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。
説明制約最適化におけるアルゴリズム選択のためのWeisfeiler-Leman特徴量の利用
要約本論文は、問題インスタンスをグラフに変換し、Weisfeiler-Lehmanグラフカーネルで構造的な表現を自動生成する特徴量抽出手法を提案している。主要な貢献はカットに基づく表現（WLc）であり、構造的な分割をモデル化することを目指している。2023〜2025年のMiniZincチャレンジのインスタンスで、サポートベクターマシン、ランダムフォレスト、多層パーセプトロンを用いて評価を行った。サポートベクターマシンではカット特徴量がfzn2featを上回り、ランダムフォレストと多層パーセプトロンでは差が小さいと報告されている。
説明自動化された言語的欺瞞検出における持続的な精度の上限
要約本論文は、25年間にわたる289件の報告と6,136の分類モデルを体系的にレビューし、97のデータセットに含まれる3,653モデルをメタ分析した。プール精度は74.4%（95%信頼区間：71.2%〜77.4%）で、研究間のばらつきは大きかった。精度はモデルの複雑さよりも、正解ラベルの検証、データの出所、クラス分布、評価手続きといった方法論の質に左右されており、埋め込みや大規模言語モデルの導入は予測性能の向上につながっていない。著者らは70〜75%程度の上限があると指摘している。
説明リスク回避型意思決定のためのクレダル機械学習
要約本論文は、最悪のシナリオや大きな損失を防ぐ必要がある機械学習の場面を対象に、平均性能ではなく条件付きバリュー・アット・リスク（CVaR）を最小化する手法を提案しています。学習者が真の損失分布について抱く認識論的不確実性を、確率分布の集合であるクレダル集合で表現し、各クレダル集合を単一の予測分布に写す新しい決定規則と組み合わせています。論文は、分類、分布シフト下、強化学習において、期待性能をあまり損なわずに破局的な判断を確実に避けられると報告しています。
説明大規模言語モデルのための汎用テキスト教授（UTT）：パラメータを更新せず、教師と生徒の知識差を再利用可能な自然言語の資料に変える手法
要約本論文は、UTTという、パラメータ更新を行わない知識蒸留の枠組みを提案します。ペア評価で教師と生徒の知識差がある事例を特定し、生徒・プロンプター・教師・シンセサイザーの多役割の対話を繰り返して、解釈可能で再利用できる自然言語の資料Primerを作成します。KernelBench のコード生成では生徒の正答率が 9.4% から 48.6% に、Omni-MATH-2 の数学では 27.6% から 51.7% に向上したと報告されています。また、ある師生の組み合わせで作成したPrimerが、合成に参加していない他の生徒モデルにも適用できるとされています。
注目点パラメータ更新なしで教師と生徒の知識差を可読なテキストPrimerに蒸留する新しい枠組みで、数学・コードの比較実験と跨モデル汎化で裏付ける。
説明ゾノトープを用いた幾何学的ソフトアクター・クリティック法による歩行運動学習
要約本論文はGeZo-SACを提案し、各クリティックがゾノトープを定める生成子を追加で予測する。サンプリングした方向で測ったその幅を悲観的オフセットとして用い、二つのクリティック間の不一致度に応じて両者の結合方法を調整する。四つのMuJoCo-v5移動ベンチマークのうち、Ant-v5とHopper-v5で平均リターンが最も高く、推論時のポリシーは変更されていないSACアクターである。
説明ContourVLA：汎用参照表現セグメンテーションのための閉ループ知覚・行動輪郭ポリシー
要約本論文は、広義参照表現セグメンテーションを、編集可能な輪郭を策略状態とし幾何学的行動チャンクで更新する閉ループ視覚運動過程として定式化したContourVLAを提案します。Evolution-Aware Semantic Scheduling（EASS）とDECT-GRPOにより知覚と輪郭の最適化を行います。gRefCOCOのval、testA、testBで、最も強い比較基準よりgIoUがそれぞれ8.7、2.8、2.7ポイント向上したと報告しています。
説明VINCIE-NExT：画像からの編集能力を文脈モデリングで動画編集へ転移する手法
要約本論文は、画像編集の能力を文脈内の視覚的デモンストレーションを通じて動画へ転移するフレームワークVINCIE-NExTを提案し、大規模な対応する動画編集データへの依存を軽減します。動画編集を「動画→画像→画像→動画」の構成可能なサブタスク連鎖に分解し、共通の空間座標系で画像と動画フレームを結びつける新しい位置符号化を導入しています。OpenVE-Benchでの実験では多様な編集カテゴリで最先端の性能を示し、アブレーションで各構成要素の有効性を確認しています。
説明データ空間の反復によるステップ数の少ない生成
要約フローマッチングは高品質な生成モデルの学習手法として広く使われていますが、学習された確率フローからサンプリングするには多くのネットワーク評価が必要です。本論文は、フローの時間離散化を必要としないデータ空間反復を提案し、共有生成器がノイズから出発して予測をデータ空間で直接洗練します。分布マッチング蒸留（DMD）と組み合わせた場合、ImageNet 256×256のクラス条件付き生成で、標準的な離散化ベースラインを上回り、スケジュール探索で選ばれた変種に匹敵または勝ると報告されています。
説明SCORE：多変量ガウス分布のためのスペクトル相関推定法
要約本論文は、高次元のガウス目標を用いたニューラルネットワーク予測で、共分散行列を効率的かつ数値的に安定して近似する SCORE フレームワークを提案しています。学習を周辺分布と構造化された相関行列の学習に分け、相関行列はスペクトル空間で学習します。訓練には閉形式のガウス核スコア（gaussian kernel score）を用いています。時系列予測、単眼深度推定、空間的な気象予測で、より低い計算コストで性能向上を示したと報告されています。
説明DVLA-RL++：強化学習ゲーティングを用いた二層視覚・言語整合による少数ショット学習手法
要約本論文は、少数ショット学習においてテキスト意味情報が背景などの無関係な文脈によって汚染される問題に取り組み、DVLA-RL++ を提案している。相補的意味浄化（CSP）は本質的記述と干渉的記述を生成して証拠を選別し、反事実強化学習ゲーティング（CRG）は層ごとの意味融合強度を学習する。標準、細粒度、クロスドメインのベンチマークで最先端の精度を示し、DVLA-RL に対して平均 1.4% の向上を報告している。
説明微分可能な系統的リサンプリング：変分逐次モンテカルロのための勾配伝播型リサンプリング
要約粒子フィルタのリサンプリング段階は離散的であるため、勾配ベースの学習ができません。本論文は、系統的リサンプリングの温度制御型緩和である微分可能系統的リサンプリング（DSR）を提案します。累積分布順の帯状構造を保ちつつ、完全な勾配の流れを可能にします。温度がゼロに近づくと厳密な系統的リサンプリングに収束し、バイアスの逐点指数収束率も証明されています。確率的力学系と手書き文字データでの実験では、フィルタリングと動力学学習で同等以上の性能を示し、最適輸送ベースの手法より計算負荷が大幅に小さいと報告されています。
説明VLA（視覚・言語・行動）モデルの潜在推論フローを再構成し洗練する手法
要約本論文は、視覚・言語・行動（VLA）モデルのための統一モデルFLOWMEMを提案します。成功した潜在的な推論計算を再利用可能な経験として保存し、タスクの状況に応じて適合する潜在断片を動的に検索・再構成して推論経路を形成します。その後、現在の視覚と固有受容の情報で経路を洗練してから行動生成に用います。RoboMMEとLIBERO-Plusでの実験では、成功率はそれぞれ48.0%と77.3%で、記憶を持たない方策を1.7ポイントと4.1ポイント上回りました。
