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LoopQuant：ループ型Transformer向けの高精度・高効率な学習後量子化手法
要約ループ型言語モデルは共有Transformerモジュールを繰り返し再利用してパラメータ効率を高めるが、低ビット展開には課題がある。本論文は、ループ構造を考慮した学習後量子化フレームワークLoopQuantを提案し、クロスループ分布の正規化、相互作用を考慮したループ別精度配分、ループ条件付きタスク校正の3要素を含む。Ouro-2.6Bでは、W4A4量化の性能がすべてのW4A8ベースラインを上回り、メモリを65.3%削減し、BF16に比べて1.7倍の復号速度を達成した。
説明世界モデルには物理レジストリが必要：物理的にもっともらしい世界モデルのための内部予測状態の学習
要約本論文は、ビデオDiT内部に映像トークンと共に進化する「物理レジストリ（Physical Registry）」スロットを導入し、シーンの変化に関する予測状態を明示的かつ読み出し可能にする手法を提案している。Physics-IQ Verifiedでは、通常のファインチューニングと比べてI2VとV2Vでそれぞれ9.9点と8.7点の改善を示し、複数のCosmosおよびWANのバックボーンでスコアが向上したと報告している。さらに、中間の読み出し値が共有予測からどれだけ離れているかで候補の未来を選別する手法（PRS）により、4つのバックボーンでI2Vスコアが5.6%から15.9%改善したとしている。
説明音声から意味へ：リモートセンシング画像における音声駆動型視覚グラウンディングの意味的教師信号の分析
要約本論文は、リモートセンシング画像で音声により対象物の範囲を指定する技術（音声駆動型視覚グラウンディング）を扱います。凍結したWhisperの音声モジュールを視覚グラウンディングモデルに組み込み、意味情報を注入する三つの方法を比較しています。また、音声データセットAudio-DIOR-RとAudio-DIOR-Compを公開しています。直接音声対応づけと音声認識を経由する方式のどちらが優れるかは、認識器の性能に左右されることが示されています。
説明HexaBee-4B：多言語回答と双方向監督を用いた6言語翻訳
要約本論文は、Gemma 3 4B ITを基に改良した多言語翻訳モデルHexaBee-4Bを紹介します。対象言語はアラビア語、中国語、英語、ヘブライ語、ペルシア語、スペイン語の6言語です。モデルはWikipediaでの継続事前学習、多言語での回答と回答文の翻訳の同時学習、双方向翻訳の専門化という3段階で訓練されています。36,572件の合成テスト例（30方向）において、方向マクロ平均のchrF++は73.75で、Gemma 3 4B ITの57.11、Gemma 3 12B ITの66.83を上回りました。
説明VideoSlate：時間的グラウンディングのためのエージェント型動画推論における状態付きコミット制御フレームワーク
要約本論文は、エージェント型動画推論を改善するVideoSlateフレームワークを提案している。型付きの証拠ブラックボードが候補区間、出所、検証結果を共有記録し、認定器が現在の区間と比べて修正が裏付けられるかを評価する。制御器はその結果に基づき区間の置き換えか維持かを決定し、各決定と根拠をブラックボードに記録する。動画グラウンディングと根拠付き質問応答のベンチマークで、選択的な修正により時間的定位が向上したと報告されている。
説明naspaclust：空間ファジークラスタリングと自然着想の最適化を組み合わせた R パッケージ
要約本論文は、ファジー地理重み付きクラスタリング（FGWC）を自然着想の最適化アルゴリズムと組み合わせて空間ファジークラスタリングを改善する R パッケージ naspaclust を紹介する。7種類の最適化アルゴリズムを提供し、一部は乱数項や更新則を修正した版も含む。rdist パッケージに基づき、追加の距離尺度も選択できる。さまざまな事例での適用例と、基本アルゴリズムの性能比較を示している。
説明言語的正則化付き自己蒸留：特権情報があっても再考を保つ手法
要約本論文は、大規模言語モデルのオンポリシー自己蒸留（OPSD）を扱う。教師モデルは検証済みの解答などの特権情報（PI）を条件として、学生モデルを指導する。しかしPIは検証や再考を減らす近道的推論を招き、出力分布のエントロピーが急落することが指摘されている。これに対し、システムプロンプトで教師のPI利用を調整し、再考と探索を促す言語的正則化付き自己蒸留（VRSD）を提案する。3モデル・4タスクの実験では、12設定中11設定でOPSDよりPass@1が向上し、平均3.9ポイント改善した。また全体としてトークンエントロピーも高く保たれた。
説明LoongSage：最先端LLM向けの本番品質・高効率なエージェント型強化学習フレームワーク（検証済みレシピ付き）
要約本論文は、大規模言語モデルの事後学習に用いる、完全非同期の強化学習フレームワークLoongSageを紹介します。コアは約1.4万行のコードで、分散学習にMegatron、推論にSGLangを用います。AgentFlowによる統一実行、スライディングウィンドウによる軌跡の古さの制限、経路を考慮した重み同期TransferMesh、複数教師による方策上蒸留に対応するTeacher Managerを備えます。著者らは4回の完全な学習で、タスク報酬が着実に向上し、同期待ちが取り除かれてハードウェア利用率が維持されたと報告しています。
説明RIFT：トークンの影響は最小抵抗経路に従う
要約本論文はRIFTを提案します。Transformerの各層を注意重みを伝導率とする因果ネットワークとみなし、トークン間の抵抗から上下文トークンが答えに与える影響を測ります。最小抵抗経路の直列抵抗を最短経路の動的計画法で厳密に求めてスコアとします。合成検索課題とウィキペディア段落を用いた抽出型質問応答で、置換効果の予測はスピアマン相関0.52〜0.68を示し、勾配や追加の順伝播を必要としません。
説明監督付き変分オートエンコーダを用いた若年者のDWIコネクトームに基づく性別分類
要約本研究は、15～25歳の若年成人787名のDWI（拡散強調画像）構造コネクトームを用い、Desikan-Killianyアトラスの82の関心領域に基づいて性別分類を行っています。監督付き変分オートエンコーダ（SVAE）で潜在空間の特徴を抽出し、複数の機械学習分類器に入力したところ、多層パーセプトロンが80%の精度で最も高い結果を示しました。
説明誤った決定領域の奥に閉じ込められた点の救済：前向き-前向き学習の評価と改善の指標
要約前向き-前向き学習（Forward-Forward）は、誤差逆伝播に代えて層ごとの局所的な訓練目標を用いる手法で、通常は線形プローブによる分類精度で評価されます。本論文では、未学習の畳み込みネットワークの表現に対する線形プローブでもチャンスレベルを大きく上回る精度が得られることを示し、単一の精度指標では学習の寄与を過大評価しうると指摘します。著者らは、クラス重心を基準に正規化した多クラスのマージンであるBPI（境界近接指数）に基づく分析手法を提案し、訓練前に誤分類された点のうち、決定境界に近いものほど救済率が高い一方、誤った領域の奥深くにある点の救済率は手法によって大きく異なることを報告しています。
説明ChronoScribe：指示駆動型時系列予測のための意味処理と数値予測の役割分担
要約本論文は、LoRAで調整した大規模言語モデル（LLM）が自然言語の指示を解釈して実行経路と文脈長を決め、凍結された時系列基盤モデル（TSFM）が指定期間の分位数予測を生成するChronoScribeを提案します。LLMは予測値を生成también修正しません。30の公開データセットと23の評価次元で、sMAPE、MASE、WAPE、RMSE、MAEのいずれでも比較対象の全システムより低い誤差を示し、タスクレベルスコア（TLS）は65.5で、最強の直接LLM基準を10.6点上回りました。
説明信頼度に基づく適応的討論による効率的なマルチエージェント推論（論文）
要約本論文は、マルチエージェント討論が大規模言語モデルの推論を改善する効果は状況に依存するという課題を扱っています。著者らは、討論は適切な時期と構造で用いる場合にのみ有効だと主張し、リーダー中心の非対称な討論フレームワークLASE（Leader-Adaptive Structured Engagement）を提案しています。LASEは中立的な状況でのみ相互作用を行い、それ以外では単純な集約を用います。複数の推論ベンチマークで、単一エージェントに近いトークンコストでマルチエージェント並みの性能を示し、静的な討論や投票の基準手法より効率が大幅に高いと報告しています。
説明SyncReward：人間の判断に合わせた音声・映像生成の同期報酬モデル
要約音声と映像を同時に生成する技術では、生成された音声や効果音が映像の出来事と時間的にずれることがあり、人手による注釈データや評価基準、同期を考慮した評価モデルが不足していることが課題とされています。本論文は、8種類の音声・映像生成器による8万件の専門家による同期評価を含むSyncReward-Data-80K、1000クリップのSyncReward-Benchを構築し、既存の同期指標や全モーダルモデルが人間の判断と大きくずれることを示しています。さらに、評価指標として人間の評価と最も一致し、推論時の最良N選択や強化学習による後処理で同期を改善できる報酬モデルSyncRewardを提案しています。
注目点8万件の人手同期評価データと1K規模のベンチマークを構築し、対照学習と人手監督を組み合わせた報酬モデルを提案しており、分野への実質的な貢献がある。
説明WorldRoPE：多視点アテンションのための確率的なワールド中心型回転位置埋め込み
要約本論文は、多視点Transformerのアテンションに用いる、確率的でワールド座標中心の回転位置埋め込みWorldRoPEを提案します。各パッチトークンを共有のワールド座標系上の体積ガウス基本要素に逆投影し、深度の不確実性などを表現します。実験では、新規視点合成、深度推定、三次元形状再構成でその有効性が示されています。
説明TRAP：LLMエージェントの誤結合を探るツール結果リプレイ攻撃
要約論文は、ツールの実行結果がキャッシュや共有状態を経由して、本来の文脈と合わない実行場面で使われ、エージェントが安全でない行動を取り得ることを指摘し、これを「ツール結果の誤結合」と呼んでいます。著者らは、19のシナリオ、4つの失敗特性、3種類のリプレイ機構で評価するベンチマーク ReplayBench を提案し、8種類のLLM、3つのエージェントフレームワークで検証しました。タスクを跨いだリプレイでは、最終状態エラー率の平均が0.649でした。評価した条件では、運用時の有効性検証機構により最終状態エラーを排除できたとしています。
説明BAT3R：ベイズ適応状態更新によるロバストなオンライン3D再構成
要約本論文は、長い動画のオンライン3D再構成のための、学習不要のベイズ適応フレームワークBAT3Rを提案します。状態革新ゲーティング（SIG）とベイズ誘導適応状態更新（BASU）の二つのモジュールから成り、前者は長系列での表現のドリフトを抑え、後者はカルマンフィルタの枠組みで観測の時間的信頼性と空間的関連性を統合します。7-Scenes、TUM、ScanNet、KITTIなどの標準ベンチマークで既存のオンライン手法を上回り、特に長い系列や複雑なシーンで大きな改善が見られたと報告されています。
説明可変長の検診履歴から位置合わせを明示的に行う多視点乳がんリスク予測
要約本論文は、頭尾方向（CC）と内外斜位（MLO）の両方の視点を用い、検診回数が一定でない過去の記録にも対応する、乳房単位の縦断的多視点フレームワーク FlexLMV-Net を提案している。縦断的な特徴マップを明示的に位置合わせし、視点間の時間的融合と二重ストリーム注意ブロックによって相補的な情報を統合する。EMBED と CSAW-CC で評価され、乳房濃度、がんのサブタイプ、人口統計学的サブグループの全体で既存手法を上回ったと報告されている。さらに、標準化された前処理や評価条件で既存手法を比較できるオープンソースのベンチマーク BCRBench も公開されている。
注目点明示的な縦断アライメントにCC・MLO両ビューの統合を加え、可変長の過去検査に対応しており実質的改良である。EMBEDとCSAW-CCで比較実験が充分で、影響は乳がんリスク予測分野に限られる。
説明球面調和関数上の結合フローマッチングによる気液界面の確率的シミュレーション
要約本論文は、気泡の軌道と界面変形をコンパクトな共有表現で同時に予測するニューラル代理モデルを提案し、メッシュ分解シミュレーションを高速な生成的推論で置き換えます。二相流の動力学を決定論的回帰ではなく条件付き生成問題として扱い、将来の時間窓全体を一度に予測します。上昇する変形可能な気泡群の前線追跡データセットであるBubbleSHで学習・評価し、主要な流れの統計量を再現しつつ、基礎となるDNSソルバーより桁違いに高速に動作することを示しています。
説明概念補集が利得になるとき：言語モデルにおける演算子幾何と行動帰属
要約本論文は、言語モデルに対する目標中心の概念補集介入から、拟合された共分散フィルタを取り除き、目標固有の中心と利得を保持した場合の効果を検証する。三つのモデルと七つの目標にわたる21個の写像はいずれも生成介入層で全方向を拡大した。四目標の試験では、行列を保持しても一貫した追加の抑制効果は確認されなかった。そのため、全体介入の比較だけでは生成行動を拟合行列に帰属できず、完全な変換を分析して出力への影響を直接検証する必要があると結論づけている。
説明異常誘導型の観察と二段階の意味フィードバックによる、学習不要の映像異常分析
要約本論文は、学習不要で映像の異常を検出・理解する意味フィードバック手法を提案しています。上流の異常スコア曲線から高スコアの区間を起点にフレームを選び、凍結された映像言語モデルが異常の説明文を生成します。その説明文を映像全体と局所の二段階で時系列検出へ戻し、UCF-CrimeではAUCが84.36%から86.25%、XD-ViolenceではAPが68.07%から72.58%に改善したと報告されています。
説明BehaviorFormer：クラスタリング可能な次トークン予測による行動パターンの発見
要約本論文は、明確な目標や正解ラベルがない自由度の高いゲームでの行動パターン発見を扱います。次トークン予測Transformerに深層クラスタリング手法DCSSを組み合わせ、明確に分離されたクラスタを持つ表現を学習します。26人のプレイヤーによる制御されたMinecraftセッションで、23種類の行動パターンが検出され、それらは静止、放浪、移動、採掘、拠点作業、伐採、農作業の7カテゴリに分類されています。
説明広く入手可能な複数ソースの地理空間データによる建物年代推定
要約本論文は、衛星画像や数値表層モデル（DSM）などの地理空間データと建物フットプリント情報を用い、画素とインスタンスの両レベルで建物の年代を推定する、初の深層学習フレームワークを提案しています。事前学習済みバックボーン、専門家混合型の融合モジュール、時系列の順序を保つ損失関数により、建物年代の違いを捉えます。評価用に香港の建物年代ベンチマークも構築され、コードとデータは公開されています。
説明HyWe：実世界のハイブリッドWebタスクにおける検索と操作の統合フレームワーク
要約実世界のWebタスクでは情報収集とページ操作の両方が必要になることが多いが、従来は検索型と操作型のエージェントが別々に開発・評価されてきた。本論文はHyWeを提案し、両方の能力を一つのモデルと一つの軌跡内で統合する。専用のプロンプトとツール群、明示的な切り替え、共有履歴によりサブ目標の実行を支える。この手法で訓練したHyWe-35Bは、人手で作成した100件のタスクからなるHyWeBenchで47.0%の成功率を達成し、未訓練の基盤モデルを19.0ポイント上回った。
説明弱点を学習させずに、強く制御可能なLLMの回答保留を実現する手法
要約本論文は、大規模言語モデルが不確かな質問への回答を控えて幻覚を減らす二つの方法を比較しています。一つはモデル外部で信頼度の閾値により回答するかを選ぶ選択的回答、もう一つはモデル内部で回答保留を学習させる方法です。著者は誤り率を回答能力と区別能力に分解し、回答保留学習の優位性が主に回答能力によることを示しました。そのうえで、精度を重視して学習した後に事後的に選択するTAPSを提案し、三つのモデルと三つの事実型QAベンチマークで、同じ回答率において代表的な三手法より平均リスクが1.5〜9.4ポイント低いと報告しています。
説明ReTAC：動画の空間推論のための残差型テスト時エージェント計算
要約本論文は、動画の空間推論に向けた学習不要のマルチエージェント枠組みReTACを提案している。基盤モデルが解けていない要件にのみ追加計算を割り当て、局所的な失敗が起きた場合は影響を受けた状態だけを再計算する。3つの主流マルチモーダル大規模言語モデルと2つの広く使われたベンチマークで、比較手法の中で総合スコアが最も高かったと報告されている。
説明LLM推論における叙述のパラドックス：誤整列に向かう推論軌跡の操作
要約本論文は、大規模言語モデルの多段階推論プロセスそのものに安全上の危険があることを指摘します。局所的には整合した推論ステップが、全体として有害な結果につながる可能性があるとしています。著者らは、悪意ある人物と良性のタスクを組み合わせた叙述を用い、三段階の分析枠組みで有害な推論軌跡を誘導する攻撃手法PDRAを提案しています。論文によれば、この手法は複数のLLMで高い攻撃成功率を示したとされています。
説明RAR：時間一貫性のある対話型ワールドモデルのためのレート適応型ロールアウト
要約本論文は、既存の動画ベース対話型ワールドモデルが固定の時間レートで学習・ロールアウトされる点を問題とし、速度を制御可能なロールアウトを行うRARを提案している。中核となるStride-RoPEは、異なるレートでサンプリングされた潜在フレームを共通の物理時間座標上に揃える。実験では、行動制御とカメラ制御の環境で、一貫した複数レートのロールアウトとオンラインでのレート切り替えを実現し、同じ学習予算で物理的な時間範囲を延ばしたと報告されている。
説明FON：系列レベルの二次注意を使わない、下書きと改訂の二器官型言語モデル
要約本論文は FON（Fusion-Organ Network）を提案します。重みを下書き器官と改訂器官に分け、下書き器官は学習可能な遅延と内容適応的な再帰で文章を生成し、学習は線形計算量、デコード状態は一定です。改訂器官は書かれた前置きをゲート経由で再処理しますが、文章は生成しません。30M パラメータ、同一パラメータ数・トークン数の条件で、WikiText-103 の困惑度は 131.03 と報告され、Transformer（197.73）と Mamba2（152.53）を上回りました。長距離検索の低下、合成タスクやドメイン外コード補完での弱さ、実時間で 6.5〜12.3 倍遅いことなどの制約も示されています。
説明動画異常理解のための時間的証拠選択の学習
要約本論文は、長い動画内の異常な出来事を言語で説明する動画異常理解（VAU）を扱います。著者らは、生成目標を通じて時間的な視覚的証拠を選択する意味条件付きの時間サンプリング Q-Former を提案し、入力動画から自動抽出した CLIP 埋め込みの物体タグで採樣を条件付けします。HIVAU-70K において、比較された微調整済みモデルの中で最良の性能を示し、学習可能な時間サンプリングが固定的な異常重視サンプリングより優れることを報告しています。
説明メモリ効率の高い整数演算のみによるディープニューラルネットワーク学習手法
要約本論文は、重み、勾配、活性化をすべてINT8で保持し、順伝播・逆伝播・重み更新・オプティマイザ更新をすべて整数演算で行う学習アルゴリズムを提案している。二の冪の指数を明示的に追跡する仕組みと、グループごとの速度機構により勾配の精度を保つ。論文によると、ResNet、MobileNetV2、ViTでCIFAR-10、CIFAR-100、ImageNetにおいて競争力のある精度を達成し、学習時のメモリはFP32ベースラインの約4分の1である。
説明SLDBench v2：能動的なスケーリング則発見のベンチマーク
要約本論文はSLDBench v2を提案し、言語モデルのエージェントがスケーリング則を発見できるかを検証します。シナリオを8件から127件に拡張し、基準の冪乗則フィットがR²≤0.8となる難しい30件を選定しています。新たに能動的発見を導入し、エージェントが実験を選んでコストを払い、結果に応じて法則を修正する設定です。8つのエージェントシステムの中央値R²は、受動設定の0.72〜0.75から能動設定の0.24〜0.57へ低下し、安価な実験を選ぶ傾向が報告されています。
説明ClothAtlas：自己遮蔽下での衣類の同定と状態推定の同時実施
要約本論文は、部分的で自己遮蔽された点群観測から衣類の種類と完全な形状を同時に推定するClothAtlas手法を提案している。共有のグラフ条件付きフローマッチングモデルが各候補の標準メッシュについて形状をサンプリングし、観測との適合度で順位付けする。再学習なしで標準メッシュだけから新しい衣類を追加できる。DexGarmentLabの未学習衣類では、平置きの単一観測で22点すべてにおいて正しいメッシュが221候補中の第1位となり、自己遮蔽観測では22点中15点を識別した。
説明意味誘導型の密度制御と損失設計による都市景観の微細構造向け3Dガウシアン・スプラッティング再構成
要約本論文は、Segment Anything Model（SAM）による意味的セグメンテーションを制約として用いる3Dガウシアン・スプラッティング（3DGS）の手法SG-GSを提案し、複雑な都市景観の微細構造再構成を改善する。意味制約付きの適応的密度制御（境界強調型の高密度化を含む）と、段階的に細粒度の監督信号を導入する多特徴誘導型の損失関数を設計している。3つのデータセットでの実験では、元の3DGSと比べてPSNRが約2.7%から5.2%向上し、線状構造のアーティファクトと境界のぼけが緩和されたと報告されている。
説明高速量子化ジョンソン・リンデンシュトラウス変換：構造化された乱択変換で大規模言語モデルの注意計算を圧縮
要約本論文は、1ビット非対称量子化によりKVキャッシュを圧縮しつつ注意機構に必要な内積を近似的に保つ量子化ジョンソン・リンデンシュトラウス変換（QJL）を扱います。著者らは、ランダム化アダマール変換の合成を用い、第2段階でRademacher対角の代わりにガウス対角を使う2つの構成を提案し、それぞれガウス・ディザリングとランダム置換を導入しています。非量子化設定の高速JLと同様の埋め込み次元と実行時間の保証を示し、いずれも O(d log d) 時間で適用できます。
説明REVEAL：フロンティアモデルの軌跡からエージェント潜在表現をリバースエンジニアリング
要約本論文は、フロンティアLLMの文字による軌跡を、凍結された小型のオープンソースエージェントに再利用するための学習不要な枠組みREVEALを提案しています。同一タスクの成功・失敗した実行から局所的イベントを照合し、応答遷移の対比から対象モデル向けの操舵方向を求め、各応答の前に適用します。Terminal-Bench 2.1およびツール付きHumanity's Last Examで、3つの対象モデルのいずれも無修正エージェントより高い精度を報告しています。
説明ProGANによる金属部品の産業用外観検査向け合成画像生成
要約本論文は、金属部品の欠陥検出で不足しがちな学習データを補うため、Progressive Growing GAN（ProGAN）による合成画像生成を検討している。Wasserstein損失と勾配ペナルティを用いたProGANのパイプラインを構築し、公開データセットであるMVTec AD（メタルナット）とMPDD（チューブ）で主要なハイパーパラメータを評価した。その結果、学習は安定し、現実的な画像が生成されたと報告されている。
説明高次元混合データにおけるモーメントベースの異常検知
要約本論文は、高次元の混合型データを対象とする異常検知手法を提案します。標準化したモーメント変換により異種の特徴量を共通のスケールに写像し、解釈可能な特徴量レベルの異常スコアを得ます。これらを依存性を考慮して集約し、参照分布からの逸脱の強さを示す混合データ影響スコア（MDI）を構成します。シミュレーションと、マルチオミクスおよびESGデータの2つの実データ応用で評価が行われています。
説明RelLedger：LLMエージェント組織における関係性情報ガバナンスの監査手法
要約本論文はRelLedgerという枠組みを提案し、LLMエージェント組織の共有記録が後続の意思決定にどう影響するかを監査します。イベント、証拠、リスク、メッセージを固定したうえで、送信者の履歴を対象との関係や無関係な主体と比較し、影響要因を特定します。Claudeでは、対立的な履歴の場合に同じ事実通知を送る頻度が友好的な履歴より62.22ポイント高いことが示されています。
説明agent-risk：AIエージェントの変更に対するリスク評価手法
要約本論文は、展開済みAIエージェントの変更（より厳格な安全ゲートや新モデルなど）を承認する前に、リスクを評価するagent-risk手法を提案する。既存のログから記録されたエピソードを再生し、保存された状態からの再実行や上限値を組み合わせて結果を判定する。bashサンドボックスでの実験では、ログだけでは2つのリトライゲートを判定できなかったが、ブロックされたエピソードのみを保存状態から再実行することで、事後的に規模を決めたライブテストの約半分のエージェント呼び出し回数で判定できたと報告している。
説明DepthTile：奥行き誘導による既存画像のセルフタイリング手法と入力側のタイル化可能性評価
要約本論文は、既存の画像を継ぎ目なく繰り返せるタイルに変換しつつ、元の意味内容と局所的な細部を保つ奥行き誘導型のセルフタイリング手法DepthTileを提案している。拡散モデルの本体を再学習する必要はない。単眼奥行きを空間的な保存事前情報に変換し、Tiled Diffusionのタイムステップ依存マスク機構および差分拡散マスクと統合する。さらに、入力画像からセルフタイリングが可能かを判定する軽量な指標STASを導入している。335枚の画像からなるベンチマークでは、標準のTiled Diffusionと比べ、MAE、LPIPS、Tiling Scoreがそれぞれ12.8%、26.7%、8.4%低下した。
説明FlowAvatar：コンシューマー XR 機器でスパースな一人称入力から全身アバターをリアルタイム生成する手法
要約本論文は、Meta Quest Pro などのコンシューマー向けヘッドセット上で、スパースな一人称視点の入力のみから、全身の姿勢、手の動き、表情、視線を追跡し、個人化された似姿アバターをリアルタイムに生成するシステム FlowAvatar を提案している。姿勢モデルは AMASS ベンチマークで、空間精度では競合手法に匹敵し、時間的一貫性では最先端の結果を示したと報告されている。二つのユーザースタディ（N=12、N=10）では、追跡の完全性と個人化された外観が補完的に働き、両者を組み合わせたときにのみ全体的な没入感（embodiment）が正の値になったとされている。
説明強化学習におけるフローマッチングのサーベイ：決定的確率輸送で方策を生成する研究を整理
要約本論文は、強化学習におけるフローマッチング（Flow Matching）手法のサーベイです。フローマッチングは、確率的なノイズ除去過程に依存する拡散方策と比べ、学習された速度場に基づく常微分方程式でサンプリングするため、推論遅延を抑えられるとされています。著者らは、モデル化する目標分布と強化学習信号の統合機構という二つの軸で文献を分類し、離散・非ユークリッド行動空間などの新しい方向性と、ガウスおよび拡散ベースラインとの比較分析、未解決の課題を示しています。
説明深層音声表現は低次元の円軌道に沿って単語のタイミングを追跡する
要約本論文は、音声モデルが単語のタイミング情報をどのように表現するかを調べます。複数の深層音声モデルで、単語の開始から終了までの表現軌道が二次元の時間部分空間上でほぼ円形になることを示しています。この構造を利用した「Rotary Segmentation（RoSeg）」は、軌道が一周する箇所で単語境界を検出し、Librispeechで境界F値64.3%を達成したと報告しています。
説明Graph3R：ビュー・グラフ初期化とフィードフォワード再構成の統合
要約フィードフォワード再構成は、単一シーンのビューからなる画像集合のカメラ姿勢と稠密な幾何を復元します。しかし、整理されていない画像集合には互いに無関係なシーンのビューが混在することが多く、それらを一括で再構成すると姿勢と幾何が崩れます。Graph3Rは、共有の幾何表現を通じてビュー・グラフ初期化とフィードフォワード再構成を統合します。軽量な検証ヘッドがπ³の多視点特徴から両ビュー間の共視性を予測してグラフを作り、入力ビューをシーン群に分けます。各群について姿勢と稠密な幾何を復号する前に共有特徴をマスクします。3つのベンチマークで、精度100%における平均最大再現率がベースラインより最大8.99ポイント向上し、多会話マッピングではセッションをまたぐ位置推定が改善され、クエリ群の再構成ではベースラインの約35.9倍高速でした。
説明TAIGA-IACTの立体観測モードにおける画像解析のためのガンマ事象選別深層学習手法
要約TAIGA複合装置には相互に300〜500メートル離れた4台の大気チェレンコフ望遠鏡（IACT）があり、宇宙線やガンマ線による広域大気シャワーを単独または複数台で同時に記録します。論文では、2台の望遠鏡の画像を統合して解析するためのニューラルネットワーク手法を複数提案・検討しています。一つは2台の画像を単一段階で解析する方法、もう一つはオートエンコーダで一次粒子の種類を含む物理パラメータの特徴量を抽出する方法です。
説明学習済み TTT 層における誤差訂正：予測由来の更新成分とその役割
要約本論文は、テスト時学習（TTT）層が入力系列を処理しながら高速重みのメモリをどのように更新するかを研究し、公開実装における予測由来の更新成分に注目しています。点積目標および TTT-Linear・TTT-MLP が用いる LayerNorm 二乗誤差目標について理論的に導出し、3 つの学習済みチェックポイントで正規化された予測全体の寄与を測定しています。War and Peace の 100,303 トークンでは、この寄与を除去すると困惑度が約 2.8〜2.9% 上昇し、全ての高速重み更新を凍結すると 4.2〜4.5 倍に上昇しました。
説明深層ネットワークによる教師なし時間領域EEG表現学習の周波数スペクトル上の課題
要約本論文は、脳波（EEG）に対する教師なし時間領域の特徴抽出について、3種類のオートエンコーダ（LSTMVAE、VAEEG、Transformer）と最先端のEEG基盤モデルを比較した研究です。オートエンコーダはα波の減速などの大まかな変化は捉えられるものの、1/f減衰スペクトルの下で平均二乗誤差損失により高周波成分が抑制されることが示されています。著者らは、周波数領域の損失項や勾配バランシング手法の導入を提案しています。
説明ハードウェアに優しいトークングループ活性化量子化：低ビットMamba超解像向け
要約本論文は、Mambaベースの超解像モデルを低ビットで訓練後量子化する際の課題に取り組みます。軽量な予測器がスキャン前の特徴からトークンをグループ分けし、各グループの截断範囲をオフラインで校正するため、推論時の動的統計は不要です。さらに周波数保持の細分化目標により高周波構造の保持を図ります。複数の条件で既存手法を上回り、Jetson Orin NanoでFP16比2.23倍の高速化を達成したとしています。
注目点Mambaの選択的スキャンに対するトークン群量子化と周波数保存の校正目標を提案し、低ビット超解像で実質的な改善を示す。多様なベンチマークとエッジ機器での高速化も検証。
説明ScreenASR-Bench：視覚的文脈を用いる段階別音声認識ベンチマーク
要約本論文は、難易度の異なる三段階からなる音声認識ベンチマーク ScreenASR-Bench を提案します。段階は、画面上の文字を直接用いる明示的テキスト証拠、画面上の可視内容を用いる明示的視覚証拠、場面全体の推論が必要な暗黙的意味証拠です。音声認識モデル、大規模音声言語モデル、オムニモデルの実験では、視覚的文脈の追加により三系統すべてで再現率が音声のみの設定より大きく向上しました。向上は画面上のテキストで最大、暗黙的意味で最小でした。ベンチマークは公開されています。
説明EgoWholeView：カメラのみで全身と両手の動きを捉える頭部装着型キャプチャ
要約本論文は、六台の同期広角RGBカメラからなる頭部装着型システム EgoWholeView を提案し、身体と両手の動きを同時に取得します。外側のカメラで装置を世界座標系に位置づけ、下向きのカメラ対が身体（SMPL-X）と手（MANO）のパラメータをそれぞれ推定して結合します。単眼予測と比べ、PA-MPJPEは身体で3.7%、手で11.2%低下し、時間的補正により角加速度の大きさは身体で32.2%、手で31.0%低下したと報告されています。RGBカメラのみを用いるため、一人称視点のインタラクションデータを取得する手段として位置づけられています。
説明MFlowHOI：部位認識 MeanFlow による全身の人–物体インタラクション生成
要約本論文は、身体・手指・物体の軌道・接触関係を含む全身の人–物体インタラクション動作を生成する MFlowHOI を提案しています。接触認識型の多部位 RVQVAE で構造化された潜在空間を構築し、ST-DiT が単一の MeanFlow 評価で完全なインタラクションを生成します。論文は、既存の基礎生成器より動作品質と文章との整合性が高く、推論時間を大幅に短縮すると報告しています。
説明教師モデルが既に知っている内容を避ける：深層検索蒸留のためのエンティティ親近性
要約本論文は深層検索エージェントの学習データを研究している。教師モデルが問題中の主要エンティティに馴染みがあると、問題が易しくなり検索需要と監督信号が弱まる。著者らは、検証付き事実照合で測るEVFと、教師に直接馴染みの有無を尋ねるSEFを提案した。SEFで選別したデータを用いると、Qwen3.8-27BのBrowseCompサブセットでの正解率は44.10%から66.41%に向上した。
説明高精度な対数凹サンプリングを加速する反射近接ダイナミクス
要約本論文は、強凸かつ滑らかな V に対する分布 π(x)∝e^{-V(x)} からのサンプリングを扱い、近接サンプラーの目標分布保存性と、補助変数の正確な反射、条件付き運動量運動、制御された再生を組み合わせた「反射近接ダイナミクス」を提案する。方向情報を保持して探索を加速する二つの実現方式が示され、定数 χ² 発散のウォームスタートから、全変動誤差 ε に対する期待オラクル問い合わせ回数は両方式とも Õ(√κ d^{1/4}) である。ウォームスタートの仮定を外し、初期化段階を含めた総計算量は Õ(κ^{6/7} d^{1/4}) となる。いずれの場合も精度 ε への依存は polylog(1/ε) である。
説明模擬流体から生体組織へ：摂動を受けた胚への基盤モデルのゼロショット転移
要約本論文は、多様な模擬連続系で事前学習された連続力学基盤モデルWalrusを、野生型ショウジョウバエ胚盤葉の動画12本から得られた組織速度場のみで微調整する研究です。分布内と、未見の温度および遺伝子変異条件の両方で自己回帰予測を評価しています。最も大きな分布のずれの下では、CRPSでWalrusが最良の結果を示し、胚帯伸長開始時の速度ピークなどの生物学的な節目も再現されたと報告しています。
説明Seg2Click：GUI視覚的グラウンディングのためのピクセル単位の実行可能領域マスク学習
要約本論文は、GUI視覚的グラウンディングを「指示を実行できるクリック位置の領域を予測する問題」として再定式化するSeg2Click（Seg2Click）を提案しています。バウンディングボックスを教師信号として実行可能領域マスクを予測し、決定的な規則で最終的なクリック点を求めます。著者らは、ScreenSpot、ScreenSpot-v2、ScreenSpot-Proでそれぞれ92.06%、94.10%、55.22%を報告し、同一バックボーンの比較で既存手法より向上したとしています。
注目点GUI定位を実行可能領域のピクセル単位マスク予測として再定式化し、複数バックボーンで既存手法を上回る実験結果を示している。
説明AutoNovo：エージェント型プログラム探索による転移可能な核酸設計アルゴリズムの発見
要約本論文は、エージェント型プログラム探索を用いて核酸設計用のコードを反復的に提案、実行、評価、修正する手法を提案しています。著者らによると、AutoNovoの設計器は、評価した3つのDNA設計タスクのin-silico性能と、6つの独立モデルへの転移タスクにおいて、観測された平均値で最良の結果を示しました。設計器は単一の万能な最良設計器ではなく、発見された核酸設計器のファミリーから得られたものであり、結果は公開される予定です。
説明グループを導く学習：複数人タスクに対応する自己学習型LLMファシリテーター
要約本論文は、さまざまな複数人のコミュニケーション場面に対応できる汎用型LLMファシリテーターを開発するためのフレームワーク「GUIDE」を提案している。432件の人間の対話から、LLMが戦略の手引きを自ら導き出し、人間の注釈者と整合したLLM審査員のフィードバックで反復的に改良する。その結果、保留データにおいて、タスク特化型の3つの専門ファシリテーターに対して61.4%の勝率を示した。リアルタイムのオンライン研究では、グループの生産性を維持しつつ、発話の安心感を高め、対人間の摩擦を減らしたと報告している。
説明NetRL：NetGRPOによる強化学習でネットワーク意思決定を支える枠組み
要約本論文は、適応ビットレートストリーミング、負荷分散、輻輳制御などのネットワーク意思決定タスクのための、大規模言語モデルベースの二段階強化学習フレームワークNetRLを提案しています。実演軌跡による教師ありファインチューニングの後、オンラインの方策最適化を行い、中核となるNetGRPOは複数の将来軌跡で候補行動を評価し、信頼度を考慮した予算配分を行います。論文によれば、NetLLMと比べQoEが23.6%、Genetと比べジョブ完了時間が12.2%短縮、Orcaと比べネットワーク効用が24.1%向上したと報告されています。
説明振り返って前に進む：エージェント型の構成的画像生成における再訪の学習
要約本論文は、反復的な生成・編集の中で、編集指示の調整に加え、どの候補画像から修正を続けるかも選択するエージェント型フレームワーク「GenRevisit」を提案している。学習は教師ありファインチューニングとエージェント強化学習で行い、各行動の寄与に応じて優位性を再配分する「正規化行動クレジット割当（NACA）」も導入している。GenEval2では、Qwen-Image-2512とZ-Image-Turboでそれぞれ84.3と74.4のGMスコアを達成し、同じ生成器を使う最強のベースラインを12.7点と10.9点上回った。GenEval、GenEval++、GenEval2のいずれでもベースライン中で最高水準の性能を示している。
説明患者非重複の検証だけではパーキンソン病の歩行分類の汎化を示せない理由
要約本論文は、133名のWearGait-PD参加者（パーキンソン病65名、対照68名）から得た159の圧力歩道要約特徴を用いて、パーキンソン病の分類を検討しています。計測施設の情報だけでAUC 0.955となり、歩行特徴モデル（0.882）を上回りました。歩行特徴を加えても、プールした識別性能の改善は確認されませんでした。著者らは、患者非重複のプール検証では疾患に関連する識別と施設による差を切り分けられないとし、施設内または独立した検証の必要性を指摘しています。
説明OneShot：単一の確認済み異常で検出器を重み付けする、ラベル効率の良い時系列異常検知手法
要約時系列異常検知には万能な検出器が存在せず、最適な選択は系列ごとに異なります。本論文は、検出器群から1つを選ぶのではなく、確認済みの異常1件を用いて検出器群の重み付けを行うOneShotを提案します。152本の単変量系列と73本の多変量系列での評価では、最も強い単一検出器、検出器群の平均、確認済み事象で最良の検出器を選ぶ方法のいずれよりも優れた結果が示されています。
説明SafeDSE：データフローアプリケーションの安全アーキテクチャパターン・マッピング・スケジューリングの同時探索（安全論証付き拡張版）
要約本論文は、同期データフローアプリケーション向けの設計空間探索フレームワーク SafeDSE を提案します。宣言的な制約モデルにより、各アクターの安全アーキテクチャパターン、故障モデルが求める配置、静的順序スケジュール、プラットフォーム、およびSIL（安全度水準）引き上げのコストを同時に決定します。9つのベンチマークでは、パターンを先に固定する方式より同時探索の方が常に実行可能で、コストも高くなりませんでした。生成された安全論証の葉ノードの49〜62%が検証器のチェックを引用しています。
注目点安全アーキテクチャパターン、マッピング、スケジューリングを統合して探索し安全論証を生成する点に新規性がある。9つのベンチマークと最適性証明で裏付けられ、安全組込み設計の一分野に有用である。
説明MP-MNCA：組織形態の事前情報を用いて効率よく収束する空間ドメイン同定手法
要約本論文は、空間トランスクリプトーム解析における空間ドメイン同定手法 MP-MNCA を提案する。3,000次元の高変動遺伝子表現を保持したまま、組織学的類似性を連続的な注意の事前情報として組み込み、自己教師ありのマスク付き近傍対照目的で学習する。ヒト背外側前頭前皮質の12切片で評価し、従来の基準手法より少ないエポックで連続的な空間構造に到達することを示した。クラスタリング品質は最強の基準手法 STAIG と同程度で、正規化相互情報量では上回った。
説明VGGA：動画生成のための幾何学的制約付きオートエンコーダ
要約本論文は、再構成過程に幾何学的制約を組み込んだ動画オートエンコーダVGGAを提案し、潜在動画生成モデルでの利用を目指しています。構造的深度、動きの対応、射影的ワーピングという三つの幾何学的次元に沿って潜在表現を学習し、共有の時空間アップサンプリング部で幾何学学習とRGB再構成を同時に最適化します。報告によれば、RealEstate10KではgFVDが28.1%、Taichi-HDでは37.7%低下し、再構成品質は同等に保たれています。
説明『律世-1840』：古典中国語言語モデルの知識カットオフの構築と検証
要約著者は、1840年以前に成立した12,262点の書籍（約12.8億字）のみで学習した、約9億8300万パラメータの古典中国語モデルを構築しました。当初のコーパスは一般的な方法で年代判定されていたため、実際には1644年で終わり、二十世紀の資料も含まれていました。そのため著者らは再年代判定と整理を行いました。1840年以降の史料に対するモデルの驚き度は高く、探査の結果は単一の截止年ではなく資料の網羅範囲を反映すると説明されています。
説明MSC：不確実性を考慮したNMPCと強化学習による実行層を組み合わせたキャスター対応制御フレームワーク
要約本論文は、工業用AMR・SDVで用いられる自由旋回キャスターが、低速や大きな曲率の走行時に未整列となって生じる運動のずれに対処する手法を扱っています。提案するMSCは二つの要素からなり、予測の不確実性に応じて制御の重みや入力の正則化を動的に調整するNMPCと、部分観測下でキャスターの状態を推定・予測し速度指令を実行可能な車輪速度に変換する強化学習ベースの実行層です。論文では、Isaac Simおよび実機での検証により、既存の分離型補償手法と比べて状態推定精度と追従の頑健性が改善されたと述べています。
説明正しい選択、失敗する系列：Choice2Seq が出力インターフェースをまたぐ正答保持を評価するベンチマーク
要約本論文は、完全な答えを一度に選択する方式と、局所的な決定を順に積み上げて答えを構成する方式の両方で、モデルが正答を保持できるかを測る診断ベンチマーク Choice2Seq を提案します。算術と語彙検索では一部のモデルが97%を超える選択精度を示しましたが、逐次構成では正答のごく一部しか保持できませんでした。著者らは候補文字への制限や明示的な位置指定などの介入効果も検証しています。
説明推論後悔の保証を持つガウス過程バンディット最適化の探索戦略
要約ベイズ最適化で従来用いられてきた累積後悔の保証は、アルゴリズムが最終的に返す解の質を示すものではなく、ノイズのある評価の下ではこの点が重要になると論文は指摘している。著者らは、獲得関数による問い合わせを時折探索用の問い合わせに置き換える効率的な探索戦略を提案し、任意のベイズ最適化手順に組み込めるとしている。問い合わせの充填距離を用いて探索空間上のガウス過程事後標準偏差を評価し、それにより推論後悔の上界を導出している。合成ベンチマーク、ハイパーパラメータ最適化、制御課題において、既存手法の最終的な推薦結果が改善されたと報告されている。
説明ゼロショットテキスト分類のためのラベル中心の知識検索
要約本論文はSLKRフレームワークを提案します。フラッグシップLLMがオフラインで各ラベルの定義、検索キーワード、混同しやすいラベル対の境界ルールを生成し、再利用可能な知識ストアを構築します。オンラインでは、ハイブリッド検索で候補ラベルと関連ルールを絞り込み、軽量LLMが一度の呼び出しで分類します。4つのデータセットで、タスク固有の学習例を使わずに良好な結果を示しました。
説明DIGS：分布情報を用いたガウシアン・スプラッティングによる学習不要のオープン語彙3D分割
要約本論文は、学習を必要としないオープン語彙3Dガウシアン分割手法DIGSを提案します。実例の発見と言語によるラベル付けを分離する2段階の構成で、各ガウシアンが複数のラベル分布を保持することで、境界部分でも明確なインスタンス境界を得られます。LERF-OVSでの平均mIoUは71.95%で、学習不要のSFSと学習ベースのLaGaを上回ったと報告されています。
注目点学習不要の分布表現とクラス非依存のインスタンス体系を提案し、境界ガウスの曖昧さを解消。複数ベンチマークで既存手法を上回る。
説明EgoAlign：状況説明なしで行う自己中心的な3D理解
要約本論文は、エージェントの姿勢に対して3Dシーンを解釈する状況依存型3D質問応答を扱う。既存手法は自然言語の状況説明で姿勢を伝えることが多いが、実運用では入手が難しい場合がある。提案手法EgoAlignは、エージェント中心の座標系でシーンを表現する簡潔な3D言語モデルで、物体カテゴリ認識、自己視点の方向予測、距離推定、空間関係予測からなる整合化段階を備える。SQA3D、Real-3DQA、MSQAで比較手法中最高の性能を示し、テキストの状況説明を除いても同等以上の結果が得られ、数値姿勢をシャッフルすると大きく性能が低下したと報告している。
説明ProCARE：プロファイルに基づく証拠契約による実世界研究の自動化
要約実世界研究は、電子カルテや保険請求などの日常的に収集される医療データを分析し、治療効果の推定、安全性の監視、ランダム化試験の外でのリスク要因の特定を行います。本論文では、研究の自動化を制約付きコンパイルとして再定義するフレームワークProCAREを提案します。データプロファイルを証拠契約に変換し、研究目的を強い型付けの中間表現RWS-IRにコンパイルした上で、決定的な検証と局所的な修復により生成ワークフローを検査します。36件の電子カルテベースのベンチマークタスクで、コードの実行可能性、意味的一貫性、結論の追跡可能性において、強力なLLMエージェントのベースラインを上回りました。
説明EventLens：映像理解のためのイベント構造強化学習手法
要約本論文は、既存のマルチモーダル大規模言語モデルが、映像質問応答においてイベント境界、単一イベントの進行、複数イベント間の関係といった時間構造を捉えられない場合があると指摘します。著者らはEventLensを提案し、時間粒度の変更、逆順の進行、イベント順序のシャッフルなどの制御された摂動の下で、視覚情報からイベント構造を復元するよう学習させます。確定的報酬で検証可能な3種類のタスクを用い、マルチティーチャー蒸馏で統合します。Qwen3-VLでの実験では、時間的グラウンディングとイベント感応型推論で改善が示され、一般的な映像QA性能も維持されています。
説明DeepThink：知識参照可能な再帰型言語モデリングの概念モデル
要約本論文は、知識バンクに型付きの知識単位を保存し、現在の実行状態に基づいて知識活性化器が単位を選択し、それを実行可能な構成へ組み立てて共有思考演算子で状態を更新する、DeepThink という枠組みを提案している。実行意味論を形式化し、既存の固定深度モデルとの厳密な対応構成と、事前学習モデルから再帰計算へ移行するための二つの初期化方法を示している。
説明幾何学のオウム：視覚言語モデルの空間・物理推論における規則の欠如と脆弱性
要約本論文は、34の手続き的に生成された推論領域、10万枚の画像、60万問からなるGRIPベンチマークを提案し、視覚言語モデルの幾何・空間・視覚・物理推論を検証します。閉ループでは五段階の問いの連鎖で推論が失敗する箇所を特定し、開ループでは他モデルの回答や根拠のないユーザーの主張を与えてモデルの回答を再度引き出します。正解が厳密にわかっているため、回答の変化を正答への修正と誤答への後退に分け、規則の欠如と規則の脆弱性という二つの失敗様式を区別しています。
説明移動する固体との相互作用下での対話型4次元体積液体予測
要約本論文は、固体物体が液体中を動く条件のもとで、将来の稠密な3次元液体速度場の時空間的変化を予測する「対話型4次元体積液体予測」タスクを提案している。二段階の再帰予測フレームワークTIDE/TIDESを提示し、TIDEは局所的な界面駆動型予測を扱い、TIDESは輸送認識型の結合と明示的な安定化を加えて累積誤差を抑える。実験ではTIDESが最良の予測性能を示し、アブレーションにより局所的相互作用、輸送結合、安定化が主要な寄与要素であることが確認されたとされる。
説明eスポーツ世界モデルデータセット：StarCraft II・Dota 2・CS2の多視点人間対戦データ
要約本論文は、StarCraft II、Dota 2、Counter-Strike 2の人間のプレイを集めたEsports World Model Dataset（EWM）を紹介しています。3,053試合・マップ、約4,880プレイヤー視点時間を含み、CS2の拡張分の推定時間も含まれます。リプレイ時計により映像とゲーム内の行動、状態、イベントを対応づけ、各ゲームの観測条件の違いを示します。人間の対戦から学ぶ、複数人で共同操作する世界モデルの研究を支援することを目的としています。
説明話す前に考える：学習なしで言語モデル間の潜在通信を可能にする手法
要約本論文は、追加学習を必要としない CacheFuse という手法を提案しています。上流モデルの KV キャッシュを線形補間で下流モデルに組み込み、融合させます。四つの推論・知識ベンチマークで体系的に分析されています。報告によると、単体モデルの基準と比べて正答率は最大 8.6 ポイント向上し、マルチモデル推論でテキスト通信を用いる場合と比べて TTFT は最大 12.2 倍高速化されました。
説明フィッシャー情報とニューラルネットワークにおける暗記の幾何学：泛化と丸暗記をフィッシャー情報で区別する
要約本論文は、ニューラルネットワークが学習データの中から汎化可能な構造と、偶発的あるいは破損した特徴をどのように分けるかを研究しています。著者らは、暗記によってしか学習できない制御されたノイズを含むCIFAR-10で視覚モデルを訓練し、重みをフィッシャー情報の上位固有ベクトルに射影すると、一般的なタスク性能とノイズサンプルの暗記が分離されることを示しています。また、同様の現象が合成の文脈内学習タスクを解く小規模Transformerと、解析的に解ける線形モデルでも確認されたと報告しています。
説明CIPHEUR：大規模言語モデルによる衝突グラフ最適化の構造的探索制御
要約本論文は、衝突グラフ探索の停滞を解消するため、大規模言語モデル（LLM）で衝突の証拠を構造化介入ユニット（SIU）に結び付けるCIPHEURフレームワークを提案している。衛星・地上局スケジューリングの実験では、オンライン版が11の構成中で最も高い平均目標値を示し、貪欲法ベースラインGWMINに比べ平均スケジュール接触時間を14.84％増加させた。
説明タスク整合性制約付きのペルソナ進化によるLLMエージェントの頑健性弱点の発見
要約従来の対話型エージェント評価は、協力的に振る舞うLLMベースのユーザーシミュレーターに依存することが多く、現実的で多様なユーザーとのやり取りで生じる失敗を見落としがちです。本論文はTIPERを提案します。これはタスクの有効性と解決可能性を保ちながら、エージェント固有の頑健性の弱点を露呈させるユーザー方針を自動で発見する手法です。4つの対話型ベンチマークで評価したところ、12のGPT-5.4設定と7つのエージェントにまたがる28の組み合わせすべてで保留データ上のavg@3スコアが低下し、用いられた振る舞いと失敗モードを結びつける分類体系も示されました。
注目点タスク完全性制約の下でユーザーペルソナを進化させる手法を提案し、四つのベンチマークと七つのエージェントで一貫して成功率を下げることを示す。影響は対話エージェントの頑健性評価に限られる。
説明WildTrace：現実的な大規模LLM事後学習における学習データ検出の評価
要約本論文は、大規模言語モデルの事後学習で大量の非公開データが使われることが、ベンチマーク汚染や著作権侵害の懸念を生むと指摘しています。著者らは、SFT、DPO、RLなど事後学習の各段階のモデルを対象に、現実的な大規模設定で検出手法を評価するベンチマーク「WildTrace」を提案しています。結果として、最良の手法でも平均AUCは0.529にとどまり、ランダム推測（0.5）に近いことが示されています。
説明ガウス遷移を持つ非有界確率ゲームにおける均衡学習
要約本論文は、複数の意思決定者が無期限に相互作用し、状態空間に上限がなく、ドリフト項が未知の割引付き一般和確率ゲームを扱う。単一の連続軌道から、ガウス過程でドリフトを推定し、有限ゲームを段階的に解いていく手法を提案する。均衡選択の安定性とガウス遷移モデルの一様KL精度が成り立てば、誘導される値は領域上で一様に収束し、元のゲームでは近似ナッシュ均衡となることを示している。
説明BARTER：標準的な密行列カーネルで実現するコンパクトな動的スパース学習
要約本論文は、スパース演算子に依存せず、アテンションヘッドとフィードフォワードのチャネルを刈り込み再配分して学習テンソルを物理的にコンパクトに保つ BARTER フレームワークを提案しています。2つの画像分類ベンチマークにおけるTransformerベースの視覚モデルの実験では、全テンソル型の動的スパース学習のベースラインと競合するTop-1精度を示し、NVIDIA L40 で最大 6.29 倍の学習速度向上と最大 81.3% のピークGPUメモリ削減を報告しています。
説明Unravel：単一画像から対話可能な3Dシーンを復元する手法
要約本論文のUnravelは、学習を必要としない枠組みで、一枚の画像を対話可能な3Dシーンに変換し、各物体を独立して移動可能な資産として扱います。まず画像を層ごとに取り除く形で「分解」し、視覚言語モデルが完全に見えている物体を選び、画像編集器がそれを除去して遮蔽部分を補完します。各編集は検証されたうえで再構成に組み込まれ、その後、除去の逆順で場所を復元し、物理的な安定化と監査を行います。原文によれば、多様な室内シーンでの実験において、既存手法より多くの物体を復元し、より忠実に配置し、より物理的に妥当なシーンを生成したとされています。
説明Pollard：フレームワーク非依存のAIエージェント制御・リプレイのための統治型意味実行木
要約本論文は、特定のエージェントフレームワークに依存しないランタイムPollardを提案し、実行・統治・リプレイの情報を「統治型意味実行木」で一元的に記録する手法を示している。状態モデルの複製検証、PostgreSQLでの並行リソース予約試験、外部呼び出しを伴わない厳密なリプレイ、意味的改変の検出などの実験を行い、明示された仮定の下で中核となる仕組みが成り立つと結論づけている。
説明Hashrope：LLMのコンテキスト管理のための永続データ構造
要約本論文は、大規模言語モデルのサービング基盤におけるコンテキスト管理の4つの仕組み（増分編集、分岐とスナップショット、再利用可能な接頭辞の識別、反復セグメントの符号化）を、単一の永続的な重み付き平衡ロープ（rope）構造で扱うHashropeを提案しています。各ノードはMersenne素数上の多項式ハッシュを持ちます。著者は事前登録された再現可能な実験により、Ropeyライブラリ、PagedAttentionのコピーオンライト型ブロックテーブル、SGLangの基数マッチャーと比較しています。編集と同一性照会が交互に行われる負荷では、文字数が増えるほどRopeyに対する優位が拡大すると報告されています。
説明All-St3R SLAM：ピクセル単位の動き마스ク을用いたリアルタイムRGB動的SLAM
要約本論文は、事前定義ラベルやセグメンテーションモデルに頼らず、ピクセル単位で移動物体を除去するリアルタイムRGB動的SLAMフレームワークを提案しています。DUSt3Rによる自己運動から予測されるピクセル運動と、All-Trackerによる点追跡を組み合わせ、両者の差異から実際に動いているピクセルのみを除去します。約10 FPSで動作し、30 FPSの映像を3フレームごとに間引いて処理することで、リアルタイム性を実現したとしています。
説明ReLUニューラルネットワークによる任意の応答変数の分布回帰
要約本論文は、任意の応答変数を扱う分布回帰の統一的枠組みを提案し、可測集合で添字付けされた条件付き事象確率をモデル化することで、分布回帰を一般の応答空間へ拡張している。二種類の推定量を検討しており、事象指示変数を個別に回帰する予備的推定量と、有限集合族上の有向非巡回グラフ（DAG）によって包含整合的な予測を強制する制約付き推定量である。両者について一般的な誤差上界を示し、密なReLUネットワークに特化して次元の呪いを克服する明示的な収束速度を導いた。また、シミュレーションと実データ実験により実用的有効性も確認されている。
説明ファントム・マージ：LLMエージェントが一つの実体を選びつつ、別の実体について報告する問題
要約本論文は「ファントム・マージ（Phantom Merge）」と呼ばれる問題を提起しています。複数の実体を扱う場面で、エージェントが裏付けのない主張を、選択済みの実体に帰属させてしまう現象です。作者らは四つのエージェント領域と四種類の基盤モデルでその発生率を測定し、二段階の手法を提案しています。まず、アンカー接地リスク（AGR）で主張単位のリスクを推定し、次に固定アンカー補正（FAC）で疑わしい主張を観測された証拠に基づいて修正、または削除します。ショッピング検出データでは、AGR-slotのAUROCは96.2%、FACは軌道レベルのファントム・マージを51.4%から6.2%に減らしました。
注目点エンティティと証拠の結合失敗という新しい問題を定式化し、購入シナリオでAUROC 96.2%、PMを51.4%から6.2%へ低減しており証拠は比較的充分。
説明大規模言語モデルと微分可能な利用者均衡層による交通計画支援の枠組み
要約本論文は、大規模言語モデル、モデルコンテキストプロトコル（MCP）インターフェース、オープンソースの交通計画エンジンAequilibraE、微分可能な利用者均衡（UE）配分層を組み合わせた、人とAIの協働による交通計画の枠組みを提案しています。専門知識のない利用者も自然言語でネットワーク分析を実行できることを目指しています。UE層は、Beckmann交通配分問題のKKT条件を直接微分して構築されています。観測交通量からの旅行時間関数の較正と、予算制約下のネットワーク設計の二つの課題で示されています。
説明全モーダルLLMは言えるよりも多くを知っている
要約全モーダル大規模言語モデル（Omni-LLM）は、視覚・音声・IMU信号などの非テキストモダリティを言語と併せて処理できます。しかし本研究では、モデルが非テキスト情報を正しく認識していても、それを回答に表現できない場合が多いことが分かりました。著者はこの現象を「知っているが言えない（knows-but-cannot-say）」と呼んでいます。分析用に提案されたトークンレベルのモダリティ整合指標（TMA）によると、非テキスト表現は回答トークンとの整合性が低く、テキスト表現より注目される度合いも小さいことが示されています。これに基づき、著者はモデル自身が生成したテキストで元の入力を補うOmniCatalystを提案し、7つのモデルで平均7.29%の性能向上と、より均衡したモダリティ選好を報告しています。
説明ProMoDD：プロトタイプ条件付き拡散モデルによる3D人体動作のデータセット蒸留
要約本論文は、骨格ベースの行動認識のためのデータセット蒸留手法ProMoDDを提案しています。大規模データセットの学習効果を、ごく少数のサンプルで保持することを目指します。クラスごとの時系列認識特徴のプロトタイプを条件として運動拡散モデルを学習し、予算を考慮した実データと生成データの混合選択で小規模学習セットを構築します。NTU RGB+D 60の単人物クラスにおいて、クラスあたり3系列の条件下でFull49のtop-1精度は40.32%に達し、クラスごとのk-meansを4.57ポイント上回りました。
説明質問しながら解く：一般化パズルによる多ターン知識推論のベンチマーク
要約本論文は、概念特定を対話型の推論課題として設計した「アクティブ・プロービング・ベンチマーク（APB）」を提案している。モデルが複数ターンの能動的な質問と推論によって、8つの学術分野にわたる専門的難易度の960個の目標概念を特定できるかを評価する。評価の結果、多くのオープンソース推論モデルが標準の指示追従モデルを大きく下回ることが分かった。また、対話的な設定での知識推論を評価するベンチマークを生成するための拡張可能なパイプラインも提供されている。
説明XForecast：KDD 2026 Finance Day ニュース連動型金融予測チャレンジ
要約本論文は、株価の履歴データと対応するニュースを用いて、4週間後の株価変動を予測する、ニュース連動型金融予測のベンチマークおよびコンペティション「XForecast」を提案している。データは2019〜2023年の大型株100銘柄を対象とし、2019〜2022年を学習、2023年を評価に用いる。ニュースの影響が強いと見込まれる事例により大きな重みを置く加重ヒット率を評価指標として採用している。コンペティションは Kaggle 上で KDD 2026 Finance Day の一環として開催される。
説明ノイズのあるフィードバック下でのPIDゲート型継続的プロンプト適応
要約本論文は、タスクが変化する環境でLLMエージェントの指示を継続的に更新する問題を扱っています。比例・積分・微分（PID）制御に着想を得た軽量なゲートを提案し、いつフィードバックを恒久的な指示更新に反映させるか、また編集後に性能が悪化した場合に巻き戻すかを制御します。複数の変化するタスク、モデル規模、ノイズレベル、乱数シードで、単純なベースラインやTextGrad、GEPAと比較しています。
説明乳房超音波診断のための概念ベース解釈可能AIフレームワーク
要約本論文は、BI-RADSの構造化記述子を組み込み、臨床の判断過程に近づけた乳房超音波用AIフレームワーク「IBUS」を提案している。20の独立データセット、9,941人の患者からなる多施設画像で学習し、14のテストデータセットで汎化性能を検証した。8名の放射線科医による読影実験では、IBUSの支援により初級・上級の両読影医の診断感度が向上したと報告されている。
説明香港の消防安全規範解釈のためのベンチマークに関する研究
要約本論文は、香港の消防安全規範に対する大規模言語モデルの性能を評価しています。研究者は専門家と協力し、選択式問題と記述式問題を含む現地化されたベンチマークデータセットを作成し、12の広く使われている商用モデルおよびオープンソースモデルを検証しました。その結果、上位の商用モデルは選択式問題で80〜90%の正答率を示した一方、オープンソースモデルは概して劣っていました。しかし専門家による記述式問題の評価では正答率は50〜70%にとどまり、専門的なコンプライアンス業務ではモデルにまだ大きな改善余地があることが示されました。
説明模倣が進化の鍵：適応型エージェントのための局所修復と検証済みスキル獲得
要約本論文は、エージェントが新たな不一致を修復すべき経験の部分を学習せずに成功した軌跡を保持してしまう問題を扱い、受動的模倣（PI）という手法を提案する。PI は違反された契約を局所化し、局所目標を抽出し、効果の一致したスキルを提案して小さなパッチを試し、完全なタスク検証後に証拠を保持する。十の模擬ツール環境で、PI は 600 件の冷却済み組み合わせタスクを小規模試行三回以内で全て解決し、全軌跡の対照群は 6.17% だった。未見のツール改訂版では PI の成功率は 70.0% である。ただし著者は、これは限定的な修正・保持の仕組みであり、汎用知能を示すものではないとしている。
