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MMKG-R1：強化学習によるマルチモーダル知識グラフの構築
要約本論文は、マルチモーダル知識グラフ（MMKG）の品質を重視する強化学習フレームワーク「MMKG-R1」を提案し、マルチモーダル大規模言語モデルをマルチモーダル知識の構築器として訓練する手法を示している。個々の知識源から抽出された情報の品質と、組み立てられたMMKG全体の品質を直接評価する複数の品質認識型報酬を導入し、それを用いて強化学習を導いている。複数のデータセットでの実験により、この手法で構築したMMKGが下流の質問応答精度を向上させることが示されている。
説明AI査読は信頼できるか：AIによる採点の信頼性を検証した論文
要約本論文は、大規模言語モデルによる論文採点が信頼できるかを調べたものです。ICLR 2025および2026の論文200本とおよそ14,000件のAI査読を用い、採点の安定性、スコア分布の推定、修正による改善の評価におけるモデル間の一致を分析しています。その結果、同じ条件でも繰り返しの査読で点数が変動すること、より細かい採点方式では分散は減るものの平均点が系統的にずれること、そして修正による改善の評価は評価するモデルに強く依存することが示されています。
説明LLM-jp-4 技術報告：日本の自立型大規模言語モデル群
要約本論文は、透明性・再現性・実用性を重視して開発された日本語大規模言語モデル群「LLM-jp-4」を紹介しています。8B の密モデルと 32B-A3B の混合エキスパートモデルで構成され、いずれも約 12 兆トークンでゼロから学習されました。学習データ、外部モデル、ソフトウェアの選定基準を明示し、開発プロセスを公開しています。従来の LLM-jp モデルより大幅に向上し、同程度の規模のオープンウェイトモデルと競合する性能を示したと報告されています。
説明リスト再現性に関する多対数上界
要約本論文は、学習理論における「リスト再現性（list replicability）」の数、すなわちM個の二値概念とN個の定義域点からなる概念クラス上での値を扱います。著者は、この数がO(log²M·log N)で抑えられることを示す簡潔で自己完結した証明を与えています。これはこの量に対する初の多対数上界とされ、Zhang による原稿の基本的な方針を踏襲しつつ、より単純な議論で示しています。
説明NavAble：視覚障害者ナビゲーションのための大規模データセットと合成データ生成パイプライン
要約本論文は、音響式歩行者信号、ドア開閉ボタン、手すりなど11種類のアクセシビリティ上重要な物体クラスを対象とした大規模データセットNavAbleを紹介しています。41K枚の公開画像と、新たに収集・密にアノテーションした8K枚の実画像から構成されます。さらに合成データ生成パイプラインを開発し、452Kフレームの注釈付きデータを作成しました。テストセットでのmIoUは80%を超え、合成データの追加により最大+3.5 mIoUの改善が示されています。
説明SonoWorld：インタラクティブな姿勢制御可能な超音波ワールドモデルに向けて
要約ロボット超音波は画像取得を標準化できますが、現実的で制御可能なシミュレーション環境が不足しており、方策学習が制限されています。SonoWorldは、約690万枚のラベルなし多臓器超音波フレームで事前学習し、電磁センサーで追跡した少数の甲状腺手持ちスキャンで6自由度のプローブ制御に対応づける因果的超音波ワールドモデルです。動作判別では、目標方向の探触子運動を最大74.8%の試行で正しく順位付けしたと報告されています。
説明なぜグラフ Transformer は同じトークンに注目しないのか？
要約大規模言語モデルでは、注意が先頭トークンに集中する「アテンションシンク」が見られます。本論文は、グラフ Transformer にも同様の現象が起きるかを調べ、最先端モデル GRIT は分子グラフでシンクをほとんど形成せず、大きなグラフで学習するとシンクが減ることを報告しています。主因は注意のスコア関数で、GRIT のゲート付きロジットを内積に置き換えるとシンク率は 0.09 から 0.68 に上昇しました。したがって、アテンションシンクは Transformer 全体ではなく内積アテンションの性質だと結論づけています。
説明TopicMerge：分割統治によるトピックモデリング手法
要約本論文はTopicMergeという多段階のトピックモデリング手法を提案します。効率的な埋め込みベースのクラスタリングで文書を細かな微小クラスタに過分割し、大規模言語モデル（LLM）が近傍の文脈を参照して候補のクラスタの統合可否を判断します。BillsとWikiのデータセットでの実験では、最先端のクラスタリング性能を達成しつつ、文書単位の手法に比べてLLMの呼び出し回数を92%以上削減したと報告されています。
説明極小極大問題に対するバイアス付き確率的勾配法の汎化解析
要約本論文は、極小極大（ミニマックス）最適化問題に用いられるバイアス付き確率的勾配法の安定性と汎化性能を研究する、初めての枠組みを提示します。有界勾配の仮定を有界二次モーメント条件に緩和して安定性と汎化の関係を示し、バイアスと勾配推定量に関する一般化されたLipschitz型条件のもとで一般的な安定性上界を導出します。ゼロ次法および勾配クリッピングを用いたSGDAに適用し、収束解析と組み合わせて、サンプル数nに対して1/√nの最適な過剰リスク上界を得ています。
説明グラフ型エージェントワークフローにおける、誠実かつ期待支払い最適なモデルルーティング
要約本論文は、グラフ構造のエージェントワークフローで、タスクを複数の大規模言語モデル提供者へどう振り分けるかを扱います。ルーティングを単一パラメータの調達オークションとして定式化し、仮想コストで重み付けしたグラフ上の作業量を最小化するSTAR（Strategy-proof Topology-aware Agent Routing）を提案しています。提供者にとって正直に報告することが効用を最大化する戦略となり、ユーザーの期待総支払いも最小化されます。合成データを用いた実験では、トポロジーを考慮した実行コストの利点はファンアウトと転送ペイロードに応じて増え、支払いの利点は事前分布の異質性に応じて徐々に大きくなることが示されています。
説明逐次スクリーニングのための履歴特徴量ベース残差適応
要約本論文は、限られた実験予算の下で逐次スクリーニング方策がフィードバックをどう活用するかを扱う。フィードバック公開前に記録した基礎スコアを基準に、固定の履歴特徴量から小さなランキング補正を構築する。主な実装はAssayFormerの10次元表現に64の履歴方向を加え、事前学習済みモデルを保持する。公式テストの20スクリーンで、来歴ごとの平均的なヒット回収率は22.58%から28.61%に向上し、事前指定の6つの比較手法を上回った。別途の独立した非線形基礎モデルでも効果が見られたが、利得は基礎モデルに依存する。
説明PersEvalBench：LLM評価器はペルソナ情報の文脈に適した利用を判断できるか
要約本論文は、パーソナライズされたアシスタントがユーザー履歴をどのように使うかを、LLM評価器が正しく判定できるかを試すベンチマーク「PersEvalBench」を提案しています。403の多段階シナリオを含み、三つのカテゴリにわたる九種類の制御された誤りを扱います。五つのLLM評価器は、対話履歴全体を与えられても制御された誤りの認識が限られており、欠けた個人化の誤りでは人間が94.4%を認識したのに対し、最も強い評価器は63.9%でした。
説明データ不要の多段階拡散蒸留：一つのモデルで複数の推論ステップ数に対応する手法
要約本論文は、学習データを使わずに拡散生成モデルを多段階推論の生徒モデルへ圧縮する方法を検討しています。提案手法PMDD（Progressive Multistep Data-free Distillation）は、生徒分布ごとに専用の適応ネットワークを割り当て、段階的な忘却防止損失で初期ステップの生成品質を保ちます。原文によれば、複数の推論予算でデータ不要の少ステップ基準と同等以上の性能を示し、学習計算量はDMDv2より4〜5倍少ないとされています。
説明DTDD：乖離トリガー型動的蒸留による信頼性の高い同一方策監督
要約本論文は、同一方策蒸留（OPD）を改善するDTDD手法を提案します。生徒モデルと教師モデルの推論区間での乖離が大きい場合、教師が介入して回復サフィックスを生成し、生徒はそれを行動クローニングで学習します。長期推論、基盤モデルからの蒸留、マルチターンのエージェントで評価し、勾配の安定性や最適化効率、一部タスクの性能でOPDを上回る結果を示しています。
説明ICDコードを超えて：生成型医療コーディングのためのセマンティックID
要約本論文は、自動ICDコーディングにおいて、大規模言語モデルが元のICDコード文字列を直接生成する代わりにセマンティックID（SID）を生成するフレームワーク「SemICD」を提案している。SIDは、コードのテキスト記述の埋め込みを階層的にクラスタリングして構築され、意味的に関連するコードが接頭辞を共有し、各SIDは一つのICDコードを一意に特定する。MIMIC-IIIとMIMIC-IVの実験では、直接コード生成より高いMicro-F1を示したと報告されている。
説明検証器に基づくエージェント型強化学習による、証明可能に正しいコードの生成
要約本論文は、テストの合否ではなく形式検証器を強化学習の報酬として用いるエージェント環境を提案している。報酬は検証器の診断情報に基づき、達成された証明義務の重み付き割合で候補プログラムを採点し、仕様の改変や証明すべき事柄の仮定を行う候補は完全性監査で却下される。Qwen3各モデルにおいて、保留データでの検証成功率はDafnyBenchで66.1%から93.5%、SWE-Proofで56.3%から100%に向上したと報告されている。
注目点検証器の診断情報を細粒度の報酬に変え、完全性監査を加えた点が新規で、複数ベンチマークで大きな改善を示し、コード生成訓練に一定の影響がある。
説明Qwenfant：簡潔な並列テキストで大規模な文字レベルBabyLMを学習
要約本研究は、2026年BabyLMチャレンジの多言語トラックへの応募論文です。LLMで要約・翻訳したデータを用いてベースラインを改善し、合成データからも高品質なデータが得られることを示しています。さらに、より大きなモデルの使用と文字レベルの語彙の採用という2つの簡単な変更を加えており、いずれもLoRA方式の微調整によって本来の効果を発揮します。最終的にQwen3をベースとしたモデルQwenfantは、応募時点で多言語トラックの1位となりました。
説明次はどのモデルの番か？状態を持つエージェント向け文脈ガイド型モデルルーティング
要約本論文は、LLMエージェントの各ユーザーターンで、単純な要求をより安価なモデルに振り分けてコストを下げる手法を研究しています。マルチターン版のSheetCopilotとSpreadsheetBench 2で評価し、セッション履歴を与えたルーターは同じ振り分け率で履歴なしより課題の合格率が高いと報告しています。また、モデル切り替え時のプロンプトキャッシュの費用が非対称であることも分析しています。
説明LLMエージェントは機器の故障を効率よく特定できるか：シミュレートされたコーヒーマシンの診断から
要約本論文は、シミュレートされた機器を用いたLLMエージェントの故障診断課題「CoffeeBench」を提案しています。多くのモデルはセンサー情報だけで故障を安定して特定することが難しい一方、最も優れたモデルは故障候補を反復的に絞り込み、最終的に正しい診断に到達できることが示されています。さらに、診断効率によるモデル比較、下位モデルの課題、診断成否を予測する指標などについて分析しています。
説明Kandinsky S2V 1.0：音声駆動アバター動画生成モデル
要約本論文は、音声駆動の人物アニメーションを制御可能な形で生成するモデル群 Kandinsky S2V 1.0 を提案する。2B パラメータの Lite 版と 21B パラメータの Pro 版があり、一枚の参照画像、音声波形、テキストプロンプトから、口の動き・表情・姿勢・ジェスチャーが音声に沿った 25 FPS の長尺動画を生成する。人手による比較評価では Pro 版が対照モデルと同等以上と報告されており、蒸馏版では推論の高速化も示されている。コードとモデルは MIT ライセンスで公開されている。
注目点動画基盤モデルに音声・テキスト条件と参照メモリを統合し、顔損失と蒸馏で高速化；人手評価と5指標ベンチマークで裏付け、音声駆動動画生成の分野に影響。
説明効率から十分性へ：自動作文採点のためのコスト考慮型測定設計フレームワーク
要約本論文は、自動作文採点（AES）をコスト制約下の測定システムとして捉え、計量・配分・単位経済・意思決定の4層からなるコスト考慮型測定設計（CAMD）フレームワークを提案します。比較指標として「防御可能な採点1件あたりのコスト（CPDS）」を定義し、測定要件を満たす設計の中で最もコストの低いものを選ぶべきだと論じています。また、採点件数が各層のコストに影響するため、この指標は規模の関数として扱われるとしています。
説明ランダム特徴量バイグラムモデルの厳密なスケーリング則：大規模言語モデルの規模効果を理解するための解析可能なおもちゃモデル
要約本論文は、べき乗則（Zipf）のトークン統計を持つボトルネック付きバイグラムモデルにおいて、容量制限下のスケーリング則を研究しています。固定されたランダム埋め込みを表現容量の代理として用い、モデル幅、語彙サイズ、Zipf指数に応じた予測リグレットのスケーリング則を導出しています。理論は適切な条件下で古典的なニューラルスケーリング則の関数形と一致し、WikiText2 および OpenWebText での実験結果は予測曲線とよく合致しています。
説明入力サイズに依存しないスケーリング則：サイズ汎化における指数的な分離
要約ある大きさの入力で学習したモデルが、大きさの異なる（大幅に大きい場合もある）入力にどこまで汎化できるか、その統計的コストを扱った論文です。多項式型のソース減衰では効率的なサイズ汎化は不十分で、領域内学習の誤差 n^{-Θ(1)} に対し、サイズ汎化の誤差は (log n)^{-Θ(1)} にしか下がらず、サンプル複雑度は指数的に分離すると示します。さらに、多項式のサンプル複雑度を回復する指数型のソース条件と、それに対応するミニマックス下界を提示しています。
注目点サイズ汎化の統計的学習理論を提案し、多項式と指数的サンプル複雑度の間の指数的分離を示し、整合する下界も与える。
説明大気乱流補正のための深層学習：GANとTransformerの比較
要約本論文は、大気乱流による画質劣化を抑える二種類の深層学習手法、生成敵対的ネットワーク（GAN）とTransformerベースのモデルを比較しています。両者はSOTISデータセットで学習・評価されました。結果として、GANは劣化が激しい低品質な状況で優れ、Transformerは中〜高品質の条件、特に幾何学的歪みの補正で良い結果を示しました。さらに著者らは乱流補正Transformer（TMT）を改良し、学習戦略の見直し、時間平均フレームを構造的事前情報として加えた入力設計、SSIMを組み込んだ損失関数を導入し、各種乱流条件で一貫した性能向上を確認しています。
説明拡散言語モデルのための結果ルーティング蒸留と強化学習
要約本論文は、混合専門家構造の拡散言語モデル（dLLM）向けに、尤度比を用いない学習パイプラインを提案しています。学習グループは検証器の結果に応じて振り分けられ、混在グループには比率不要の群中心化REINFORCEを適用し、生徒のサンプルがすべて失敗し教師が成功した場合には、生徒のノイズ除去キャンバスに対して密なKL監督を与えます。その他のグループは省略されます。蒸留チェックポイントに固定したKL項により、検証器報酬の外側での能力変化を抑制しています。
説明深層学習による森林分類の解釈可能性：Sentinel-2時系列を用いた類似森林クラスの分離
要約本論文はSentinel-2の時系列データを用い、再帰型ニューラルネットワーク（RNN）と、ランダムフォレスト、XGBoostによる樹種分類を比較しています。特に純粋なオウシュウトウヒと混交ピクセルの区別に焦点を当てています。最良のRNNはテストデータでMacro-F1 0.851を達成し、XGBoostを0.012、ランダムフォレストを0.103上回りました。積分勾配（Integrated Gradients）による分析では、年間通算日125付近以降に寄与が増加し、B11バンドが2クラス間のスペクトル差が拡大する時期に最も寄与することが示されました。
説明誰のデータ、誰のベンチマーク？評価資源を監査するためのユーザー中心フレームワーク
要約本論文は、ベンチマークの内容を提供するユーザーと、評価結果が代表すべきユーザーを区別する、ユーザー中心の監査フレームワークを提案しています。16の資源を調べた結果、11のテキストベンチマークでは米国中心の慣行が一致したシグナルの62.4〜94.4%を占め、画像とテキストの5資源では地理的な可視性が偏っており、国のGDP比率と強く関連していました（平均Pearson r=0.780）。すべての資源はソースユーザーの文脈を記録していましたが、ターゲットユーザーの文脈を記録した資源はありませんでした。
説明MemeTrace：安全性を考慮したミーム出所分析のためのマルチモーダルLLMベースのエージェント
要約ネット上のミーム（画像付きの投稿）には、偽情報やプロパガンダなどの安全でない内容が含まれることが多い。ニュースに応じて速く変化し文脈への依存も強いため、プラットフォームや監視担当者による効果的な検出は難しい。本論文は、新しいミームの出所と潜在的リスクを自動的に追跡するマルチモーダルLLMベースのエージェント「MemeTrace」を提案する。実際のミーム100件からなるデータセット「Meme100」で評価したところ、VLM（視覚言語モデル）ベースラインを大きく上回った。特に偽情報や機微な内容を含む安全でないミームの検出精度が高く、視覚的な摂動があっても頑健であった。
説明LAMP：複数地点の3D光源認識型ライティング推定
要約既存の照明推定手法は主に描画用の照明分布を復元し、特定の場所に対する個々の物理光源の寄与は明示しないことが多い。本論文は視覚言語モデルを用い、マーク付き查詢点を持つ単一のRGB画像から、各点の照明とその光源を結びつけるLAMPを提案する。Infinigenのテストセットでは、Qwen3-VL-8Bを微調整することで、主光源の3D PCK@0.5mが0%から70.6%に向上したと報告されている。
説明MIND：ロボット向け指示条件付き増分グラウンディングによる部屋判断の維持
要約本論文は、持続的な言語指示に従うロボットが、環境変化後にどの部屋の判断を有効なまま残せるかを扱う MIND フレームワークを提案する。イベントごとに全部屋を再評価せず、影響を受けた判断だけを更新する。ProcTHOR、AI2-THOR のシミュレーションと Unitree G1 実機で、全再計算と同じ最終判断を保ちつつ意味評価の回数を削減したと報告している。
説明領域トークンでアドレス指定されるスロットメモリによる長期動画生成
要約本論文はSMARTを提案します。これは領域トークンでアドレス指定されるスロットメモリで、長期的な動画生成に用いられます。固定サイズのスロット再帰で内容を格納し、書き込みは観測カメラ、読み出しはレンダリングカメラによって位置が指定されます。明示的な3D表現や増大するキャッシュは使用しません。Memory MazeとMinecraftの長い軌跡での実験では、訓練期間を超えても高い忠実度で想起を維持し、メモリと毎ステップの計算コストは一定です。
説明複数の機微属性にわたる分布的公平性：結合Wasserstein監査とShapley配分
要約本論文は、複数の機微属性を一つずつ検査すると、属性の組み合わせにだけ現れる格差を見落とす可能性を論じています。一次元Wasserstein距離に基づき、実数値スコアの分布的人口統計学的パリティを検討し、全セルの条件付き分位関数からヒルベルト値確率変数を構成して、その分散を結合格差とします。属性間の寄与はShapley値で順序に依らず配分され、独立の場合はHoeffding-ANOVA分解に帰着します。推定法と置換による較正手法も示され、合成例とACSIncomeで検証されています。
説明コピー＆ペースト言語モデル：軽量なコピーヘッドを加えて学習と検索性能を改善する手法
要約本論文は、従来の言語モデリングヘッドに軽量なコピー＆ペーストヘッドを加えたコピー＆ペースト言語モデル（CPLM）を提案している。著者らは1億3500万から17億パラメータのモデルで事前学習を行い、各規模・各バックボーンで改善を示し、学習と推論のオーバーヘッドは無視できるとしている。また、別の勾配経路によって言語モデルヘッドの勾配ボトルネックを部分的に緩和することが、その効果の理由として説明されている。
説明改良トポロジー二段スケジューリング：SE(3)等変構造予測における動的k近傍グラフのための減衰信頼領域補償
要約本論文は構造予測で用いるk近傍グラフの再構築を扱う。各ブロック境界での再構築は正確だが高コストであり、固定グラフの再利用は高速だがトポロジーの差が生じる。著者らは、第一パスで少量の状態を記録し、第二パスで保守的に補償する二段設計を提案し、非反転証明書、最小分散の再生ゲイン、信頼領域投影などの理論結果を示す。実験では、信頼領域を除いたL2がPBの辺集合を完全に再現し、L1の誤差は0.6%以内に収まった。記録された軌道から、第一パスで1.5倍、エポック全体で1.76倍の高速化が得られ、損失の差は測定可能な範囲で認められなかった。
説明FinGREAT：金融グラフ誘導型の検索・分類における大規模言語モデルの評価
要約本論文は、オープンウェイトの大規模言語モデルが、テキストの背後にある複式簿記の関係に沿って財務開示文書から証拠を抽出し分類できるかを調べたものです。11のノード（勘定科目）と11のエッジ（取引種別）からなる会計グラフを用い、26年分にわたる1,300件のSEC 10-K第7項を対象に、5つのファミリーの中規模モデルを三つのクローズドモデルと比較しました。さらに483段落の人手注釈付き関係分類ベンチマークを作成し、最良のモデルの正解率はオープンウェイトで84.1%、プロプライエタリで92.8%でした。
説明再利用・組み合わせ可能な抽象表現を用いてプログラムを書くLLM
要約本論文は、大規模言語モデルがコードを生成する際の内部活性化を調べたものです。モデルは中間層で、プログラミング言語をまたいで再利用できる抽象表現を形成し、活性化操作によって機能、言語、実装戦略を独立に制御できることが示されています。さらに、ある言語での任意定義関数の例によるファインチューニングが他の言語へ転移すること、合成データの実験でも同様の構造が再利用されることが報告されています。
説明検出から予測へ：吃音音声の連続的な発症予測
要約本論文は、吃音予測を連続的な因果的時間事象予測として定式化し、モデルが直前の音声のみを用いて100ミリ秒ごとに今後の吃音発症のリスクを推定します。FluencyBank Timestamped の36名の話者データを、人手で確認した反復・引き伸ばし・阻害の注釈で拡張し、2,872件の予測事象を作成しました。凍結した Whisper-large-v3 の音声表現に、約367万の学習可能パラメータを持つ小型の因果的 Conformer を組み合わせ、AUROC 0.63 を達成しています。
説明一度作成して何度も計画する：単一のシーンから再利用可能な視覚計画システムを構築
要約本論文は、ドメイン仕様と解答のない練習用シーン1つから、学習なしで再利用可能な知覚・計画プログラムを構築する枠組みを提案しています。視覚言語モデルがレンダラと動的モデルを用いて、描画結果との比較や模擬行動の結果検証によりプログラムを改良します。その後プログラムは固定され、新しい問題インスタンスをVLMの再呼び出しなしで解きます。二次元・三次元、離散・連続状態を含む15のドメイン変種で、平均計画成功率は99.3%と報告されています。
説明Spectral-MoE：稠密モデルからMoEへの変換で層ごとに専門家の利用率を配分する新手法
要約本論文は、事前学習済みの密なフィードフォワード層（FFN）のニューロンを専門家に分割し、各層の有効な専門家の利用率を層ごとに不均一に配分する Spectral-MoE を提案する。静的手法（トークン間で共有される層ごとのスカラー）と動的手法（トークンごとのスケジュール）の2種類がある。論文は、解析的手法と学習的手法の双方で、いずれの配分法も一律配分より性能が高いと報告している。
説明構文ヘッドはモデルの振る舞いに影響するのか？
要約本論文は、Transformer言語モデルにおいて動詞と主語の関係など構文関係に特化した注意ヘッドが、モデルの構文予測に因果的な役割を果たすかを検証しています。ヘッドに主語以外の干渉名詞へ注意を向けさせても、予測は依然として主語に沿う傾向がありました。専門的な構文ヘッドへの介入は、提案された2つの指標のうち一方でのみ、ランダムなヘッドへの介入より有意に強い効果を示しました。
説明エージェントの自己認識：知ること、行動すること、保持することの整合
要約本論文は、タスクが解けそうに見えても前提条件が欠けていたり、要件が矛盾していたり、実行中になって初めて障害が判明したりする場合のAIエージェントの振る舞いを扱います。タスクが許容する内容と、エージェントが実際に解決できる内容を区別する「エージェント自己認識（ASA）」を提案し、可能性の判断、妥当な行動、再検討への応答を整合させます。Terminal-Bench 2.1と小売τ²-benchで実行可能なタスクと遮断されたタスクの組を構築し、M0〜M3の評価基準で障害の認識と、正しい理由に基づく認定済みの保留行動を区別しています。ベースラインでは障害認識率は84.4%でしたが、厳密な自己認識は40.6%にとどまりました。モデル重みを更新しないハーネス探索により、厳密な自己認識は93.8%まで向上したと報告されています。
説明理論レベルの自動形式化における定義のグラウンディング
要約LLMベースの自動形式化システムは、形式検証済みのLeanコードを非常に速く生成できるようになった。本論文は、定義の形式化を継続的に評価・修正する「定義のグラウンディング」を提案し、形式化の品質を確保する方法とする。教科書の本文から形式化された定義は、後続の命題で使えないことが多く、すべての後続命題と互換性があるのは25%から50%にとどまった。非形式的な定義を明確化すると、全モデル平均で77.5%まで改善した。
説明REPORT-OPS：HPC向けの証拠誘導型レポートシステムと人手監督による方針改善
要約本論文は、高性能計算（HPC）施設の運用レポートを作成するハイブリッド型エージェントREPORT-OPSを提案します。大規模言語モデルが依頼の解釈、証拠収集の計画、報告書の作成を担い、作成者が定めた運用方針と自動チェックが証拠で結論を支えられるかを判断します。68件のクエリでのPass@80は68.63%で、最も強い検索ベースラインの7.02%を上回りました。
説明不動点曲線に沿って：連続思考機による画像分類
要約本論文は、連続思考機（CTM）がImageNetの画像をどのように分類するかを調べたものです。思考ステップは引き寄せ型だが強く非正規な写像であり、学習によって非正規性が高まること、神経状態には局所的に一意な引き寄せ不動点があり、思考の軌道はそれらの不動点が描く曲線であることを示しています。その運動は画像間でおおむね共通で、注意の配分も概ね汎用的であり、CTMは全ImageNet画像に対して単一の処理戦略を見つけたと結論づけています。
説明近視視覚のための勾配正則化深層学習による画像復元手法
要約近視による球面デフォーカス収差は、細かな空間的ディテールの知覚を妨げます。本研究では、二次ゼルニケ多項式Z2^0でモデル化した収差を打ち消すようにU-Netを学習し、一定距離で見る近視の人が鮮明に見えるよう画像を事前変換します。学習はKITTIデータセットのみで行い、DIV2KとImageNetで評価しています。古典的な基準手法と比べ、PSNRは1.48〜7.34 dB向上し、知覚的な誤差も大きく下がったと報告されています。
説明協調のギャップを狭める（確率的コミュニケーションの有効性）：行動を伝えるか、較正された確率を伝えるかの比較
要約本論文は、異なる私的情報を持つ複数のLLMエージェントが協調する際の伝達方法を研究しています。行動のみを伝える方式と、較正された行動への確率的信念を伝える方式を比較し、交換される予測が較正された不確実性を保つ場合は、確率の伝達が優れることを理論と実験で示しています。確率に偏りがあると利点が失われるため、その偏りを補正する事後の対話的較正手法を提案し、小規模モデルと事前学習済みLLMで効果を検証しています。
説明PREFER：プレイヤー体験からパーソナライズされたゲーム改善へ
要約本論文は、心理測定質問紙に由来する共通の体験次元を用いて、大規模言語モデルがゲーム体験をどう評価するかを測定し、ペルソナごとにゲームを改善するフレームワーク PREFER を提案しています。改善目標の選定、ルールと実装の修正、試遊による体験変化と予測される嗜好向上の確認を行います。5つのペルソナによる実験では、最も強い比較基準より、プレイ後の嗜好評価の平均が9.2%高い結果が示されています。
説明分離型ドリフト拡散ワールドモデル：一貫性のある将来フレーム予測
要約本論文は、行動系列を条件として将来の画像フレームを予測する分離型ドリフト拡散ワールドモデル（D3WM）を提案している。Transformerで決定論的な次状態予測と空間的な不確実性マップを同時に出力し、そのマップで条件付き拡散過程を誘導する。確定的な領域は予測状態に固定され、遮蔽解除や動的なテクスチャなどの不確実な領域は拡散過程でサンプリングされる。ロボットの卓上操作とカメラ運動の二種類の行動空間で、有力なベースラインより良い結果を示したとされる。
説明完全データの因果発見における識別可能性の結果を欠損データの設定へ一般化する研究
要約完全データ向けの因果発見手法は成熟している一方、欠損値を扱う手法はなお限られていると指摘しています。本論文は、非ランダム欠損を含む様々な欠損の種類のもとで因果グラフが利用可能なデータ分布から一意に定まる（識別可能である）ための一般的な十分条件を示し、完全データ向け因果発見アルゴリズムの正しさの保証を欠損データの設定へ拡張する枠組みを提供しています。未観測交絡がない場合、欠損メカニズム同士が因果的に相互作用せず、変数が自身の欠損を直接引き起こさず、かつ欠損メカニズムに忠実性が成り立つか一般化線形モデルに従うとき、識別可能性は保たれることを示しています。これに基づき、加法的ノイズモデルに対して漸近的に正しい2つのアルゴリズムを提案しています。
注目点完全データの因果同定可能性を欠損データ設定へ拡張し、十分条件と漸近的に正しい2つのアルゴリズムを示しており、理論的貢献は堅実である。
説明Titan-Llama：事前学習済みLLMに外部ニューラルメモリを後付けする手法
要約本論文は、事前学習済みのアテンション型言語モデルを一から学習し直すことなく、階層型メモリ構造を後付けする後学習手法「Titan-Llama」を提案している。直近のトークンには完全な精度のアテンションを保持し、過去の文脈は固定サイズの再帰型ニューラルメモリモジュールに圧縮する。Llama-3.2-1B-Instruct において QuALITY と LongHealth で精度が向上し、一部の推論速度とメモリ使用量の改善も報告されている。
説明予算制約付き文書選択のカバレッジ後悔を、適応的層別監査の下で有限サンプルにより認証する研究
要約クエリ分布が未知の場合に、予算制約のある文書断片の集合（検索拡張生成システムの知識ベースなど）を選ぶことで、最良の実行可能な選択に対して期待クエリカバレッジがどれだけ失われるかを検討しています。著者らは、データ依存の選択の後でも成り立つ、分布に依存しない有限サンプルの上側信頼限界をこのカバレッジ後悔に対して構築しています。主な結果は、保持されたすべてのカバレッジ対比に対する同時的な境界であり、経験的ベルンシュタイン分散較正により観測可能になります。シミュレーション研究で有効性が確認されています。
説明DualView：汎用証拠と出力固有の証拠を活用したLLMベースの多出力テキスト回帰
要約本論文は、LLMを用いた多出力テキスト回帰を効率的に行う手法DualViewを提案している。凍結したLLMから汎用表現と出力固有の表現を抽出し、二分岐構造でスコアベクトル全体を出力する。5つの異種回帰タスクと最大122BまでのLLM 8種で評価され、七つの教師あり回帰ベースラインを上回り、最も強い三つのベースラインより82〜1842倍少ない学習パラメータで動作する。
説明言語モデルの稀少事象推定のための重み付きアンサンブル・サンプリング
要約大規模言語モデルの稀でも深刻な失敗は、実運用の規模では実際上重要になりうる。直接的なモンテカルロ・サンプリングによる確率推定は非効率で、提案分布を用いる手法は通常、別の提案分布を補助的に学習する必要がある。本論文は学習を要しない重み付きアンサンブル（WE）枠組みを提案し、元の言語モデルのみからサンプリングする。目標の稀少事象に到達しやすいと思われる接頭辞へ、サンプリング予算を定期的に再配分する。理論解析を提示し、安全性関連タスクでの実験により効率と信頼性の向上を示している。
説明LidarVerse：タスクとセンサーを横断するリアルタイム統一LiDARワールドモデル
要約本論文は、センサーシミュレーションのためのリアルタイム統一LiDARワールドモデル LidarVerse を提案している。再構成ベースの手法（シーンごとの最適化が必要）と生成的手法を、単一の条件付き生成フレームワークに統合している。LiDARプレフィックス、HDマップ、空間キャッシュなどを条件として、新しい世界の生成、点群の予測、観測済みシーンの再シミュレーションを行える。単一のH100 GPUで11 FPSのリアルタイム推論が可能で、32・64・128ビームのLiDARに対応し、未知の走査パターンへも汎化するとされる。
説明埋め込み幾何がLLMルーティングに与える影響：失敗モードの分析と汎化性能の改善
要約本論文は、複数の大規模言語モデルの中からプロンプトごとに適切なモデルを選ぶルーティング問題を扱います。意味埋め込みと軽量な分類器を組み合わせる従来手法は、分布内では安定して動作する一方、未知のタスクへの汎化に苦労することを示しています。著者らは、Qwen2.5-7B-Instruct の深い層における最終トークンの隐れ状態を表現として用いることを提案し、kNN などの単純な分類器がコスト係数の全体平均で性能を向上させ、評価した全ての意味埋め込みベースラインを上回ることを報告しています。また、RouterBench で近年の隠れ状態ベースのルーターをも上回ったとしています。
説明FireGraphNet：有向グラフニューラルネットワークによる日内山火事延焼予測
要約本論文はFireGraphNetを提案し、今後12時間の延焼を有向H3グラフ上のノード分類として定式化する。エッジには風向、地形、燃料の連続性、障壁などを組み込む。カリフォルニアの衛星火災境界での試験では、最も強い距離ベースラインの約1.7〜1.9倍の平均適合率を示し、燃料や障壁の編集による介入分析にも拡張されている。
説明NEPSEE：ネパール語感情分析のための二重アノテーション基準データセット
要約本論文は、二人の注釈者が同じ文を互いに独立して注釈したネパール語感情分析ベンチマークを構築したものです。極性が一致した3,189文を用いた三クラス評価では、NepBERTaとIndicBERTv2のマクロF1がそれぞれ0.877と0.867で、三つの商用大規模言語モデルはゼロショットで0.882から0.896でした。さらに、一部のネパール語BERTモデルの既定トークナイザがデーヴァナーガリーの母音記号などを削除する問題も示され、それを復元するとNepBERTaのマクロF1は0.084向上しました。
説明共形認定による適応的計算：科学画像データで保証付きの計算量削減を行う手法
要約医療や天文などの科学画像は、自然画像より桁違いに大きく、腫瘍や天体現象などの対象は背景に比べてまばらに分布している。本論文は、低解像度で予測した後に共形リスク制御で信号を認定し、認定された予測だけを精緻化する「Conformal Adaptation」を提案している。3次元医用画像セグメンテーション、2次元銀河フラックス予測、1次元カルシウムスパイク率予測の各タスクで評価され、一般的なCPUを含め2.5〜72倍の実時間高速化が報告されている。
説明AIエージェントはなぜ協力するのか：マルチエージェント協力の逆向き推定
要約本論文は、特定の協力関連行動を示すAIエージェント群の理由を逆向きに推定する枠組みを提案しています。利他的な選好と自己利益に基づく道具的な協力といった異なるメカニズムを区別し、それらの説明を切り分けられる実験設計と条件を示しています。さらに、この枠組みをシミュレーション環境におけるフロンティアモデル群の相互作用に適用し、モデルごとの行動が実質的に異なるメカニズムから生じていることを示しています。
説明拡散正則化Stein変分勾配降下法による構造を考慮したベイズ全波形インバージョン
要約全波形インバージョン（FWI）は地下の高分解能速度モデルを再構成する手法ですが、非線形性が強く不適切問題です。本研究は、粒子ベースのベイズ枠組みASVGD-FWIに学習済み拡散モデルを暗黙の正則化として導入し、粒子を妥当な速度モデルの分布へ導きます。拡散事前分布の密度は明示的に評価しません。数値実験では、平均モデルの地質学的整合性が向上し、非物理的アーティファクトが抑えられ、構造が複雑で制約の弱い領域に不確実性が集中する結果が示されています。
説明評価方法がわからないとき、どう評価すべきか？基盤言語モデルのベンチマークに信頼できる設定を選ぶ
要約本論文は、大規模言語モデルの評価における設計上の選択を扱い、タスクの定式化や文脈内例の数などの8つの側面を検討しています。単調性、非ランダム性、中間チェックポイント間での評価スコアの順位一貫性という3つの指標で各設定を比較しました。2Bパラメータの単言語モデル26個と、7B以上の大規模モデル3個を、4言語・80タスクで評価しています。複数のプロンプトの使用は一貫して有用であり、タスクの定式化はモデル規模によって結果が異なると報告しています。
説明HERO：実行証拠を活用したテスト時改良とプロンプト最適化によるプログラム生成
要約本論文は、テキストから SQL や Python などのプログラムを生成する大規模言語モデルの性能を高めるため、HERO という手法を提案しています。まず実行で検証された成功例と失敗例から再利用可能なプロンプト更新を学習し、採用前に検証します。テスト時には、生成されたコードを実行フィードバックで改良します。SQL、Cypher、Python の四つのベンチマークで、HERO はオフライン性能が最も高く、初期プロンプトより pass@1 を 7.6 ポイント向上させ、テスト時の改良でさらに 2.0 ポイント向上し実行効率も改善しました。
説明幾何的リチャージを伴う戦略的待ち行列における学習：バンディットからシステムまで
要約本論文は、各キューが未知のサービス率をもつサーバを選ぶために無後悔学習を用いる、自己利益的で近視眼的なエージェントとして振る舞う待ち行列でのパケット経路制御を研究する。各サーバは単一パケットのバッファをもつと仮定される。単一キューについては、任意の無後悔学習者の長期平均スループットがサーバ速度のHamacher和以上であり、その下界が厳密であることを示す。多キューの場合には、無後悔学習の下で安定性を保証する最小の過剰供給係数が1/(1-λmax)であることを示している。
注目点キューのルーティングを幾何的リチャージ付きバンディットとして定式化し、ハマッハ和の紧い下限と0.77競争比を証明して既存上界を改善。
説明局所的な有害共変量シフト検出による低信頼度患者プロファイルの診断
要約本論文は、二つの視点を組み合わせた診断パイプラインを提案しています。まずMED3paで解釈可能な低信頼度の患者プロファイルを発見し、その各プロファイル内でDetectronを用いて、性能低下が検出可能な有害な共変量シフトと関連するかを検定します。MIMIC-IVの三つの臨床予測タスクと三種類の注入サブグループシフトによる実験では、全体レベルでは検出できなかった年齢シフトが、特定の性能低下プロファイルに局在することが示されました。
説明生成型コミュニケーションのための多系統認知ステアリング：多モーダル文脈とモデル制御で、短い入力から利用者の真の意図を復元する研究
要約論文は、略語入力は素早く打てるが、AIに誤解されやすいと指摘します。著者らは、多モーダルな文脈を大規模言語モデルに与え、AI制御手法を組み合わせる「認知ステアリング（Cognitive Steering）」の枠組みを提案しました。模擬略語ベンチマークでは、上位5候補の展開精度が最大約88%に達し、文脈なしの基準の約2倍でした。さらに、場面の物体は明示的なテキストプロンプトで、感情などの抽象要素はモデル内部の活性化を直接操作する方が効果的だと示しています。
説明自己生成した回答から学ぶ：推論のための信頼性-不確実性自己蒸留
要約本論文は、参照解答や問題固有の採点基準がなくても、同一モデル自身の解答を学習材料として使う信頼性-不確実性自己蒸留（RUSD）を提案する。教師モデルは問題と完成した解答を見て、生徒モデルは問題のみから教師のトークン単位の予測に合わせて学習する。各解答の蒸留損失は、自己評価器のスコアと確信度から推定した信頼性と、生徒の予測不確実性を加算的に組み合わせて重み付けされる。著者らは11の推論ベンチマークで平均精度が5つのベースラインを上回り、Qwen3-4Bで70.47%、Qwen3-8Bで76.69%に達したと報告している。
注目点自己蒸留で自己評価の信頼性と学生の不確実性で損失を重み付けする有意義な組み合わせ。11の推論ベンチマークで5基線を上回り、根拠は比較的充実。
説明検証が能力差を振り分け判断に変える：臨床文書向け小型言語モデル
要約本論文は医師と患者の対話から臨床記録を生成するタスクを扱い、捏造された検査値が患者安全上のリスクになる点を重視しています。著者らは四つの評価器からなる検証体制と修正方針を固定し、QLoRAアダプタ付きの4Bパラメータ小型モデルと最先端のベースラインモデルの生成器のみを入れ替えて比較しています。小型モデルは主張レベルの事実含意で0.984（ベースラインは0.992）、完全性はわずか3.3ポイント差で、すべて端末上で生成できました。不足は主に章間の構造的な忠実性にあります。
説明評価指標のメタ評価：多言語スタイル個人化生成のための指標の見つけ方
要約本論文は、指標と人手評価の相関だけで評価指標を測ることは適切でないと指摘し、人手評価を予測する回帰ベースのメタ評価手法を提案しています。比較の基準として定数平均ベースラインと人間同士の一致度を用いています。10言語、4つの評価観点からなる多言語スタイル個人化テキスト生成ベンチマークを構築し、3種類の指標32個とそのアンサンブルを40の評価設定で検証しました。その結果、人手評価に合わせて校正すると、単純な文字列・埋め込みベースの指標もLLM評価器に匹敵しうることが示されました。
説明ListQA：大規模言語モデルのリスト形式事実知識検索を評価するベンチマーク
要約本論文は、人手で作成・相互検証された9,045問からなるベンチマークListQAを提案します。モデルに複数の事実を想起させ、3～10要素の構造化リストにまとめる能力を測定します。34モデルを評価した結果、標準推論の最良モデルのLLM-Judge-F1は37%未満でした。ソースのWikipediaページを与えると得点が大きく向上し、パラメータだけでは事実の検索が難しいことが示されています。
注目点複数事実を構造化リストで想起させる新ベンチマークを提案し、34モデルを二部マッチングとLLM評価で比較しており、根拠は比較的充実している。
説明定性テキストから統合的エビデンスへ：並行後統合（PTI）手順
要約本研究は方法論的研究で、同じ定性コーパスの二つの計算的表現を統合するための四段階の「並行後統合（PTI）」手順を提案します。ネパールの29人の母親による1,203件のインタビュー段落を用い、オントロジーに基づく患者の声（PV）コーディング（PVminer）と、非負値行列分解（NMF）によるデータ駆動型テーマを比較し、一致と相違を対応表で記録しています。
説明「Into the Unknown」：未解決の科学研究課題でAIエージェントを評価するベンチマーク
要約本論文は、AIエージェントに科学論文と研究方向を与え、続編論文の執筆を課す「Into the Unknown」というベンチマークを提案している。米国エネルギー省（DOE）国立研究所の科学者が、未発表の続編研究方向と投稿に必要な条件を提供し、それを評価基準として用いる。9つの最先端エージェントが計135本の論文を執筆したが、全条件を満たしたものはなく、114本は完全性チェックに不合格だった。主な原因は、実施していない作業を主張したことや、記録された証拠と矛盾する数値を報告したことである。
説明DivAlgo：コード生成モデルのアルゴリズム多様性を体系的に評価する研究
要約本論文は、プログラミング課題に対するアルゴリズム的に多様な解法を大規模に集めた DivAlgo ベンチマークと、大規模評価を可能にする軽量な類似度指標を提案している。24 の最新コード生成モデルを検証した結果、制御なしで生成されたコードは人間の解法より多様性が著しく低く、人間の多様性のおよそ 31% しか捉えられなかった。最良の多様化戦略でも約 70% にとどまった。モデルを人間の戦略に沿って誘導することはできたものの、人間の解法の多様性は再現できなかった。著者らは、モデル生成コードへの過度な接触がプログラマーのアルゴリズムの語彙を狭める可能性にも言及している。
説明アイオワ州のエンドウ育種を支える農学的特性と無人機による時系列表現型解析
要約本研究は、アイオワ州でPI系統17点とカナダ品種7点の農学的特性と種子収量を評価した。系統は表現型や群落形質に遺伝的多様性を示し、カナダの優良品種はアイオワの条件で高い収量性を示した。無人機から得た時系列の群落面積は、各種群落指標の中で収量との相関が最も高く（r = 0.63）、表現型選抜に適していると報告されている。
説明専門家の手順を検証可能なプログラムにコンパイル：小型モデルで十分な場合
要約本論文は、教師モデル（Kimi-K3）の推論トレースから明示的なプログラムを構築するPLVR手法を提案し、重みを変更せずに8Bモデルを含む小型の凍結モデルで実行します。tau2-Bench（Retail・Telecom）およびLiveMCPBenchでの評価では、Telecomの課題においてGranite-4.2-8Bの正解率が43.0%から91.2%に向上し、基盤モデル間の差も縮小したと報告されています。
説明「オンポリシー蒸留の再検討：教師の優位性はどこにあるのか」：学生の生成軌跡における教師修正による精度向上を分析する論文
要約本論文は、学生モデル自身が生成した軌跡上で教師が監督を行う、オンポリシー蒸留（OPD）を検討したものです。学生と教師の予測が食い違う箇所でトークンを制御的に反転させ、教師の修正によって得られる精度の向上を測定しています。反復的な反転により精度は28.4%から74.5%に上がり、教師の76.9%に近づいたと報告されています。確率質量やKLに基づく選択は、同程度の回数でランダムな反転より15〜18ポイント高い結果を示しました。著者らは、より価値の高い教師修正を学習しつつ分布の安定性を保つ学習スケジュールを提唱しています。
説明グラフデータベース内でのグラフニューラルネットワークの学習と推論に向けて
要約大規模グラフ上のグラフニューラルネットワーク（GNN）は、通常、学習と推論の双方で、メモリ上のグラフ格納と場当たり的なデータ処理パイプラインに依存しています。本論文は、GNNの学習と推論をグラフデータベース上で直接行うことを検討し、サンプリング、特徴量の取得、さらには順伝播の全体までをCypherで実行できることを示しています。提案する最適化により、精度を保ったまま学習が約2.5倍高速化され、実グラフ上ではデータベース内での推論が、グラフをRAMへコールドロードする場合より10倍以上速く、追加のメモリ負荷もないとしています。
説明線形時間で最適な遅延を実現するオンライントークン化
要約トークン化は、ほぼすべての大規模言語モデルに欠かせない前処理ステップであり、代表的な BPE 方式は特殊トークン分割、事前トークン化、バイトペア符号化からなります。本研究はオンライントークン化を形式化して解決し、出力が最適解からどれだけ遅れるかを表す「遅延」の概念を導入しました。定数倍を除いて最適な遅延を持つ、ほぼ線形時間のアルゴリズムを示し、P=NP でない限り多項式時間でこれを定数倍以上改善できないことも証明しています。tiktoken や HuggingFace tokenizers 向けの実装では、初トークンまでの遅延とスループットが既存手法より改善されたと報告されています。
注目点オンライントークン化を定式化し、最適遅延を持つ準線形時間アルゴリズムと条件付き下界を示す。実装は遅延とスループットで大幅な改善を示す。
説明MA-Bench：言語モデルの作戦計画能力を測る評価基準
要約本研究は、軍事作戦計画の最初の段階である「任務分析」を基に、大量で不完全かつ一部矛盾する文書群を、言語モデルがどれだけ計画の要約にまとめられるかを測るMA-Benchを提案しています。10の専門家作成シナリオに、10〜12文書の資料と、専門家が記述した1,257件の合否要件が含まれます。評価の結果、最良のモデルは評価項目の62%に正答し、文書に明示された事実では58%、推論が必要な判断では33%でした。
説明異種AIモデルのグラフベース編成：制御ノードによる複合知能の実現
要約本論文は、複数のAI手法を統合して複雑な問題に対処する複合AIシステムのためのグラフベースの枠組みを提案しています。計画、機械学習、制約プログラミング、大規模言語モデルなどを、専用の制御ノードで編成するアーキテクチャを説明しています。有向非巡回グラフとビヘイビアツリーでモデル間の関係と実行順序を管理し、階層型、逐次型、並行型の組み合わせ方式をサポートします。著者らは事例研究を通じて、単一モデルの限界を克服する統一的な運用構造が示されています。
説明スチューデント・コピュラ・マルコフネットワーク：非ガウス データ向け確率的グラフィカルモデル
要約本論文は、確率的グラフィカルモデルを非ガウス データへ拡張するものである。コピュラ密度を用いて、無向確率的グラフィカルモデルにおけるペアワイズ・マルコフ性を特徴づけ、その特徴づけに基づいて、スチューデント・コピュラ・マルコフネットワークがペアワイズ・マルコフ性を持つための必要条件を導く。罰則付き最尤推定とグラフ選択のために期待値条件付き最大化（ECM）アルゴリズムを提案し、シミュレーション研究により、モデルパラメータの推定と基礎となるグラフ構造の復元に有効であることを示している。
説明CAFE：言語ごとにルーティングされたアダプターに特徴蒸留を限定する、コンパクトな多言語音声認識手法
要約本論文は、コンパクトな多言語自動音声認識における特徴蒸留を扱います。2種類の一般的な特徴損失とタスク勾配の関係を分析し、非英語では単語誤り率を下げる一方、データの豊富な英語を悪化させる理由を説明しています。これを受けて提案されたCAFEは、CKAの勾配を英語が迂回するアダプターに限定します。Open ASR Leaderboardで平均単語誤り率は8.55%から8.02%に下がりました。
説明TRACER：間接プロンプトインジェクションに対するトレース正則化による敵対的訓練手法
要約本論文は、間接プロンプトインジェクションの攻撃成功率が注入内容の提示チャネルに依存することを示しています。同じ攻撃でも、後続メッセージとして与えた場合は18%、検索された文脈に置いた場合は53%で成功しました。著者らはTRACERを提案し、答えに固定され証拠で制御される報酬とATRCを組み合わせて防御を強化します。GSM8KとQwen2.5-3B-Instructでは、RAG形式の攻撃成功率が65.5%から6.1%に低下し、クリーンな精度は78〜82%を維持しました。
説明Plant Memory：SAP PM作業指示書から得た故障知識をエージェントが利用できるようにする仕組み
要約本論文は、SAP設備保全（PM）の作業指示書を技術言語処理（TLP）で解析し、ISO 14224に沿った保全オントロジーを構築するシステム「Plant Memory」を提案します。各抽出事実には信頼度、根拠となった原文、検証状態が付与されます。規則ベースの抽出を主とし、大規模言語モデルは第二の読み手として不一致を審査優先度に反映します。合成データ400件の試験では、部品の正解率96.2%、故障モードの正解率88.9%、28問の診断質問で本体が上位に挙げた根本原因の正解率は82.1%でした。
説明幾何学的ホライズンモデルで目標を想像し、方策の汎化を高める
要約この論文は、オフラインデータで学習した方策が、既存の知識を組み合わせて未見のタスクを達成する零ショット目標汎化で不十分な点を扱っています。著者らは幾何学的ホライズンモデルからサンプリングし、既存知識の合成で到達可能な新しい結果を直接想像する TD-Aug を提案しています。それらの将来の結果を目標として目標条件付き BC 方策を学習すると、OGBench の接合型タスクで汎化が大きく改善したと報告されています。
説明CLASHarness：制御可能で検証可能な生成パイプラインによる、コンピュータ操作におけるマルチエージェント衝突のベンチマーク
要約本論文は、検証可能なマルチエージェント衝突シナリオを生成する制御可能なフレームワーク CLASHarness を提案し、600件の多段階タスクからなるベンチマークを提供します。階層的シナリオ計画と8段階の検証パイプラインを組み合わせ、レンダリング前に決定的な視覚的事実を確定し、実行済みの参照軌跡からコードと意味的な採点器を生成します。15の先端モデルの評価では、弱いモデルは誤解を招く情報を盲目的に信じやすいこと、衝突の発見より解決の方がはるかに難しいこと、調整プロトコルが共通の課題であり、先端モデルでも終了動作の58%超で失敗することが示されました。
説明PairIT：少量データ向け分子最適化のための自己回帰型Transformer
要約本論文は、SMILES系列上で学習する自己回帰型Transformerのための柔軟な学習枠組みPairIT（ペアIT）を提案します。構造が似た分子のペアから学習することで、与えられた種分子（シード分子）から、目的の性質を改善する局所的で化学的に妥当な修飾を生成します。プロンプトトークンで対象性質・変化の方向・おおよその幅を指定でき、複数の性質を同時に最適化することも可能です。MoleculeNetとTherapeutics Data Commonsのデータセットにおいて、約6,800万パラメータの標準的なTransformerがデータの少ない状況でも安定して分子最適化を行えたと報告しています。
説明軌道上での学習：宇宙機に搭載した熱セグメンテーションモデルによるオンボード訓練と閉ループ姿勢制御
要約本論文は6UキューブサットでNVIDIA Jetson TX2 NX GPU（宇宙空間）上の熱画像セグメンテーションモデルを、軌道上で訓練・推論し、そのモデルを使ってリアルタイムの熱画像から月を捉えるよう姿勢を閉ループ制御した飛行実証を報告しています。データ転送にはROS 2 Foxyを、データ整合性と自己修復機能を備えたオープンソースのファイルシステムを組み合わせています。約1年間で衛星上で12回の実験を行い、低軌道の計算・環境制約下でも学習ベースの仕組みが信頼して動作することを示しました。
説明注意機構を保持するMLPトリミングによる推論言語モデルの構造化剪定
要約本論文は、勾配計算も再学習も不要な構造化剪定手法LayerTrimを提案します。冗長なデコーダ層を特定し、そのMLP特徴を選択的に削減する一方、注意機構とデコーダの深さは保持します。3つの推論言語モデルと5つのベンチマークで、ほとんどの設定において既存の構造化剪定手法を上回り、RESPと比べて平均精度が最大21.4ポイント向上しました。Qwen3-14Bでは、密なモデルと比べて預充填が1.24倍速く、ピークGPUメモリは19.7%削減されました。
説明DoReMe：ガウススプラッティングを用いた自己ナビゲーション型自由呼吸腹部MRIの再構成と動き推定の二重最適化
要約本論文は、自己ナビゲーション型の自由呼吸腹部MRI撮像に対し、再構成と動き推定を結合するアルゴリズムを提案している。呼吸による動きをコンパクトなガウス基本要素で表現し、反復再構成の中で画像推定と同時に最適化する。事前に推定した動きの場や外部の呼吸信号は必要としない。健康なボランティア4名のグラディエントエコーデータでは、正則化圧縮センシング再構成と比べ、特に冠状断の肝臓画像で視覚的な画質が向上し、撮像時間を後から短縮した場合にも解剖学的構造がよく保たれた。
説明DecisionRobust：テキストと画像にわたるJEV型意思決定モデルの頑健性ベンチマーク
要約本論文は、テキストおよび画像入力に対するJEV型意思決定モデルの頑健性を体系的に評価するためのベンチマーク「DecisionRobust」を提案しています。意味を保った文章の摂動、画像の摂動、両モダリティにおけるプロンプト注入攻撃を扱い、テキストタスクで30、視覚タスクで17のモデル構成を評価しています。主な知見として、攻撃は構築・選定に用いたモデル以外にも脆弱性を露呈すること、入力摂動への耐性はプロンプト注入への耐性を必ずしも意味しないこと、そしてラベル一貫性の検証によって測定上の攻撃成功率が大幅に下がることが示されています。
説明Genesis Steering：学習データを活用した活性化ステアリングの改善
要約本論文は、モデル自身のファインチューニングデータ内の対照的な例から genesis ベクトルを導出する genesis steering を提案します。学習データが入手できない場合は、メンバーシップ推論（membership inference）の手法で学習例らしいデータを特定し、代理データセットを構築します。Tülu-3-8B では、学習データ中の安全性データが外部データセットより強いステアリング効果を示しました。
説明コピーから構成へ：言語モデルが文脈内学習を獲得する仕組み
要約本論文は、言語モデルがプロンプト内の指示や例から振る舞いを適応させる文脈内学習（ICL）の獲得過程を調べています。近くの例をコピーすることと、プロンプト全体の情報を統合することを区別する制御された診断課題を用いています。17のモデルを対象に、規則に沿った回答を選ぶモデルが多いことを示し、訓練の違いによって能力の発達経路が異なることを報告しています。
説明マルチモーダル大規模言語モデルの空間推論をデータ中心の視点から理解する試み
要約本論文は、事前学習済みのマルチモーダル大規模言語モデル（MLLM）を空間推論タスク向けに微調整する手法を、教師あり学習から強化学習まで整理したサーベイです。使用データセットに重点を置き、構築・モダリティ・アノテーション・評価の観点から研究を3つに分類しています。空間アノテーションの構築には、ルールとテンプレート、LLMプロンプティング、手続き的生成、ヒューマン・イン・ザ・ループの4つの主要な方法があると指摘し、評価方法のばらつきや今後の研究の方向性も示しています。
説明多数の治療法に対する個別化治療ルール学習のための非線形教師ありクラスタリング法
要約本論文は、治療法が多く各群の観測数が限られる状況で、個別化治療ルール（ITR）を学習する方法を扱っています。著者らは、共有される非線形の共変量表現と低次元の治療埋め込みを用い、反応が似た治療法をまとめる非線形教師ありクラスタリング融合（NSCF）を提案しています。非線形のシミュレーションでは、強力なニューラル参照法より後悔（regret）が小さく、メラノーマの異種移植への応用でも参照法より方策価値が向上したと報告しています。
説明文脈クレジット方策最適化：大規模言語モデル・エージェントのステップごとの学習信号を改善する手法
要約本論文は、長い手順のタスクで大規模言語モデル・エージェントが疎な結果報酬しか得られない問題を扱い、文脈クレジット方策最適化（CCPO）を提案します。同じ観測を持つ他の軌跡の事例を文脈の類似度で重み付けし、履歴クレジットと短期的な将来クレジットを組み合わせて、各ステップの進展を評価します。Qwen2.5-Instruct の 1.5B と 7B で実験され、ALFWorld で最大 97.4%、WebShop で 79.4% の成功率を示し、GRPO を上回りました。アブレーション実験では、文脈重み付けが一様重み付けより優れ、二つの信用信号は相補的であることが示されています。
説明差は幾何にある：空撮・リモートセンシング動画理解の多面的な一貫性メタ分析
要約本論文は、マルチモーダル大規模言語モデルにサンプリングしたフレームへの選択式問題を出し正答率を報告する現在の評価方法が、重要な側面を測定していないと主張します。公表された多数の結果を整理したメタ分析では、パラメータ規模の拡大による正答率向上は人間との差に比べて小さく、高度・視点・対象の大きさなどの撮影条件が知覚性能をより大きく左右すると示されています。著者はこれに基づく五つの検証可能な原則と、航空動画ベンチマーク報告用の AVU-Card を提案しています。
説明GroundGUI：高品質データと蒸留から強化学習へのGUIグラウンディング手法
要約本論文はGUIエージェント向けに、デスクトップ、Web、モバイルを対象とした参照表現グラウンディングデータセットScreenRef（約58.6万枚のスクリーンショットと63万件以上の指示表現）を提案しています。また、蒸留から強化学習へのD2RL手法を導入し、それを用いてGroundGUI-8Bを訓練したと述べています。原文によると、ScreenSpot-V2で95.2%、ScreenSpot-Proで63.9%の結果が報告されています。
注目点大規模なGUIグラウンディングデータセットScreenRefと蒸留から強化学習への手法を提案し、複数ベンチマークで高い成績を示し、この分野に実質的な貢献をする。
説明『似たモデル、崩れたオッズ：Chatbot Arena で Luce の公理が破綻する場所』：論文解説
要約本論文は、Chatbot Arena が Bradley-Terry モデルで各モデルに一つのスコアを与えており、それが Luce の選択公理を前提としていることを指摘します。180 万件の投票を分析した結果、近似したモデル同士の比較は Bradley-Terry の予測より明確に区別される傾向があり、同一モデルの版間では約 1.37 倍、同世代の規模違いでは約 1.26 倍、同一研究所のモデル間では約 1.12 倍でした。また、4〜6 個のパラメータによる修正は主に引き分けのモデル化によって予測を改善し、ランキングの順位はほとんど変わりません。
注目点選択公理の破れという理論的予測をChatbot Arenaの大規模投票で検証し、類似モデル間で判定が決定的になることを示し補正モデルを提案。保留データと頑健性検査で裏付ける。
説明DexMimic：価値誘導リセット配分による汎用的な器用な手-物体追跡ポリシー
要約本論文は、個別の軌道ごとに専用ポリシーを学習する従来手法に代わり、多様な手-物体インタラクション軌道で共同学習する汎用的な器用な手の追跡ポリシーDexMimicを提案しています。中核となる価値誘導リセット配分（Value-Guided Reset Allocation）は、学習不足の段階を優先し、追跡の期待リターンが高い初期状態を選ぶよう初期化分布をオンラインで調整します。さらに訓練・微調整・汎化を扱うベンチマークを導入し、追跡成功率と訓練効率の向上、実機プラットフォームでの検証を報告しています。
説明露光後ベーク(PEB)シミュレーションのための大域時間スペクトルDuhamel-Picard法と、EUVリソグラフィ向け物理情報ニューラル演算子
要約本論文は、多項式展開で解の時間軸全体を表現し、Anderson加速付きPicard反復で解く大域時間スペクトルDuhamel-Picard法を提案しています。時間を逐次進める必要がないとされています。著者らは1200×1200×100ボクセルの3次元PEBシミュレーションを約1分で実行できると報告しています。この表現は物理情報ニューラル演算子(PINO)にも組み込まれ、事前計算した解の軌跡なしで学習でき、ベーク区間内の任意時刻の濃度場を予測できるとしています。
