで、動画編集モデルに外部の専門動作知識を与える指導用プロンプトと参照クリップを生成します。動画編集モデルの再学習は不要です。評価用に314タスクのVPMEBenchも導入され、総合スコアは2モデルでそれぞれ55.1から65.6、51.2から64.5に向上したと報告されています。
説明MVGraph：複数ビューの視覚グラフにおける証拠の統合能力を評価する大規模視覚言語モデルのベンチマーク
要約本論文は、大規模視覚言語モデル（LVLM）が複数のビューにまたがる視覚グラフから証拠を統合して推論できるかを評価するベンチマーク「MVGraph」を提案している。8 種類のグラフ理論タスクを含む 8k 件のインスタンスと、知覚・対応付け・統合・推論の 4 能力を個別に診断する 29 タスク（64k 件）から構成される。15 のモデルで評価した結果、視点間のエッジ対応付けと関係レベルの統合が主な課題であることが示された。
説明DataCupid：遅延フィードバックを伴う学習データ取得のための安定マッチング修復
要約本論文は、効用の変化後にマッチングを修復する問題を扱います。有効な観測は再利用できますが、新たな評価はマッチング容量の制約に従う必要があり、結果が順不同で返ることもあります。著者らは残余負荷修復法（RLR）とその監視版RLR-Pを提案し、理論的な上界と、シミュレーションおよび再生実験による評価を示しています。再生実験では、RLR-Pの平均認証時間が監視型ベースラインより短い一方、オラクルの計算コストは高くなると報告されています。
説明動画コーデック情報を用いた、学習不要の動画大規模言語モデル向けビジョントークン圧縮手法
要約動画大規模言語モデル（VLLM）は長いビジョントークン列に依存するため、推論効率化のためにトークン圧縮が重要です。本論文は、圧縮動画に既に含まれる符号化情報（参照フレーム依存関係、動きベクトル、残差）を低コストな探索の事前情報として使う、学習不要の圧縮手法を提案します。ベースモデルを変更せずに適用でき、複数のモデルとベンチマークで、既存の学習不要ベースラインに匹敵し一部では上回る性能を、少ない特徴比較回数で達成したと報告しています。
説明JoyInside-VLM-Agent：製品条件付きのマルチモーダル方策学習によるエンボディドエージェント
要約本論文は、ロボットやスマートハードウェア向けのマルチモーダルエージェント JoyInside-VLM-Agent を提案しています。製品制約や目標変更、実行失敗からの回復を含む対話軌道を閉ループのサンドボックスで生成し、教師付き微調整、多教師オンポリシー蒸留、DPER（Dual-Source Privileged On-Policy Self-Distillation with Token-Level Evidence Routing）による強化学習で学習させています。BFCL v4 の総合スコアは 77.44 で、他の公開ベンチマークの結果は一様ではないと報告されています。また、著者らの独自評価セットでは基準手法を上回り、四足ロボットの実機事例も示されています。
説明MathVis：AIは図を描いて推論できるか？数学図形生成のベンチマーク
要約本論文は、大規模言語モデルが最先端の数学問題を可視化し、図を用いた推論を行う能力を評価するためのベンチマーク「MathVis」を提案します。512のタスクからなり、各タスクには数学的命題、参照図、実行可能なTikZまたはSVGコードなどが含まれます。評価の結果、3モデルのpass@1は31.25%、26.56%、22.85%でした。出力は主に形式言語・記号・描画プログラムが中心で、人間にとって視覚的に分かりにくい場合が多いと報告されています。
説明文脈内学習で視覚言語モデルは学習時の事前知識を克服できる
要約視覚言語モデルは学習中に強い統計的規則性（事前知識）を獲得し、入力画像がそれに反する場合に視覚的根拠を適切に扱えないことがあります。本論文は、制御された視覚的文脈内学習（デモンストレーション提示）によりモデルを視覚的根拠へ注意させると、事前知識に反する反事実例の精度が大きく向上する（Qwen3-VL 235Bで+27.2%）一方、事前知識に合致する例はほぼ変わらないことを示します。この効果は5つのモデル系統で確認されました。ただし、基礎となる視覚能力が弱いか欠けている場合、効果は限定的です。
説明UniDeblur：フーリエ畳み込み学習による統一的モーションデブラー手法
要約本論文は、異なるカメラや画像内容で生じる多様な模ぼけに対応する統一的なモーションデブラー（ぼけ除去）フレームワークを提案しています。著者らは多元データセットを構築し、データの選別と品質管理のパイプラインを整備しました。さらに、画素単位の写像に頼らず、フーリエ空間でぼけに適応的な全域フィルタを学習する手法を採用しています。実験では、この統一モデルが領域内および領域外のベンチマークで競争力のある性能を示したと報告されています。
説明活性化の波に乗って：投機的デコーディングのためのLLM隠れ状態の情報と幾何構造の分析
要約本論文は、大規模言語モデルの異なる層の隠れ状態から、投機的デコーディングに用いる層の組み合わせを選ぶ方法を検討しています。行列エントロピーによる情報量と、中心化カーネル整列（CKA）による多様性の二つの基準に基づく選択枠組みを提案し、予測エントロピーの低いトークンを除外する手法も導入しています。EAGLE3型の投機的デコーディングでは、既定の [2, N//2, N-3] 規則を含む固定的な基準よりも、選ばれた組み合わせの方が良い結果を示したと報告しています。
説明少ない学習量でより多く学ぶ：不確実性に導かれた段階的収縮による効率的な推論後学習
要約本論文は大規模言語モデルの推論後学習において、能力を落とさずに監督データをどこまで圧縮できるかを検討しています。まずモンテカルロ推論木で教師モデルの思考連鎖の過程レベルの不確実性を測り、元のコーパスを教師が選んだ小さなデータプールに絞り込みます。次に教fineチューニング中、学生モデルの学習状況に応じて最適化をオンラインで振り分けます。実験では全データ教師ありファインチューニングの最適化予算の約0.22%で、複数の推論ベンチマークとモデル系列において推論性能を維持または向上させたと報告されています。
注目点モンテカルロ推論木で不確実性を捉え、学習者に応じたルーティングで訓練量を大幅に削減する新手法。多様なベンチマークとモデル族で有効性を示し、証拠は比較的充実。
説明SEEDS：検索エージェント向けのプレビュー誘導型証拠受け入れ手法
要約本論文は、既存の検索エージェントが検索された文書を固定的または順位ベースの方針で一括して推論に取り込んでいる点を指摘し、証拠の有用性はエージェントの現在の推論状態に依存すると論じます。提案手法SEEDSは、検索候補の軽量なプレビューを先に提示し、エージェントが現在の推論状態に基づいて、どの候補を何件まで全文確認するかを決めます。九つの知識集約型QAベンチマークで、ローカルコーパスとライブWeb検索の両方において検索効果を向上させるとともに、全文証拠の消費を大幅に減らしたと報告されています。
説明モデルスライス上の協調学習と推論：異種の小型モデルが互いに推論を検証する仕組み
要約単一の大規模モデルでは後段の推論が前段の出力に依存するため誤りが伝播しやすく、独立した再検討が難しいという課題に対し、本論文は協調学習を提案しています。大規模モデルを同程度のパラメータ量の異種小型モデルに分割する「モデルスライス」と、プロトコル蒸散と段階ごとの監督を組み合わせる「ピラミッド監督」が中核です。多段階質問応答、数学的推論、コード生成、制約付き自由生成の4分野で、学習後の異種モデルは元の大規模モデルや多エージェント基準手法と同等以上の性能を示し、推論効率も高いと報告されています。
説明一人称視点動画の埋め込みが何を符号化するか、慣性センサーと組み合わせて人の活動認識に使う方法
要約本論文は、頭部装着カメラの動画を事前学習モデルで埋め込んだ表現が何を表すかを調べた。主要な成分はカメラの向きとシーンのレイアウトに支配されると報告している。さらに、同一参加者の動画グラフ上で慣性センサーの予測を伝播させると、WEARデータセットのマクロF1が0.648から0.852に向上したとしている。
説明線形化最適輸送を用いた測度データの疎辞書学習：効率的アルゴリズムとサンプル複雑性
要約本論文は、最適輸送の幾何構造から得た特徴量で確率測度をヒルベルト空間に埋め込み、確率測度を対象とする辞書学習を研究しています。疎オートエンコーダによってデータに適応した辞書を学習し、確率測度を疎な有限次元の符号として表現します。手法は高スペクトル画像、幾何学的点群、大規模言語モデルの潜在空間における文書埋め込みで検証されています。また、一般的な $L^2$ 値測度埋め込みのクラスに対する疎辞書学習の汎化上界と、最適輸送およびエントロピー輸送写像の辞書に対する被覆数の上界を示しています。
説明言語で神経デコーダを教える：自然言語のクラス記述を使う脳コンピュータインターフェースの解読手法
要約この論文は、神経信号の特徴を自然言語によるクラス記述と対応づけ、候補となるテキストプロトタイプで分類を行う「言語による教師付け」（LaS）を提案している。著者らは頭皮と頭蓋内の記録を用い、視覚、運動、音声のデコードについて七種類のエンコーダ構造を評価した。LaS は対応するクラスラベル教師付けの基準手法より音声デコードの精度が高く、定常状態視覚誘発電位で未見の周波数を条件付きで解読できることも示されている。
説明二次情報を超えて：ノイズのある特徴量を用いた有料ロジスティック回帰
要約本論文は、支払いにより潜在特徴量のより正確な観測を得られるオンライン二値予測問題を扱います。目的は予測損失と取得コストを同時に抑えることです。線形回帰の先行研究と異なり、共分散情報だけでは不十分であることを示しています。支払いが大きいほど独立ノイズが除かれるという構造の下で、ノイズ構造が既知なら後悔量は Õ(√T)、未知なら Õ(T^{2/3}) となり、対数因子を除いて一致する下界も得られています。
説明Controlled-Minimax：制御理論による敵対的最適化の安定化
要約本論文は連続時間の力学系の観点から、極小極大（minimax）最適化の不安定性を調べ、均衡点付近の損失関数のヘッセ行列の固有構造が非収束の根本原因であると指摘しています。学習軌道を制御可能な物理系とみなし、フィードバック制御器を導出する Controlled-Minimax 手法を提案し、局所的な指数安定性を理論的に保証すると述べています。Dirac-GAN、二次元ガウス混合、Swiss Roll などのベンチマークと StyleGAN2-ada による画像生成で、振動の抑制と速く頑健な収束が示されています。
説明OGPO：回復可能な視覚-言語-行動モデルのためのオフライン目標条件付き方策最適化
要約視覚-言語-行動（VLA）モデルの事後学習は、ロボットのデモンストレーションに対する軌道レベルの模倣学習に主に依存しています。本論文では、オフラインのデモを意味的な重要状態で再ラベル付けし、目標条件付きプロセス報酬を構築する手法OGPOを提案しています。LIBEROとMetaWorldで標準的な教師あり微調整を上回り、LIBERO-Plusおよび著者が提案したLIBERO-ReActでも高い頑健性と回復能力を示しています。
説明BLEND：連合学習型視覚言語モデルにおける個人化と汎化のバランス
要約本論文は、連合学習の枠組みで視覚言語モデルを微調整する際に、個人化と汎化の両方を高めるBLENDという手法を提案します。クライアント間で共有する全体的な視覚・テキストアダプタと、各クライアントに固有の個人化視覚投影アダプタを用い、新しい損失関数で両者の出力を融合します。実験では、多様なシステム設定において既存の基準手法を上回る性能が示されています。
説明LatLM：承諾を遅らせられる多行並列言語モデル
要約本論文は、複数行のテキストを並列生成する際に、どの時点で出力を確定させるかを復号時に適応的に決める格子言語モデル（LatLM）を提案しています。確信度の高い候補は確定し、前提が未完成の候補は後回しにします。4億8200万パラメータ規模で、逐次復号では自己回帰モデルと同等の性能を示し、並列復号では約25〜41%の復号ラウンド数で済むと報告されています。行間依存のある課題では、固定スケジュールのLCLMの78.5%に対し、96.5%の正答率を達成したとされています。
説明GIST：表形式基盤モデルのための生成器状態活用型教師あり学習
要約表形式基盤モデル（TFM）は事前学習で採取されたハードなクエリラベルを用いることが多く、回避可能なサンプリングのばらつきが生じます。本論文は生成器の中間状態を利用してクエリ損失を条件付きラベル分布上で平均するGIST手法を提案します。同じ事前学習条件の下で、3つのアーキテクチャすべてで平均順位が向上し、TabArenaとTALENTの両ベンチマークでハードラベル対照群との対応比較の62.1%に勝ちました。
説明圧縮を考慮した強化学習によるAscend Tritonカーネル生成
要約本論文は、長い対話過程でのカーネル生成のため、GRPOを圧縮を考慮したセグメント単位の目的関数に改良した後学習手法ATRL（Ascend Triton Reinforcement Learning）を提案しています。また、コンパイル、正確性、性能分析の段階的フィードバックを与える軽量なエージェント枠組みと、Ascend固有の知識ベースを設計しています。Ascendハードウェア上で行ったNPUKernelBenchとKernelBenchの評価では、ATRLがGRPOを含む全ベースラインを正確性と高速化率の両面で上回りました。
説明JMT-YOLO：セグメンテーション誘導の一貫性学習によるマルチタスク領域適応型物体検出
要約本論文は、学習データとテストデータの分布の違いによって物体検出の性能が低下する問題を扱い、Mean Teacher構造に補助的な意味セグメンテーションタスクとマスキング機構を組み込んだJMT-YOLOを提案しています。三つのベンチマーク領域適応タスクで検出精度はそれぞれ46.9%、57.3%、61.0%に達し、既存の最先端手法とベースライン手法を上回ったと報告しています。
説明少ステップのテキストから画像生成における指示追従を改善する軽量な速度補正フレームワーク
要約少ステップのテキストから画像を生成するモデルは、複数の主体、相互作用、空間関係、数え上げ、属性の結び付けを含む複雑なプロンプトで誤りが生じやすい。本研究は、凍結した60億パラメータの生成器に対し、パラメータ数が2000万未満の補正器を学習させ、選ばれたサンプリングステップで速度の残差調整を行う軽量な補正フレームワークを提案する。複雑なシーンの対象分布において、凍結したZ-Image-Turboと比べ、対比較の指示追従評価でNetWinが+17.60ポイント向上し、画像1枚あたりの追加遅延は26.9ミリ秒である。
説明拡散と復号の役割分担を見直す：並列言語生成のための予測状態フロー（Predictive-State Flows）
要約本論文は、連続拡散言語モデルにおいて拡散事前分布が細粒度の離散トークン選択を捉えにくいという問題に対し、予測状態フロー（PSF）を提案します。系列を複数のブロックに分割し、各ブロックを直前の文脈のみから計算される予測状態と対応させ、整流フロー事前分布で予測状態列を生成したのち、ブロック因果デコーダが各ブロックを並列に生成します（ブロック内のみ自己回帰）。無条件 OpenWebText 生成では、197M パラメータ・K=8 のモデルが、ELF-B（32 ステップ）より低い計算量で良好な生成困惑度と MAUVE 指標を示しました。
説明DS-Net：エッジ・クラウド協調推論のための動的分割ネットワーク
要約エッジとクラウドの間でディープニューラルネットワークを分割して推論を行う協調推論の手法を改良した研究です。従来の手法では分割点ごとに別のモデルを読み込む必要があり、切り替えに時間がかかりエッジ側の記憶容量も大きく消費していました。本論文は単一モデル内で分割点を柔軟に選べる動的分割ネットワーク（DS-Net）と、特徴分布のずれや情報損失を補う階層的補償機構を提案しています。実験では、メモリ使用量を74.6%削減し、ミリ秒単位で切り替えられることが示されています。
説明AD-SRF：マルチモーダル画像融合のための攻防型セマンティック強化フレームワーク
要約画像融合では、視覚品質と意味的属性の最適化目標が相反するため両立が難しいという課題があります。本論文はこれに対し、AD-SRFという攻防型のセマンティック強化フレームワークを提案します。まずTransformerベースの視覚融合ネットワークで視覚品質の基盤を作り、次に攻防ゲームで防御側が元入力から失われた意味情報を復元し、知覚しにくい意味マップとして融合画像に戻します。実験では視覚品質と意味属性の両方で改善が示されたとされています。
説明MeshBind：非剛体シーンフローの自動アノテーションのための点-メッシュ結合手法
要約本論文は、歩行者などの非剛体物体について、真値の取得が難しいシーンフローを、メッシュモデルを用いて点ごとに自動生成するMeshBindを提案しています。6台のサラウンドカメラから関節付きメッシュを再構成してLiDARフレームに位置合わせするモジュール、三角形ごとの接線・法線フレームで各点をメッシュに結びつける手法、自車運動補正・ボックス結合・メッシュ結合を組み合わせた三層の流れ配置合わせパイプラインから構成されます。あわせて公開データセットSUScapeに基づくベンチマークSFB（41kフレーム）を公開し、SFBでの微調整により三方向の端点誤差が約2〜3倍削減されたと報告しています。
説明異なる相互作用カーネルによる引力と斥力を扱う一般化行列式点過程
要約行列式点過程（DPP）は部分集合の選択を斥力によってモデル化するが、対の関係や共有された潜在構造による引力も多くの応用で見られる。本論文では、2つの対称正定値カーネルの行列式の比によって斥力と引力を表す行列式比点過程（DRPP）を提案する。両効果は個別に指定できる。補助変数表現により効率的なMCMCサンプリングと正規化定数などの期待値の計算が可能になり、最尤学習を支える。実験では、推移的な引力に対してDRPPが非対称DPP（NDPP）よりはるかに少ないパラメータで適合することが示された。
説明Win-Win融合：視覚と意味の協調によるマルチモーダル画像融合
要約本論文は、マルチモーダル画像融合で視覚領域と意味領域の最適化ギャップを埋めるW2Fを提案する。分割誘導型融合損失や情報復元の事前知識、IGM-AttおよびPC-Attによる相互作用機構、特徴探索と勾配補正からなる協調機構を組み合わせている。著者らは、視覚的な見栄えと判定精度の両面で既存手法を上回ったとし、コードを公開している。
注目点視覚と意味の協調融合パラダイムと、セグメンテーション誘導損失・注意機構・勾配補正を組み合わせ、有意な改良を示す。
説明LoRAアダプタによる個別化フェデレーテッド直接選好最適化
要約本論文は、フェデレーテッド直接選好最適化（FedDPO）がすべてのクライアントを単一の共有ポリシーに収束させると仮定している点を問題視し、個別化手法pFedDPOを提案します。各クライアントは共有のグローバル基盤モデル上に小さな非公開のLoRAアダプタを保持し、基盤モデルはFedAvgで同期され、アダプタはローカルに残ってクライアント固有の選好パターンを捉えます。選好データセットでの実験では、pFedDPOが素のFedDPOより低い勾配ノルムを示し、訓練損失およびクライアントごとの報酬精度では競争力を保つと報告されています。
説明CoGameReg：協力ゲームに基づく地震貯留層物性予測のための協調型半教師あり回帰
要約本論文は、坑井ログのラベルが少なく三次元地震データが豊富な状況で貯留層物性を推定する課題を扱っています。異種回帰器の貢献度で重み付けした予測から共有擬似ラベルを作る手法CoGameReg（協力ゲーム型の半教師あり回帰）を提案し、三重ゲームShapley機構で回帰器の重みを推定します。公開データセット、合成P波速度予測、現場の含水率応用で評価され、効果は指標や坑井位置によって異なると報告されています。
説明HART：アテンションとRWKVを組み合わせた時系列基盤モデル
要約本論文は、非自己回帰型の多段階予測（NAF）において、RWKV-7が予測期間が長くなるほど性能低下することを示し、その原因としてPlaceholder Idling Decay（PID）と呼ぶ機構を提案しています。これを踏まえ、注意機構ブロックとRWKVブロックを交互に用いるHARTを提案しました。GIFT-EvalとTIME-Benchmarkでの実験では、中長期の予測で純粋なRWKVを上回り、同規模の純粋なTransformerより総合性能が高いと報告されています。36Mパラメータのモデルは、長期のMASEでToto-2.0-1B（0.752対0.754）と同程度です。
説明『Mind the Spatial Gap』：地理空間推論と制約付き空間編集のベンチマーク
要約本論文は、空間関係の理解から幾何学的推論、制約付きの空間編集に至る空間認知能力を評価するベンチマーク GeoSpatialBench を提案しています。六都市の実際の都市データに基づき、GIS 操作で検証された 28 種類の空間関係を扱います。結果として、マルチモーダル大規模言語モデルは GeoJSON の方が地図画像より高い性能を示し、定量的な距離関係では性能が低下し、多くの失敗した編集が少なくとも一つの空間制約に違反していました。
説明一段階テキスト生成：Seq-Drifting 手法
要約本論文は、拡散言語モデルのように多段階のサンプリングを行わず、一回の順伝播で文章全体を生成することを目指す Seq-Drifting フレームワークを提案しています。連続的なトークン表現の系列に drifting を適用し、ガウスノイズからテキストへの写像を直接学習します。各位置の学習目標は生成中の文脈に応じて変化します。LM1B での一段階生成の generative perplexity は 36.01 と報告されており、翻訳・要約・推論についても実験が行われています。
注目点トークン系列にドリフト場を拡張し一段階テキスト生成を実現した点は新規性が高い。LM1Bや翻訳・要約などで検証しているが比較の詳細は限定的。
説明ソルバーの「機嫌」：混合整数計画における性能のばらつきの定量化と予測
要約混合整数計画（MIP）ソルバーは、一見無関係な摂動を加えただけでも性能が大きく変動することがあります。著者らは、繰り返し実行にわたる実行時間、最終最適性ギャップ、LP反復回数、分枝限定法のノード数のばらつきを統合した加重変動スコア（WVS）を提案しました。MIPLIB 2017の一部の問題では、多くは安定している一方、基本的な特性だけでは説明できない大きなばらつきを示すものもありました。根ノードなどの早期の特徴量から高い変動をある程度予測でき、チューニングや公正な評価に役立つとしています。
説明長期的な複数人対話メモリのための時系列エビデンスフォレスト（T-Mem）
要約本論文は、LLMベースのエージェントが長期の複数人対話で記憶を追跡しにくい問題を扱い、時系列構造を用いる記憶フレームワーク T-Mem を提案している。時系列エビデンス発見で関連発言の局所的な集中から見落とされた証拠を回収し、時系列記憶構造化で状態遷移を表して情報量の少ない区間を圧縮する。その後、エビデンスフォレストを線形化して回答生成に用いる。著者らは2つの長期複数人記憶ベンチマークで、既存の有力な記憶フレームワークを上回ったと報告している。
説明協調的心の理論：ユーザーの反応を予測して自己修正を学ぶ手法
要約本論文は、大規模言語モデルがユーザーの反応を予測し、その予測をもとに回答を修正して複数ターンの協働を改善する枠組み、協調的心の理論（CToM）を提案しています。学習では、ユーザーの実際の返答を次のターンの予測目標とし、グループ相対方策最適化（GRPO）と組み合わせてタスク性能と対話効率を同時に最適化します。数学推論、コーディング、執筆の各タスクで、CToMは全ベースラインより高い協働性能を示しました。
説明ROSETTA：学習不要の異モダリティ特徴空間回転アライメント手法
要約センサーやエンコーダが異なると、独立に学習された特徴空間の座標系が互いに一致せず、異なる設備や表現間の照合が難しくなります。本論文は、二つの座標系の相対変換が白色化された特徴空間における回転であることを示し、エンcoーダ出力の相互共分散が低ランクであることを利用して局所的な位置合わせを行います。ROSETTA は期待値最大化法で局所回転を推定し、クエリ時の同時観測を必要とせず、三つの公開運転データセットで有効性を検証しています。
説明拡散モデルと高精度評価による船体の局所的生成設計
要約本論文は、球状船首（バルバスバウ）や船首部など選択した領域のみを変更し、船体全体の連続性を保つ、報酬誘導型の拡散フレームワークを提案しています。代理モデルを用いた逐次モンテカルロサンプリングで静水抵抗の低減を目指し、粘性自由表面CFDで高精度に評価しています。生成案は高速域で抵抗が増加し、人手で改良した船体は低速域で抵抗が小さいことが示され、現在の表現と目的関数の限界が示唆されています。
説明選択的時空果実検査器（S²FI）：回転する果実の品質評価のためのMambaベースのフレームワーク
要約本研究は、中小規模の農家にとって高価な大型選果機と非効率な手作業の間を埋める、低コストで軽量な深層学習ベースの果実選別システムを目指すものです。3D畳み込みエンコーダとMambaベースのバックボーンを組み合わせたS²FIアーキテクチャを提案し、果実の回転中に有用なフレームを適応的に重み付けします。また、6,460サンプルからなるコンベア上の果実品質動画データセットを構築し、保持されたテストセットで精度・効率・実用性のバランスが良好であると報告しています。
説明CaptchaAgent：検証可能な視覚推論によるCAPTCHA解読フレームワーク
要約本論文は、対話型CAPTCHAの解読を行う構造化された視覚推論フレームワーク「CaptchaAgent」を提案する。まず物体・属性・空間関係を記録する視覚中間表現を構築し、その後、曖昧な領域の局所的な証拠の精緻化と反事実的一貫性の検証によって行動の安定性を高める。Open CaptchaWorldおよびOedipusデータのベンチマークで、Pass@1が基準手法より向上したと報告している。また、正確な計数、連続的な幾何、順序付き実行が現行エージェントの主な難点であるとしている。
説明状態依存の重い裾ノイズ下におけるロバストなランジュバン・サンプリングと LLM 微調整への応用
要約本論文は、非対数凹分布に対する確率的勾配ランジュバン・モンテカルロ法（SG-LMC）を扱い、勾配の大域的リプシッツ性と分散の一様有界性という従来の仮定を緩和する。状態依存の重い裾を持つノイズモデルを提案し、三つの手法（R-LMC、A-LMC、RA-LMC）を示して、Fisher情報量の意味での非漸近的収束保証を与える。実験では合成データと、LLM および視覚言語モデルのベイズ微調整を用いている。
注目点状態依存の重い裾ノイズと一般化平滑性の下でLangevinサンプリングを拡張し、散逸性を仮定せず非漸近的なFisher情報収束を示し、LLM微調整で検証している。
説明系列モデリングのための時間遅延システム：意味的類似度に基づいて遅延を動的に推定する新しい枠組み
要約既存の系列モデルは、内容に応じて過去を明示的かつ解釈可能に想起する仕組みに欠けると論文は指摘します。本研究は、現在と過去の入力の意味的類似度に基づいて有効な遅延を動的に推定する、非線形時間遅延システムに基づく枠組みを提案します。微分可能な意味的遅延推定器、閉形式の累積和解を持つ対角状態空間、解釈可能な模糊意味変調機構を備えます。論文は、テキスト分類と生成の実験で最先端手法を上回ったと報告しています。
説明不信頼の語り手フレーミングによる豪米風刺ニュースの低コスト解説手法
要約本論文は、オーストラリアとアメリカの風刺ニュース記事に対する解説生成を探る予備的研究です。著者らは不信頼の語り手（unreliable narrator）理論に基づくフレーミングを、オープンウェイト・モデルで用いる方法を提案し、フロンティアモデルに代わる実行可能で低コストな選択肢になりうると論じています。モデルはオーストラリアの記事よりアメリカの記事で風刺の型をより正確に識別することが分かりました。あわせて風刺解説の新しいデータセットと評価ベンチマークを提供しています。
説明物理情報ニューラルネットワークにおけるパラメータの誤指定：閉形式による監査とその限界
要約物理情報ニューラルネットワーク（PINN）は、与えられた方程式の残差を最小化するよう学習されるため、方程式中の係数が誤って指定されていても学習損失からはわかりません。本研究は、学習済みネットワークだけから符号化されたパラメータについて何が推定できるかを検討しています。残差がパラメータに対して線形の場合、再学習や参照データなしに凍結されたネットワークの一回の評価で最小二乗推定値が得られます。精度は正規化残差によって評価され、ネットワークの誤差回復や検定結果、限界も報告されています。
説明表現幾何正則化による大規模言語モデルの自己改善時の能力劣化の緩和
要約本論文は、大規模言語モデルがひとつのモデルを教師と生徒の両方として使う自己改善手法（OPSD）について、学習が進むにつれて以前に獲得した能力が劣化する場合があることを示しています。全体の性能は向上していても、以前は正答できた問いに誤答するようになるとのことです。この劣化は隠れ表現の幾何構造の悪化と同時に起こり、クラスタ内のまとまりの低下とクラスタ間の分離の縮小として現れると分析しています。そこで著者らは、クラスタ内を密に、クラスタ間を離すよう促すことで表現幾何を保つ表現幾何正則化（RGR）を提案しています。既存のOPSD手法にそのまま組み込め、複数の手法とベンチマークで劣化を緩和しつつ能力向上を維持したと報告しています。
説明自己正規化KL推定量に対する普遍的な上界
要約本研究は、正規化された重要度重みから構成される、エントロピーに基づくKLダイバージェンスの推定量を扱います。著者らは、任意のサンプルサイズで、その期待値が目標分布と提案分布のKLダイバージェンスを高々log 2しか上回らないことを示します。さらに、重要度重み付きリサンプリングによって誘導される分布と提案分布のKLダイバージェンスを特徴づけ、その上界が推定量の期待値と目標-提案間KLダイバージェンスの両方で抑えられることを示します。これらの界は、重要度重みの有界性や有限の高次モーメントを必要としません。
説明双方向ガイダンス：生成的ベイズのための要約統計量の同時学習
要約本論文は、観測規模が大きくなるにつれて集中した事後分布を回復することが難しくなる、シミュレーションベース・ベイズ推論（SBI）の課題を扱います。事後分布と学習された要約統計量を同時に学習し、要約への依存関係に構造的制約を課す手法を提案し、その中核となる「双方向ガイダンス」の仕組みを分析しています。事後推定誤差と要約の十分性からの乖離について理論的保証を示し、観測規模の増大時に必要なシミュレーション予算の条件を明らかにしています。
説明アプリケーションコードとデプロイ基盤の同時変更：AIエージェントのプルリクエストに関する因果分析
要約本論文は約27,000件のプルリクエストを分析し、6種のAIエージェントと人間の開発者を比較しています。アプリケーションコードとCI/CDやコンテナなどのデプロイ設定を同時に変更する事例に注目しています。このような二重範囲の変更はエージェントのPRの約4.5%に過ぎませんが、統合結果は二極化しています。人間によるレビューを受けた場合はマージが大幅に遅れ、レビューなしでそのままマージされる場合も多いと報告されています。著者らは、デプロイを考慮したベンチマークとパスベースのアクセス制御の必要性を指摘しています。
説明不動点フローマッチングによる強化学習：学習データを使わずに表現力の高いフロー方策を訓練する手法
要約本論文は、最大エントロピーおよび行動制約付き強化学習で最適方策がボルツマン分布となり、サンプリングが難しい問題に取り組みます。学習データを必要としない不動点フローマッチング（FFM）を提案し、方策の更新を不動点反復として定式化して、批評家の行動勾配を回帰目標として用います。実験では、オフラインからオンラインの設定で事前学習済みのフロー方策を微調整でき、オンライン強化学習でゼロから効率よく訓練できることが示されています。
説明生成モデルがシミュレータとして働くとき：編集可能性の条件を検討
要約本論文は、生成モデルの潜在表現を変更したときに得られる次ステップの出力が、シミュレータの状態を編集した結果と一致するかという「編集可能性」の条件を調べています。盤面ゲームのOthelloと、作者らが構築した連続的な世界Rayworldで、プローブによる誘導と逆写像の学習の二つの手法を比較しています。Rayworldではプローブは連続状態に沿ってモデルを誘導できないものの、逆写像によってモデルを設定できることが示されています。
説明AIアプリケーションにおける創造性の定義・測定・活用に向けて
要約本論文は、心理学研究、特にボーデンの新規性・価値・驚きという三つの中核基準に基づき、創造性の形式的な公準を提案し、それに対応する概念的な数学的定義を示しています。チェスの指し手と、ピカソやルノワールなどの画家の作品という二つの領域で公式を検証し、両領域の創造的パターンを捉えられたと報告しています。
説明APEX：極端圧縮のための非同期プレフィックス・ノイズ除去手法
要約本論文は、拡散モデルにおける潜在変数の圧縮で再構成と生成を両立させにくい問題を扱い、階層的な潜在空間とチャンネルグループごとの非同期ノイズ除去を組み合わせたAPEXを提案しています。オートエンコーダはチャンネルのプレフィックスを構造から詳細の順に並べ、一つの共有デノイザがそれらを時間をずらして生成し、トークン数は増やしません。ImageNet-512では64倍および128倍の圧縮で、評価したすべてのチャンネル数において既存手法を上回ったと報告しています。
説明ニューラルネットワークは単一ニューロンが示すより高いモジュール性を持つ
要約本論文は、単位レベル、直交部分空間レベル、線形部分空間レベルからなる入れ子状のモジュール性の階層を提案し、選択的アブレーションによって因果的に評価する枠組みを示している。視覚モデル、言語モデル、マルチタスク再帰型ニューラルネットワークで、ニューロン単位ではモジュール性が見られなくても部分空間レベルでは機能的なモジュール性が見られることを報告している。
注目点単位・直交・線形の入れ子型モジュール性階層を提案し、選択的アブレーション、脳データ整合、多タスクRNNで検証しており、新規性と根拠が比較的充実している。
説明同じ感情ラベルでも同じ意味とは限らない：データセット間の「恐怖」「驚き」の違い
要約本研究は、GoEmotions、XED、BRIGHTER の三つのデータセットで共通する五つの感情ラベルが、資源ごとに同じ意味を持つかを検証しています。同じ文章に対し、ある恐怖分類器は71%、別の分類器は8%を恐怖と判定しましたが、文章の順位付けはおおむね一致していました。データセットを横断して転用すると、モデルは全体で原生の識別能力の約55%を失い、「驚き」については各資源が感情を表す文章について異なる判断を示しました。同じ感情ラベル名があるからといって、交換可能な測定対象とは言えないと論文は結論づけています。
説明COFFEQA：反事実に基づく開放型質問応答の少数ショット蒸留手法
要約本論文は、大規模言語モデルの質問応答タスクを対象に、反事実サンプルを用いて少数ショット知識蒸留の性能を高めるCOFFEQAを提案する。教師モデルの決定境界付近の不確実なサンプルを使うと蒸留性能が大きく低下することを示し、最小限に修正した文脈で回答が変わる反事実サンプルを補助的な教師信号として用いる。さらに、文脈追従難易度（CFD）という指標で反事実ペアを検証する。T5およびQwen2.5で八つのQAベンチマークを用いた実験では、同じ少数ショット予算で事実サンプルのみを使う基準手法より高い性能を示した。
説明堅牢なUAV熱画像と衛星画像の地理位置推定のための構造認識マッチング
要約本論文は、熱画像と衛星画像に共通する安定した構造的手がかりを利用して、リアルタイムの熱画像を地理参照付き衛星画像と照合し、UAVの位置を推定する構造認識マッチングフレームワーク SAMF を提案している。方向性構造強化モジュール（DSEM）と、モダリティ認識アフィン再マッピングモジュール（MARM）で構成される。Thermal-UAV-Paired ベンチマークも構築され、複数データセットで最先端の性能を示したと報告されている。
説明クロス行動方策最適化：共有回帰ターゲットによりオフライン実演とオン・オフ方策のロールアウトを統一的に学習する手法
要約本論文はクロス行動方策最適化（CBPO）を提案し、固定参照ターゲットに基づく単一の回帰損失で、オフライン実演、現在および過去の方策によるロールアウトを統一的に扱い、同じリプレイバッファを共用します。2つのモデル規模と4つの数学推論ベンチマークで、Qwen3-1.7Bでは CBPO-Unified が SFT 後に DAPO を適用した基準と比べ、平均 avg@32 と pass@32 をそれぞれ 2.33 ポイント、4.44 ポイント改善したと報告されています。
説明カーネル構造の相互作用を用いた行列式点過程のスケーラブルな学習
要約本論文は、有限集合上の行列式点過程（DPP）を扱う。DPPは、要素間の類似度を正定値カーネル行列で表し、要素同士が互いに排斥し合う性質を持つ確率モデルである。大規模データへ適用するにはカーネル行列に構造制約を課すことが一般的だが、表現力と計算のスケーラビリティの間に大きなトレードオフが生じる。著者らは、非線形カーネル関数と潜在特徴量でフルランクの相互作用をモデル化し、最尤推定量の代理関数を設計し、非線形カーネルのランダム特徴量を用いた確率的最適化を採用した。実データでの実験により、このトレードオフが改善され、高いパラメータ効率で汎化性能が向上することが示された。
説明TreeHCA：マルチターンLLMエージェントのための後知恵ガイド付き探索と信用割り当て
要約論文は、マルチターンの大規模言語モデルエージェントを訓練するTreeHCAという手法を提案している。参照答えの尤度の変化をもとに中間の履歴を再訪して代替の続きをサンプリングし、推論とツール操作の木構造を作る。さらに正規化された木のバックアップで終端の結果をターンごとのアドバンテージに伝播させる。7つの質疑応答ベンチマークと3つのQwenモデルで、全体の完全一致率が全ベースラインを上回った。
説明グラフがWebエージェントを欺くとき：誤解を招く可視化に基づくタスクの対になるベンチマーク
要約本論文は、誤解を招く可視化がWebエージェントの実行にどう影響するかを評価する、初の対になる実行可能ベンチマーク MisVisAgentBench を提案しています。280件のタスクからなり、干淨なグラフと誤解を招くグラフはグラフの証拠部分のみが異なります。十三の視覚言語Webエージェントでの評価では、誤解を招くグラフに置き換えるとタスク成功率が平均34ポイント以上低下しました。失敗の多くは誤解を招く動作の分岐に沿って起きており、可視化の頑健性がWebエージェントの安全性と信頼性における重要な未検討の課題であることを示しています。
説明条件付き変分オートエンコーダのアンサンブルによる衝撃応答スペクトルからの衝撃時系列の逆合成
要約本論文は、衝撃応答スペクトル（SRS）を満たす候補の加速度波形を逆に生成する手法を扱います。既存の条件付き変分オートエンコーダ（CVAE）に、多重スケールのウェーブレット係数を予測する再帰デコーダを加え、逆離散ウェーブレット変換で波形を再構成しています。異なる母ウェーブレットや分解レベルで学習した独立モデルの集合により、同じ目標スペクトルに対して複数の候補波形を生成します。四つの保持データセットで、従来の時間領域CVAEおよび減衰正弦波和（SDS）基線より平均・中央値のスペクトル誤差が小さいことが示されています。推論は1波形あたり約0.1～0.6ミリ秒で、SDSの5～8秒と比べて大幅に速いです。ただしスペクトルの一致を超えた物理的な妥当性は、別途評価が必要とされています。
説明LeWAM：JEPAによるエンドツーエンドの世界・行動モデリング（ロボット制御）
要約本論文は、ピクセル再構成を行わずに潜在世界モデルを学習する結合埋め込み予測アーキテクチャ（JEPA）を用いた制御手法LeWAMを提案します。次の潜在状態の予測と行動のフローマッチングを同時に学習し、潜在状態に等方性ガウス制約を課します。これにより、同一モデルで直接的な方策実行と、学習済み潜在動力学によるサンプル行動の評価を通じた効率的な計画が可能になります。原文によると、接触の多いタスクと長期的タスクの成功率はそれぞれ28.6%から89.7%、10.9%から46.2%に向上し、計画は32.3倍高速化されました。
説明大規模な分散推論・学習における RDMA の導入
要約本論文は、ByteDance のパラメータサーバー型推論・学習システムに、ハードウェア RDMA 上のソフトウェア通信層 ByteExpress を導入した経験を報告している。論文は三つの教訓を挙げる。効率的な RDMA にはアプリケーション層とトランスポート層にまたがるバッファ管理が必要であること、拡張可能な通信には接続・受信能力・未完了データの協調管理が必要であること、サービスの可用性にはトランスポート層より上での回復機構が必要であることである。本番環境の推論では、カーネル TCP と比べてモデルパラメータ取得の平均遅延と P99 遅延がそれぞれ 35.7%、43.7% 減少し、CPU 使用量の合計は 10.69% 減少したと報告されている。学習では、TCP と比べて P99 のパラメータ送信遅延が最大 74.0% 減少し、運用中に PFC ポーズは観測されなかったとされる。
説明予算制約下の音声・映像整合のための粒子探索とMH改良：算力を重要な箇所に配分する
要約本論文は、学習不要で報酬関数に依存しない二段階の推論時整合フレームワーク SWIM を提案し、固定の計算予算のもとで粒子探索と Metropolis-Hastings（MH）による改良を組み合わせます。第一段階ではオンライン分散推定に基づき、ノイズ除去チェックポイント間で粒子を適応的に配分します。第二段階では完成した出力に対して局所的なノイズ付加・除去による提案で改良を行います。著者らは JavisBench-Mini で BoN や EvoSearch に対して相対的な改善を報告し、SD1.5 の画像生成では一様配分に比べて AestheticScore と ImageReward が向上したとしています。
説明グラフサイズをまたぐランダム特徴MPNNの表現力
要約本論文は、連続的なランダムノード特徴を持つメッセージパッシングニューラルネットワーク（MPNN）の表現力を、グラフサイズをまたぐ関数近似の観点から分析しています。連続ランダム特徴は有限個の色に量子化でき、期待出力に対して任意に小さい一様誤差で近似可能であることを示し、それによりこれらのMPNNはサイズ一様には普遍的でないと証明しています。さらに、色と独立試行による表現力の向上を分析し、色付けによる木の部分グラフ同型判定と局所MST課題の構成も示しています。
注目点集団レベルの枠組みを提案し、ランダム特徴MPNNがサイズ一様に普遍でないことや高次WL法との非可比性を示し、理論的前進が明確である。
説明『人々はどう会話するか：音声モデルの会話の自然さを評価する』
要約この論文は、対話型音声モデルが各ポーズで発話すべきか、いつ話し始めるかを調べたものです。Seamless Interactionの台本のない176件の会話から427のポーズと482のターン終了箇所を選び、六つの実時間音声システムに会話の文脈を与えて、実際の人の行動と比較しました。ホスト型APIのシステムはほぼすべてのポーズで応答し、全二重モデルは沈黙を保ち、人間の反応時間内に割り込める点が特徴です。ホスト型システムの応答は人より長い傾向があります。ラベル、データ、評価ツール、全出力が公開されています。
注目点実会話の427の間と482のターン終端で六システムを比較し、発話判断を評価する新しい手法を示しており、子分野への示唆がある。
説明学習された対の方向特徴を用いた多凸ニューラルネットワーク代理モデルによる異方性超弾性均質化
要約本論文は、代表体積要素の異方性超弾性応答を近似する多凸物理拡張ニューラルネットワークを提案します。学習可能な対の方向特徴を、凸な入力凸ネットワーク（ICNN）または入力凸コルモゴロフ・アーノルドネットワーク（ICKAN）と組み合わせて構成し、客観性、無応力の参照状態、二次元多凸性、指定された成長条件を構成上保証します。多空洞および単空洞の周期セルで、制約なしエネルギーや三種類の縮約モデルと比較しています。データの外では、制約なしモデルが秩一凸性を失うことが示されています。
説明強化学習ベースのニューラルアーキテクチャ探索による効率的な視聴覚音声強調
要約本論文は、リソースの限られたエッジデバイス向けに、小型で効率的な視聴覚音声強調（AVSE）モデルを探索する、強化学習駆動型のニューラルアーキテクチャ探索（RL-NAS）の枠組みを提案している。35個の候補アーキテクチャを評価し、パラメータ数290万のモデルを特定した。基準モデルは2,200万パラメータである。提案モデルのSI-SNR改善は14.5 dBで基準より0.7 dB低いが、モデルサイズは約9分の1に縮小され、モバイルCPU上でリアルタイム係数が4.3倍改善された。
説明メタ反省による進化：本番AIシステムの改善手法
要約本論文は、エージェント型の変異器が進化履歴全体から証拠を検索し、稼働中のシステムを調べてから変異を提案する「メタ反省」に基づく進化的最適化手法CoCoEvolveを提案している。データエージェント、LLMデータパイプライン、データエンジニアリングワークフローの最適化に適用され、DABStepの困難問題保留セットで92.8%の正解率を示し、Meta-Harness（78.4%）やGEPA（30.4%）を上回ったと報告している。
説明ハードウェア認識型LLM-VLM統合によるゼロショット具現化タスク計画と把持型ロボット操作
要約本論文は、NVIDIA Isaac Sim 内のシミュレートされた Franka Research 3 ロボットを対象とした、ハードウェア認識型の大規模言語モデル（LLM）と視覚言語モデル（VLM）の操作フレームワークを提案しています。記号的推論と計量的実行を分離し、LLM は操作対象や目標関係などの記号情報のみを生成し、座標や把持姿勢などは MoveIt 2 の衝突判定や逆運動学を含む決定的モジュールが担います。ピッキング、遮蔽物からの取り出し、禁止領域の推論、配置、連続操作などを、デジタルツインのシミュレーションで評価しています。
説明大規模言語モデル、機械支援による文化分析、そしてエージェント的転回
要約本章は、大規模言語モデルが文化資料を分析可能な変数へ変換する仕組みと、LLM駆動のエージェント型システムが研究工程の他の部分へ機械支援を広げる様子を扱います。手順書や最新事例の網羅的なレビューではなく、この新しいパラダイムの重要な側面と全体像を検討します。著者は、これらの技術によって規模、方法の幅、委任できる範囲が広がる一方、測定結果が文化的主張を支える基本的な論理は大きく変わらないと論じています。
説明EvoBelief：自己改善型 LLM エージェントのための反証可能な世界モデル
要約この論文は、デプロイ中に環境知識を改善できる自己進化型の世界モデル EvoBelief を提案しています。環境知識を反証可能な仮説として表し、予想外の結果があると新しい仮説を作り、後の観測や実験で検証します。反例が出ると規則を狭めるか廃止します。言語モデル自体は凍結したままです。ALFWorld、MiniGrid、DiscoveryWorld の各ベンチマークで、タスク性能の向上と規則のタスク間再利用が報告されています。
注目点環境知識を反証可能な仮説として表現し、展開中に検証・修正する点は新しく、四つのベンチマークでの比較実験が根拠となる。
説明画像ベース3D再構成における建物部材セグメンテーションのためのSAM 2.1ドメイン適応
要約本研究は、42棟の建物から得た2,679枚の注釈付き画像からなるHBDデータセットでSAM 2.1を微調整し、壁、窓、天井などの11クラスの建物部材を分割できるようにしました。微調整後、多クラス分割のmIoUは49.9%から69.6%に向上しました。ベースラインのSegFormerと比較し、放射輝度場でマスクをグループ化した結果、微調整モデルはユーザーが選んだグループ化スケールで建物部材をより適切にまとめられることが示されました。
説明参照型音声・映像セグメンテーションのための、ターゲットシフト対応アイデンティティ誘導型潜在表現精緻化手法
要約本論文は、視覚と音声の手がかりに基づく自然言語の記述から、動画中の特定の対象を正確に特定しセグメントする参照型音声・映像セグメンテーション（Ref-AVS）を扱います。遮蔽や音の減衰、同一性の曖昧さによってモデルが対象間で注意を誤って移してしまう問題に対し、SAIL（Shift-Aware Identity-guided Latent）フレームワークを提案しています。二重トークン戦略、ドリフトを補正する精緻化モジュール、連続的なメモリ更新を備えたデコーダを組み合わせています。著者らは、2つのRef-AVSベンチマークで既存手法を大きく上回ったと報告しています。
説明少数のペアデータを用いた蒸留最適輸送による表現整合
要約本論文は、独立に事前学習された二つの単一モダリティエンコーダを、約100〜500組の対応ペアのみで整合させる方法を扱う。各表現を複数のペアの錨点（アンカー）との類似度で表し、エントロピー最適輸送によって全体を一度に対応付けたうえで、その結果を二つの軽量エンコーダに蒸留する。画像とテキスト、分子とテキストの整合において、同じ錨点数の下で既存手法を上回ると報告されている。
説明物理ベースの合成データを用いた血管抽出のための時系列拡散ブリッジモデル
要約本論文は、冠動脈X線造影（XCA）における血管抽出を画像変換問題として扱う時系列拡散ブリッジモデル（TDBM）を提案し、手動の血管アノテーションなしで物理ベースの合成データから学習する手法を示しています。隣接フレームを用いた時系列条件付けと、血管を意識した対照損失を組み合わせています。2つのXCA血管分割データセット、実患者のXCAシーケンス2種に対する読影者試験、網膜画像と蛍光顕微鏡データへのゼロショット評価を行い、既存手法を上回り複数の撮像モダリティに汎化すると報告しています。
注目点物理ベースの合成データと時系列拡散ブリッジで無注釈の血管抽出を行い、複数データセットと読影者試験、ゼロショット評価で検証している。影響は医用画像の一分野に限られる。
説明座標非依存の自動微分：幾何学的微分演算のための再利用可能な導関数演算子
要約既存の自動微分フレームワークは、勾配やヤコビ行列を定義するためにユークリッド空間の基底を暗黙に固定しており、回転、体積形式、曲率などの幾何学的対象を扱いにくい。本論文は、基底に依存しない単一の導関数演算子を提案し、それが既存の自動微分の基本操作だけで表現できることを示す。これによりJAXのバッチ処理、コンパイル、ハードウェア高速化と組み合わせられる。実験では、異なる多様体演算子での再利用、時空逆問題パイプラインでの利用、異なる回転部分群上の最適化での利用を示している。
説明多変量ホークス過程によるタイムスタンプ付きサッカーネットワークの貢献度配分
要約サッカーの従来の選手指標は、得点とアシストに限られ、ゴール前の数名の貢献を十分に捉えられません。本論文は多変量ホークス過程（MHP）を用いて、パスとシュートの時系列を連続時間ネットワークとしてモデル化し、各パスが後続のパスやシュートにどれだけ寄与したかを定量化します。その枠組みに基づき、パスを通じてゴール機会の創出に関与した度合いを測る指標「期待ゴール関与（xGI）」を提案しています。
説明REDaCT：大規模推論モデルにおける推論崩壊のない忘却手法
要約本論文は、大規模推論モデル（LRM）の機械的忘却において、既存手法が忘却対象の情報を消す際に推論が破綻しやすいという問題に取り組んでいます。提案手法REDaCTは、推論過程で忘却対象の情報を漏らす文を検出する二値分類器と、推論時に修正用の埋め込みを注入するための埋め込み最適化モジュールから構成されます。実験では、推論崩壊が完全に回避され、答えと思考過程の忘却を維持しつつ、推論能力の保持が既存手法より大幅に改善されたと報告されています。
説明セマンティックビュー：意味クエリ間でLLMラベルを検証付きで再利用する手法
要約意味クエリエンジンは自然言語のフィルタ条件を大規模言語モデルで評価するため、評価のたびに高コストなモデル呼び出しが発生します。本論文のSemViewsは、モデル呼び出しを必要としない信号（先行クエリが残したラベル、ローカルの埋め込み、補助モデルのスコア）で順序付けし、支払って得られるラベルで絞り込み、新たな層化サンプルで回答を認証します。四つのワークロードでは、モデル呼び出しを28%から45%削減し、99.63%のクエリで適合率と再現率の目標を満たしました。
注目点意味ビューを再利用し層化サンプリングで精度と再現率を保証する手法を、72.5万件のラベルで実証し既存手法より呼び出しを削減。
説明ペロブスカイト太陽電池における機械学習評価のための出所グループ化プロトコル
要約ペロブスカイト太陽電池の機械学習評価は一般にランダム分割で行われるが、データベース内の素子の約3分の2が同一の作製レシピを共有しており、モデルは既存データの再現に頼りがちであると指摘しています。著者らはデータベースの機関的な出所を調べ、重複する素子、論文、機関を段階的に分離する分割階層を提案しました。13のモデルをベンチマークした結果、未知の機関や将来の発見ではツリーアンサンブルの優位が崩れ、組成を考慮したニューラルネットワークが優れることが示されました。
説明大規模言語モデルによる、忠実かつ網羅的な階層型ハードウェア知識グラフの自動構築
要約本論文は、大規模言語モデル（LLM）を用いてハードウェアのデータシートを階層型の知識グラフへ自動変換する手法を提案します。チャンク単位の属性抽出、階層的なルーティング、反復的な修正を組み合わせ、情報の出典を保持します。20件のデータシートによる評価では、属性の忠実度が98.8%で、一度に処理する基準手法の76.1%を上回りました。
説明DistressBench：大規模言語モデルにおける多次元的な危機支援の評価
要約本論文は、臨床医が作成したユーザー発話からなる英語の対話718件を含むベンチマーク「DistressBench」を提案します。対話は自殺・自傷に関する23のサブカテゴリにまたがり、7つの次元の重み付け基準と臨床医の参照応答が付いています。最良の25の最先端モデルは加重基準の88.4%を満たし、中央値のモデルは71.4%、臨床医の参照応答は98.7%でした。著者らは、モデルが何を拒否したかではなく、実際に提供したケアの量で安全性を評価すべきだと論じています。
注目点拒否ではなく多次元のケア提供を核とする危機支援評価枠組みを提案し、718件の臨床対話と25モデル、臨床参照応答との比較で根拠を示し、安全性評価の在り方に影響する。
説明MADS：頑健な対話エージェントのためのマルチエージェント対話シミュレーション
要約タスク指向の対話エージェントは、特にユーザーが非協力的な振る舞いをする現実的な条件下では依然として脆弱です。既存の関数呼び出しベンチマークは敵対的な対話の軌跡を十分に含んでおらず、頑健なエージェントを開発するための学習資源が限られています。本論文は、構造化された多様な対話軌跡を生成する合成データ生成パイプライン MADS（Multi-Agent Dialog Simulation）を提案し、6つの領域、55のペルソナ、1095件の対話からなる MADS-Bench を構築しました。約66%の対話には失敗しやすい場面が含まれています。著者らは、教師ありファインチューニングと検証可能な報酬による強化学習を組み合わせた二段階の学習手法でモデルの頑健性を評価しています。
説明大規模言語モデルエージェントにおいてハードウェア障害はどのように異なって現れるか
要約本論文は、ランダムなハードウェア起因の障害に対する大規模言語モデル（LLM）エージェントの耐性を初めて体系的に調べたものです。3つのエージェントベンチマークで計6,814回の実行を行い、正常実行2,400回以上と、独立にサンプルしたランダムな2ビット重み障害を注入した実行4,300回以上を含みます。その結果、エージェントの実行はモデルレベルの破損をシステムレベルの異なる結果に変えることが分かりました。例えば、タスクを正しく完了できる場合がある一方で計算・実行コストが増え、一部のモデルやシナリオでは安全性や整合性の振る舞いに影響することがあります。
説明NV-Tesseract-AD：カリキュラム学習で強化した条件付き拡散モデルによる多変量時系列異常検知
要約本論文は、多変量時系列の異常検知を行うNV-Tesseract-AD（拡散モデルベースの枠組み）を提案しています。Transformerを拡散モデルの基盤とし、マスク率と拡散ステップの2軸に沿った3段階のカリキュラム学習で訓練します。TSB-UAD-Mで訓練し、10のEasyTSAD基準でデータセット固有の調整なしにゼロショット評価しています。カリキュラムなしの基準手法と比べ、F1は約3.7倍、MSEは56%低下したと報告しています。一方、性能の残る課題は再構成よりも教師なしの閾値校正にあるとしています。
説明人間介在型運転データを用いた道路工事区間における自動運転の軌道予測
要約本論文は、都市部の道路工事区間における自車の軌道予測という、これまであまり研究されてこなかった課題を扱っている。著者らは人間介在型運転シミュレーターを用い、33名の運転者による1,183の工事区間走行データからなるマルチモーダルデータセットWZDriveDataを収集した。提案モデルWZDriveはK=6でminADE 1.09 m、minFDE 2.12 mを達成し、ベースラインと比べminADEは7.18%、minFDEは13.18%低減したと報告している。
説明LoRAのB行列内で、勾配帰属は密度を揃えたランダムマスクより損失ベースの忘却で劣る
要約本論文は、継続学習でLoRAアダプタのどのパラメータを更新するかを選ぶ方法を検討しています。従来の勾配マスクとランダムマスクの比較では、勾配がAに対して常に0になるため、両者の候補となるパラメータ範囲が異なるという交絡があると指摘しています。候補範囲を揃えた上で、Qwen2.5-3Bの7つのシードでは一様ランダムマスクの損失ベースの後方転移が勾配帰属より一貫して低く、その差は主に医療タスクに集中していました。
説明アラビア語関係抽出：オントロジー制約付きエンコーダとLLMシステム（U4RASD論文）
要約本論文は、KnowledgeGraphEval 2026 サブタスク2（有向アラビア語関係抽出）への提出システムを紹介するものです。アラビア語の文と主語・目的語のペアから、40種類の関係のいずれか、または関係なしを予測します。最良のシステムはYehia-RE、Qwen-RE、TypedPairのアンサンブルで、マイクロF1は94.06、サブタスク2で1位となりました。制約付き予測と相補的なモデリング手法の重要性が強調されています。
説明ニューラル期待値最大化とメタモデル：確率推論からTransformerを解釈する
要約本論文は、Transformerを最大積ループ信念伝播と期待値最大化（EM）を組み合わせた混合確率推論手続きの学習された近似として解釈します。自己注意は入力に依存して動的に構造化されたマルコフ確率場上の最大積LBPの微分可能な近似として位置づけられ、層間のパラメータ遷移は暗黙のM步に対応すると述べられています。さらに入力から個別事例のパラメータを生成する「メタモデル」という設計枠組みを提案し、実験結果がこの見方を支持すると報告しています。
説明べき乗スライスWasserstein汎関数推定のミニマックス速度
要約本論文は、射影されたr次モーメント仮定の下で、べき乗スライスWasserstein汎関数の二標本推定に対するミニマックス速度を研究している。p<r<2pではリスクのオーダーはN^{-(r-p)/r}、r>2pではN^{-1/2}であり、いずれの場合も代入型推定量が最適速度を達成する。端点r=pでは最小最大リスクが正の下界を持つため一様一致推定は不可能である。臨界r=2pでは代入型推定量の最悪ケース速度と最小最大リスクの下界を示すが、両者には対数因子の差が残り、この場合の正確なミニマックス速度は未解決である。
説明KITE：時系列イベント予測のための知識注入型時系列エンコーダ
要約本論文は、多変量時系列システムにおける稀で高コストなイベントの予測の難しさを扱う。そうしたイベントの前兆はほとんど観測されず、純粋にデータ駆動のモデルでは学習材料が乏しい。著者らはKITEを提案し、運用エンジニアが持つ意味的な事前知識を、共変量機構と注意バイアス機構という2つの切り替え可能な仕組みで自己教師あり型イベント予測器に注入する。実験では、文脈が短い場合に有効な事前知識は予測性能を高めるが、観測窓内で既に復元できる事前知識は効果がなく、注意バイアス機構には測定可能な改善は見られなかった。
説明カーネル化パラメータ感度アトラス：償却型条件付き解釈可能性のための手法
要約本論文はKPSA（カーネル化パラメータ感度アトラス）を提案し、多数のサンプルに対して逆伝播で勾配帰属を繰り返し計算する高コストを避けるため、軽量なカーネルで入力に依存する参数感度を推定する。視覚、予測、タンパク質モデリングの設定で、選ばれた参数グループは一次逆伝播の基準の39〜85%の摂動感受性を達成した。Transformer内のMLP特徴の活性化帰属では、バッチ推論のスループット向上とGPUメモリ削減が示された。
説明参照物不要の一人称視点ステレオ動画による食品体積推定
要約既存のステレオ視覚による食品量推定は、スマートフォンで複数枚撮影する手間や、スケール校正用の参照物を置く必要があり、利用者の負担が大きいという課題があります。本研究は、ウェアラブルな一人称視点機器で撮影したステレオ動画から、食品を実物理スケールで再構成し体積を推定する手法を提案します。ゼロショットのステレオマッチング、食品のセグメンテーション、キーフレームのTSDF融合を組み合わせ、単一の録画から三次元メッシュを生成します。五種類の食品での初期結果は平均絶対パーセント誤差9.1%です。
説明StereoEngine：ステレオカメラなしで両腕ロボット用ステレオデータを拡張
要約本論文は、ロボット操作向けにステレオデータを合成するStereoEngineを提案している。第一の手法では、推定した深度を用いて単眼（左）動画を右視点へワープさせ、遮蔽された領域を動画拡散モデルで補完する。第二の手法では、シミュレーションでステレオ画像対を描画し、写実的な両視点を同時に生成する。論文によると、生成されたステレオ品質は既存のベースラインを上回り、そのデータを方策の中間学習や課題別ファインチューニングに用いると、下流の両腕操作性能が大きく向上する。
