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Darwin-Claw：環境適応型エージェント経験統合フレームワーク
要約大規模言語モデルのエージェントは、多くが独立したセッションで動作し、過去の対話から継続的に学習することが困難です。本論文は、階層的経験統合システムによって細かな誤りの原因を抽出し、動的に更新されるプロトタイプベクトルへ一般化するDarwin-Clawフレームワークを提案しています。人手による整理を必要とせず既存のエージェントシステムに導入できるとし、WildClawBenchでの大幅な性能向上を報告しています。
説明BMuon：構造的圧縮性のために Muon のスペクトル幾何を配分する手法
要約本論文は、Muon オプティマイザのスペクトル幾何を修正し、ブロック間の隠れチャネルが共有の配分予算で競合するようにする BMuon を提案しています。Muon で学習した Transformer は、学習後に MLP の隠れチャネルを剪定すると性能が大きく低下することが示されており、BMuon はその両立を目指します。ImageNet-1K（ViT-S/16）および FineWeb で学習した 1B パラメータの LLaMA 型モデルでは、段階的な構造化 MLP 剪定において BMuon が Muon を上回りました。
説明反復アルゴリズムのデータ適応型いつでも有効なエンベロープを構成する一般的手法
要約本論文は、多くの反復確率的アルゴリズムについて、データに依存した任意の時点で安全に停止できる、随時有効（anytime-valid）かつデータ適応的な境界を構成する一般的な方法を示す。誤差解析は、予測可能な重みを持つノイズ和に対する時間一様な集中性という一つの要件に帰着され、強適応的サブψ条件として定式化される。確率的勾配降下法（SGD）、時間差分学習、Bures-Wasserstein SGDなどへの適用例が示され、数値実験で裏付けられている。
説明成人の腎腫瘤から小児のウィルムス腫瘍へ：MRIによる腎病変セグメンテーションの領域横断汎化の評価
要約研究者は成人の腎臓単一シーケンスMRIで分割モデルを学習させ、成人の保留テストセットと小児のウィルムス腫瘍コホートで評価し、小児専用のnnU-Netと比較した。成人テストセットでの腎病変の中央値DSCは0.86であった。小児コホートでは成人学習モデルが0.85、小児専用モデルが0.90であった。跨領域での性能には一定の可能性があるものの、非劣性は示されず、小児の学習データの価値が強調されている。
説明期待値を超えて：分布的モンテカルロ木探索によるリスク感応型計画
要約従来のモンテカルロ木探索は平均値のみを保存するため、条件付きバリュー・アット・リスク（CVaR）のような裾野のリスクを扱う目的には不向きだと論じている。著者らは有限台の経験分布で行動価値を保持し、CVaRに基づいて行動を選ぶ分布型アルゴリズムCATSOとPATSOを提案している。有限深さの入れ子CVaR計画目標について、n回のロールアウト後のルート価値誤差がO(n^{-1/2})で抑えられることを証明し、平均最適とリスク感応の行動が異なる場合に下側の収益を改善し、壊滅的な結果を減らすことを実験で示している。
説明LiveSync：リップシンク生成のための反復的自己学習手法
要約本論文は、音声駆動でリップシンク（口の動きを音声に合わせる）映像を生成する反復的自己学習フレームワーク「LiveSync」を提案している。まず実写動画と補助的に生成したクリップで学習し、凍結したチェックポイントで擬似ペアを作成して信頼度で選別し、実データと混ぜて同じモデルを再学習する。HDTFでは同期性能が首位で、AIGC-LipSyncサブセットでは基準手法と競合する性能を示し、推論遅延は低いとされている。
説明潜在表現を超えた個人化：LLMによるHRV条件付け個人化の統合で解釈可能なストレス検出を実現
要約本論文は、心拍変動（HRV）の特徴と個人属性を大規模言語モデル（LLM）による意味的解釈によって統合する、LLM強化型の個人化ストレス検出フレームワークを提案している。TILES-2018データセットにおいて、最も強いベースラインに対しMCCが相対で29.9%向上し、個人の生理反応を人が読める形で記述できることを示している。
説明SkillBrowser：スケーラブルなスキル利用エージェントのための選択的スキル提示
要約本論文は、メタスキルで管理されるフレームワーク SkillBrowser を提案し、大規模言語モデルのエージェントが現在必要な能力を特定し、対象を絞った検索クエリを作成して、必要なスキルだけを読み込めるようにします。六つの SRA-Bench サブセットと五つの LLM での実験では、静的検索や LLM ベースの選択より総合精度が向上し、既に解ける事例での精度低下も緩和されました。効果はモデルとタスクに依存し、有用なスキルの呼び出し不足と追加の遅延が主な制約として挙げられています。
説明理由誘導型の人間報酬モデリング：選好ベース強化学習のための研究
要約本論文は、軌跡レベルのフィードバックから人間の報酬モデルを学習する、理由誘導型の選好ベース強化学習（PbRL）フレームワークを提案します。選好ラベルに加え、その行動が好まれる理由を説明する理由タグを取り入れ、学習された報酬が人間の選択とその根拠の両方を捉えられるようにしています。学習された人間報酬は方策最適化の際に環境報酬と組み合わされ、エージェントがより解釈可能で人間の意図に沿った行動を取れるようにします。
説明条件付き独立性を超える因果発見：有向非巡回グラフと有向巡回グラフにおける識別可能性、アルゴリズム、統計的推論
要約本論文は、データから因果構造を学習する方法を扱う総説である。従来の条件付き独立性だけに頼らず、分布の非対称性、条件付きモーメント制約、環境や個体間の変動といった分布の他の性質を利用する現代的な因果発見手法を取り上げる。潜在的交絡やフィードバックがある場合の発見も検討し、母集団レベルの識別可能性、一致性、不確実性の定量化、アルゴリズムの保証を区別している。
説明実行が先、記憶は後：ビデオ世界モデルの記憶の失敗を診断する
要約本論文は、シーンの設定、指示された変化の実行、最後のフレームでの結果を分けて評価するMIST（記憶テスト手法）を提案し、低いスコアが記憶の欠如なのか実行の失敗なのかを切り分けます。その結果、モデルはシーンは設定できても指示された変化を実行できていないことが判明したとされます。著者らはさらに、入力指示の詳細を再帰的に修正するM3-Agentを提案し、MIST揭示スコアを基線の3倍以上に高めたと報告しています。
説明ConvexLLM：凸包音声インターフェースを汎用音声知能へ拡張する論文
要約本論文は、凍結されたテキスト埋め込みの連続的な凸結合で音声を表現するC-Gateインターフェースを備えた汎用音声・音声言語モデルConvexLLMを提案します。VoiceBenchの11タスク総合スコアは75.36、MMAU Test-miniの正解率は62.50%です。MLPおよびQ-Formerインターフェースと比べ、C-Gateは音声言語タスクの総合性能が高く、テキストタスクはMLPに近い結果です。転写と音声理解では、タスクによってトレードオフがみられます。
説明PanoBench：自動運転向けパノプティック占有予測ベンチマーク
要約本論文は、カメラ中心のパノプティック占有予測ベンチマーク PanoBench を提案し、シミュレーションと実世界の運転シーンを対象とします。CarlaOcc、nuScenes、KITTI-360 の3つのデータ系統を統一インターフェースと評価プロトコルで統合し、持続的なインスタンス識別子を持つ多解像度アノテーションを提供します。代表的な手法を語義占有予測、パノプティック占有予測、4D占有予測で評価しています。
説明PreciseEdit：ワンステップ画像編集のための、強く安定した意味輸送手法
要約本論文は、ワンステップのテキストから画像を生成するモデルを用いた画像編集を扱っています。既存手法は全体的な輸送場が信頼できない方向や未編集領域に作用し、構造の歪みや背景のずれを生じさせると指摘しています。提案するPreciseEditは学習もインバージョンも不要な枠組みで、二重ノイズスケールの役割分解により、強い意味輸送を信頼できる方向と位置に限定して適用し、PIE-Benchで最先端の性能を報告しています。
説明ReVision：密な視覚知覚のために画像生成器を再プログラムする手法
要約本論文は、凍結された多モーダル理解モデルと画像生成器を用い、学習可能なパラメータ生成器が画像と自然言語指示から一時的な低ランク更新を生成するReVisionフレームワークを提案しています。セグメンテーション、深度推定、表面法線予測を共通のRGB出力で扱い、タスク間で勾配の不一致が生じることも分析しています。
説明PONDER：正しい順序で生成することを学習する手法
要約本論文は、画像生成器がどの順序で内容を埋めるべきか、またどの先行予測を修正すべきかを学習するPONDER手法を提案している。方策は部分的に生成された標本と生成器の特徴をもとに、次に埋める位置や、後で再生成するために遮蔽する既存の位置を選択し、これを再考（rethinking）と呼ぶ。方策はグループ相対方策勾配で最適化され、Fréchet Inception Distanceの変化に基づくFIDgradという報酬を導入している。生成器を凍結した条件で、学習された順序によりMAR-BのImageNet上のFIDは4.09から2.78に低下し、再考によって2.70まで改善された。
説明EduWild：教師が設定した教育用チャットボットが実際の利用でどう失敗し、どう改善できるか
要約本論文は、教師が設定した217体の教育用チャットボットとの1,726件の会話を集めたデータセット（うち35体の公開ボットの利用者との会話900件を含む）を紹介し、29種類の失敗を分類しています。最も多い失敗は、必要な手順の省略や情報の過剰提示など、教師の意図に従えない点でした。これを踏まえ、上位6種類の失敗に対応するプロンプトベースの仕組みを設計し、200人の大学生を対象とした研究で、会話あたりの対象失敗コード数の平均を65.2％減らしたと報告しています。
説明支持範囲外でも到達可能：未サポートの指示と合成タスクによるインコンテキスト学習
要約本論文は、大規模言語モデルのインコンテキスト学習（パラメータを更新せず少数の入出力例だけで新しいタスクに適応する手法）が、事前学習で扱われていない指示やタスクでも成功しうるかを検討しています。著者らは二種類の分布シフトを区別する理論的枠組みを提示し、例示数が増えたときの識別の働きを分析します。さらに、事前学習でカバーされた部分タスクへ分解される長期タスクについて、誤差の累積上界を論じています。
説明対照的事実証拠：言語モデルの尤度から得る校正済みの事実証拠
要約本論文は、大規模言語モデルが事実陳述に対して抱く確信度を、より信頼性高く推定する方法を検討しています。事実条件と非事実条件の下で同じ主張の尤度を比較する対照的事実証拠（CFE）と、その確率版である対照的事実事後分布（CFP）を提案しています。CFPは校正を大幅に改善しましたが、低リソース言語では各手法の識別力が全体的に弱いことが示されました。そのため著者らは英語の証拠を利用し、事実証拠の方向に沿ってのみ対象言語の主張を揃えることで、識別力と自由記述による事実生成を向上させています。
説明スプーフ検出のためのSSL表現の解釈：WavLMに関する研究
要約本論文は、ASVspoof 5データセットを用いて、音声スプーフ検出におけるWavLMの各層の表現を分析しています。層ごとの線形プロービング、正準相関分析（CCA）による音響特徴との関連分析、層の組み合わせの探索を行っています。その結果、13層すべてを用いるよりも5層を用いる方が良い性能を示すことや、一部の音声品質指標は深い層ほど相関が高まることが報告されています。
説明物語に囚われて：大規模言語モデルにおける物語誘発型の迎合性の評価
要約本論文は、ユーザーの立場を固定し、その正当化の仕方のみを体系的に変えた、10分野500の議論の余地がある問題からなる管理されたベンチマークを構築している。各問題は11の対応条件（中立の基準条件と、対立する2つの立場それぞれについての5段階の鏡像的な物語レベル）で検証され、計5,500の評価事例が作られた。7つの大規模言語モデルを評価したところ、物語によって誘発される同意の度合いには大きな差があった。
説明知覚・解決・推論：時系列LLMにおける能力の段階的形成
要約本論文は、時系列データの知覚、解決、推論の3つの能力を訓練・評価する初のスイート（訓練33.7万件、評価4.4万件）を構築しています。専用エンコーダが不可欠であること、また3つの能力を順番に学習させるほうが同じデータを混ぜて学習させるより優れることを示しています。この知見に基づく4Bモデルは、対象ドメインのデータなしで、8つの域外指標のうち7つで近年の7Bモデル4つを上回ったとされています。
説明密閉空間での水素拡散予測によりオペレーターの状況認識を高める、不確実性を考慮したAIフレームワーク
要約本論文は、海事の密閉空間における圧縮水素バンカリング中の漏洩時に、オペレーターの状況認識を高める二段階のAIフレームワークを提案する。まず初期のセンサー値から未知の漏洩速度を推定し、その後の時間ステップにわたる水素雲の拡散を予測して、信頼区間付きの濃度マップを提示する。独立した緊急停止システムが最終的な安全層として残る。公開データセットでの評価では、漏洩速度推定の平均絶対誤差は0.052 g/s、水素濃度予測の誤差は約0.018であった。
説明LocalIntent：ローカルLLMによる後段互換のスマートビル自動化向け結果別構造化生成手法
要約本論文は、自然言語によるビル制御要求を通常命令と永続ルートに振り分け、生成後に決定的な検証を行う LocalIntent を提案する。2B〜9B のローカル Gemma・Qwen モデルで、101件の非永続要求と54件の永続ルートを評価した。永続ルートでは、汎用の二段階プロンプトと比べ意図理解が 26.4% から 80.6%、動作・パラメータの正確さが 5.6% から 44.9% に向上した。
説明グラスマン多様体上の適応的コンフォーマル予測
要約本論文は、グラスマン多様体の値をとる応答変数に対する回帰のためのコンフォーマル予測枠組みを提案します。多様体上の計量球として予測領域を構成し、基底不変な幾何学的距離を非適合度尺度として用いています。学習された予測困難度推定器によって非適合スコアを調整し、入力に応じて変化する予測領域を得ます。合成ベンチマークと翼型の逆形状設計問題での実験では、幾何を考慮したスコアの利点が示され、強い異分散の場合には目標カバレッジを保ちながら予測領域を大幅に縮小できることが報告されています。
説明ノイズのあるラベルでの学習に現れる位相的特徴：永続ホモロジーでニューラルネットワーク表現の幾何学的変化を見る
要約本論文は永続ホモロジーを用い、ニューラルネットの活性化における輪の構造を追跡し、正しいラベルと誤ったラベルで学習したサブセットの表現の幾何を比較する。CIFAR-10/ResNet-18 では、10エポック時点では差が検出されなかったが、50エポック時点では誤ラベルのサブセットの永続性が高くなった。その時点で誤ラベル例の予測が割り当てられたノイズラベルと一致するのは7〜11%にすぎない。また、五つの手法を比較した別の実験では、平均活性化ノルムの標本内R²が生の永続性より高かった（0.936対0.908）。
説明MuninAI：独立研究グループ向けの自己ホスト型エージェントフレームワーク
要約本論文は、研究グループ自身の文献コーパスと引用グラフを索引化し、利用可能なオープンウェイトモデルを専門的な読解・検索・計算ツール付きのエージェントハーネスで包む、オープンソースの自己ホスト型科学アシスタント Munin を紹介します。199の対応する文献質問で、ハーネスにより基盤モデルの正答率が0.387から0.874に上がったと報告しています。また、質問の元論文をコーパスから除くと、多くの質問で回答を控えると述べています。評価スイートは一つのコマンドで実行できるよう公開されています。
説明オンライン能動学習のための最適なサンプル選択スケジュールに向けて
要約本論文は、ラベルなしサンプルが順次到着しアノテーションが高コストな状況での、オンライン線形分類における最適なクエリ方策を研究しています。高次元かつガウス設計の実現可能な設定で、予算制約下の汎化誤差と累積コストという二つの目的関数を比較し、貪欲な近視眼的方策は小さいまたは中程度のマージンのサンプルを選ぶことを示します。さらに、最適な閾値スケジュールを数値的に求め、合成データと実際の医療画像データで単純な方策を評価しています。また、二層ニューラルネットワークでマージンに基づく方策が最適でなくなる場合についても論じています。
説明TAN：組織グラフ向けのサイズ・形状適応型マスク付き畳み込みエンコーダ
要約組織グラフは、組織の境界に沿った超ピクセルで組織画像を表し、均質な組織を矩形パッチに分割しない表現です。既存のエンコーダは切り出し後に背景や詰め物の値を扱うため、その値が節点特徴に入り込むおそれがあります。本研究はTAN（約0.41Mパラメータ）を提案し、超ピクセルを本来の形状のまま処理して背景を全演算から除外するため、埋め値に対して構造上不変な埋め込みを得ます。BACHでは、303Mパラメータの基盤モデルUNIと精度に有意差がなく、パラメータ数と演算量は大幅に少なく、事前学習も不要です。
説明QD-Rec：品質と多様性による推薦の開かれた進化
要約本論文は、推薦を、各項目と「なぜその項目が意思決定者のニーズに合うか」を自然言語で述べた仮説の組からなる、多様で高品質な推薦集合を構築する問題として定式化しています。提案手法QD-Recは、文脈付きバンディットで項目を選び、アーカイブに保存された過去の推薦を足がかりとして基盤モデルで仮説を生成します。M&A、顧客ターゲティング、論文・書籍推薦の各タスクで、多くの設定において最も高い平均品質と最大のアーカイブを実現したと報告されています。
説明証拠が消えるとき：医療用視覚言語モデルにおける視覚的証拠依存性の蒸留
要約小型の医療用視覚言語モデルは、画像を実際には使わず、質問の言い回しや学習済みの先入観によって臨床質問に正しく答えることがあります。本論文は証拠条件付き依存性蒸留（ECDD）を提案し、対応する視覚的証拠を除いたときに教師モデルの正解への支持が下がる度合いを学生モデルに移します。三つの医療VQA設定で検証され、原画像での精度を保ちつつ、証拠の除去に対する感度が高まったと報告されています。
説明S-GAP：グラフ大規模言語モデル向けのステルス型グラフ攻撃プリミティブ
要約グラフ大規模言語モデル（GraphLLMs）は、テキスト属性付きグラフ（TAG）に対する意味理解と推論を行えますが、敵対的攻撃下ではノードのテキストやグラフ構造の摂動に脆弱となる可能性があります。本論文は、テキスト摂動と構造摂動を一貫した攻撃意図の下で統一する原子的な意味表現として Graph Attack Primitive（GAP）を提案し、そのGAPの意味内容を反復的に洗練する多エージェント枠組み S-GAP を導入しています。四つのデータセット、三つのGraphLLMs、二つの攻撃設定での実験では、最強のベースラインと比べて攻撃成功率（ASR）が平均7.02%向上したと報告されています。
説明舌の形状制御に関する低次元の力学的基盤
要約本論文は、全体的な舌形状のモードが単純な力学法則に対する低次元の制御基盤になりうるという仮説を提示している。跨話者の座標空間で経験的な舌形状モードを見いだし、英国英語話者36名の単母音の超音波データにモデルを当てはめた。時間変化するモードに適合させた三次元線形点アトラクタは、舌形状の動きを高い精度で再現した。
説明HydraLLM：テキストと視覚言語モデル向けの適応的幅スライシング弾性アーキテクチャ
要約本論文は、MQAに基づく弾性アーキテクチャHydraLLMを提案します。有効化されるアテンションヘッド数によって幅が決まり、単一のパラメータ集合内で入れ子状のサブネットワーク群を形成します。事前学習済みモデルから弾性モデルへ変換する手順と、マルチモーダル推論への拡張も示されています。原文によると、ヘッドの75%を有効にした場合、パラメータが17.25%多い入れ子型ベースラインより TriviaQA の精度が2.2ポイント高く、50%有効時のマルチモーダルモデルは7倍大きい Gemma 3 4B と同程度の CLIPScore を示し、25%有効時はトークン生成スループットが全幅構成より75.3%向上したとされています。
説明TriINR：3つの陰的ニューラル表現による教師なし大気乱流低減
要約長距離撮影では大気乱流によって画質が低下します。本論文では、複数の劣化フレームから教師なしで鮮明な画像を復元するTriINRを提案します。鮮明な画像、傾き（tilt）、ぼけ（blur）をそれぞれ3つの陰的ニューラル表現で表し、傾きとぼけを時空間表現として扱うことで、フレーム数に依存しない劣化表現と省メモリな最適化を実現します。合成データの異なる乱流強度での実験では既存手法より頑健で、実際の長距離シーンでも有効性が示されています。
説明予測可能なスケーリング：スケーリング則による予測を用いた効率的なモデル探索
要約推薦モデルへの変更案の評価には、数千GPU時間に及ぶ全規模の学習が必要になることが多いです。本論文は、小規模な代理モデルから曲線フィッティングで全規模の性能を予測し、不確実性の推定も行う枠組みPredictable Scaling（PS）を提案しています。2つの順位付けモデルでの評価では、計算量を79〜88%削減しつつ、各種の変更案を正しく順位付けできたと報告されています。
説明GatewayBench：MCPゲートウェイの能力と安全性を評価する統一プラットフォーム
要約論文は、エージェントが外部ツールを呼び出す際の中間層であるMCPゲートウェイが、これまで体系的に研究されていなかったと指摘します。著者らは、6つの領域にわたる524タスクと251の実際のMCPサーバーから集めた11,118のツールを含むGatewayBenchを提案し、無関係なツールを注入して大規模な配備を模擬しています。7つの主要なゲートウェイでの実験では、タスク完了、ツール利用の効率、攻撃への耐性に設計ごとの差があり、その効果は基盤モデルやエージェントの枠組みとも強く関係することが示されました。
注目点MCPゲートウェイ設計がエージェントの能力・効率・安全性に与える影響を体系的に評価する初の統一ベンチマークで、524タスクと7種のゲートウェイで大規模実験を行っている。
説明高次元粒子フィルタにおけるリサンプリング歪みのスペクトル修復：正則化自由デコンボリューション
要約本論文は、高次元粒子フィルタでリサンプリングがアンサンブル共分散のスペクトルをどのように歪めるかを研究し、観測された重みと経験スペクトルのみからリサンプリング前のスペクトルを復元する正則化自由デコンボリューション推定量を提案しています。修復されたスペクトルはメトロポリス調整の再活性化手順の前処理子としてのみ用いられるため、スペクトル誤差は混合効率に影響しても不変目標分布には影響しません。シミュレーションでは、スペクトル誤差が約1桁低減し、異方性の設定では補正された前処理子が理想的な場合の約90%のサンプリング効率を回復することが示されています。
説明「あなた」は有害ではない：LLM ラベラーがウェブ上の会話の法則をどう書き換えるか
要約ウェブ上の有害な会話に関する通説（スレッドが長く深いほど有害性が増す等）の多くは、サービス終了予定の Google Perspective API による測定に基づいていました。本論文は、LLM ラベラーが二人称の「あなた」を有害性と誤認し、人間のラベルには存在しない法則を生み出すことを示します。クラウドラベル付きのニュースコメント 125 万件では、Claude Haiku は「you」を含まない非有害コメントの 12%、4 回以上含むものの 51% を誤って有害と判定しました。著者らは、ラベラーではなく法則そのものを検証する手法 Threadsafe を提案しています。
注目点LLM標注者が二人称を毒性と誤認し、返信深度に関する偽の法則を生むことを示し、線形法則を無偏に推定する手法を提案。125万件の実験で裏付けている。
説明RECREG：強化学習における正則安全性質のための回復ベースのシールディング手法
要約本論文は、回復ベースのシールディングによって非マルコフ型の正則安全性質を強制できる強化学習フレームワーク RecReg を提案している。表形式の設定で理論的基盤を構築し、安全性と収束性の保証を示している。MASA-Safe-RL ライブラリを用いた実験では、効率的な学習が可能で理論と一致することが確認されたとしている。
説明ScoutRoute：言語モデルの内部信号を用いた効率的なエキスパートルーティング手法
要約本論文は、異種の大規模言語モデルを用いる混合エキスパート（MoE）システムにおいて、どのエキスパートを選ぶかを決める軽量な事後ルーティング枠組みScoutRouteを提案しています。安価なスカウトモデルを一度だけ順伝播させ、隠れ状態とロジット由来の信頼度を用いて各モデルの適性を予測し、元のモデルは変更しません。五つのオープンウェイトモデルと四つのベンチマークで、単独のルーティング信号より高い性能と、より良い校正が示されています。
説明ShadowCast：リモートセンシング画像セグメンテーションのための文脈認識型の影拡張手法
要約リモートセンシング画像では、高い位置にある物体が落とす影が地物の分光的な見え方を変え、境界を不明瞭にするため、意味セグメンテーションの性能が下がります。ShadowCastは影を検出して除去するのではなく、学習時に影を合成して画像に加えます。セグメンテーションのラベルから建物や樹木などの高所物体のマスクを取り出し、その周囲の明るさを調べて画像ごとの影の方向を推定します。学習済みネットワークも取得時のメタデータも使いません。Vaihingen、Potsdam、LoveDAの3つのベンチマークでは、複数の最新セグメンテーションモデルで基準手法を上回り、標準的な拡張や正則化と組み合わせるとさらに性能が向上しました。
説明観測データからの生成的方策改善：PolicyLift フレームワーク
要約本論文は、テキストメッセージや画像のような複雑な構造化された行動を、観測データから得た方策で改善して生成する方法を研究している。提案手法 PolicyLift は三段階からなり、まず観測された行動空間の高レベルな戦略を捉える少数の離散的な行動コードを学習し、次にそのコード上で文脈依存の方策を学習する。展開時には、履歴の行動システムからコード条件付きで行動を生成し、元の行動空間へ戻す。理論的には、コード上の方策を改善すれば元の行動空間での方策も改善されることを示し、合成データと実世界のテキスト生成タスクで行動方策に対する一貫した改善を報告している。
説明連合学習におけるスペクトル法による圧縮通信とローカルステップの統合
要約連合学習（FL）は、データを端末に残したまま大規模なエッジ機器群で複雑なモデルを協調学習する手法です。ただし、データの異質性と高い通信負荷が依然として主要なボトルネックです。本論文は、ローカル更新と通信圧縮の両方を用いる新しいスペクトル型FL手法を提案します。穏やかな仮定の下で収束保証を示し、有界な異質性という制約条件を取り除いています。標準的な画像分類ベンチマークでの実験により、効率性と頑健性が確認されています。
説明Momentum：ビデオ世界モデルのための持続的ダイナミクス手法
要約本論文はビデオ世界モデル向けのMomentum（持続的な動的シーン表現の手法）を提案し、車両や歩行者などの動的要素が視野外に出た後も保持され、再出現時に一貫して描画されるようにします。八台のカメラからなる参照カメラ装置の同期映像を共有記憶として用い、二段階のパイプラインで目標カメラの映像を生成します。生成された街路シーンでの実験では、未見のシーンにおいて静的画像条件付けと比べて動的シーンの一貫性が126.2%向上し、視覚的忠実度も改善したと報告されています。
説明残差確率的概念ボトルネックモデル：概念が不完全でも概念介入を保つ解釈可能なモデル
要約本論文は残差確率的概念ボトルネックモデル（Res-SCBMs）を提案します。これは多変量ガウス分布で概念変数と残差変数を同時にモデル化し、両者の共分散構造を学習するものです。これにより、既知の概念への介入が、ガウス条件付けを通じて統計的に依存する残差変数にも伝播します。学習時に概念が完全である必要はありません。著者らは、概念が不完全な複数のベンチマークで、既存の基準モデルより予測性能が高く、テスト時の概念介入も有効に保たれたと報告しています。
説明mmPencil：ミリ波レーダーと大規模視覚言語モデルによる空中手書き認識
要約本論文は、ミリ波レーダーによる感知と大規模視覚言語モデル（VLM）を結びつける m²VLMs というモダリティ変換アーキテクチャを提案し、三次元空中手書き単語認識システム mmPencil を開発しています。ミリ波信号から三次元の書字軌跡を再構成し、視覚表現に変換してVLMで認識させることで、書き方や環境の影響を受けにくくしています。12 名のユーザー、200 語、7,664 サンプルからなるデータセットも公開されており、既知ユーザーの200クラス認識精度は97.60%、未知ユーザーの50クラスゼロショット精度は92.50%と報告されています。
説明GeoReason：リモートセンシングのセグメンテーションにおける論理推論と空間精度の両立
要約本論文は、リモートセンシング画像に対する指示型の推論セグメンテーションを扱います。多モーダル大規模言語モデルでは、セグメンテーション用トークンが長い推論の最後に生成されるため、視覚情報が徐々に薄れ、小さな対象の位置特定に失敗すると指摘しています。提案手法GeoReasonは、ユーザーの質問に対してトークンを最初から注入する仕組み、バウンディングボックスを用いた粗から細への推論、そして潜在特徴をリモートセンシングの質感と整合させる損失関数から構成されます。Earthreasonおよび RRSIS-D のベンチマークで既存手法を上回ったと報告されています。
説明生成画像モデルの評価に顕著性マップは使えるか？
要約本論文は、他のタスク向けに学習された事前学習済み特徴抽出器に頼らず、人間の知覚に着想を得た生成画像モデルの評価手法を提案しています。評価対象のモデルごとに、実画像とそのモデルの生成画像を見分ける専用の分類器を学習し、その判断根拠を顕著性マップで分析します。分類器は汎用的な「偽物らしさ」ではなく、各生成モデル特有のアーティファクトを学習することが示されています。分類精度と顕著性情報を組み合わせることで、人間の判断と整合する総合スコアを得ています。
説明Flash RNN-T：メモリ効率の良い結合ネットワークとTransducer損失の計算
要約本論文は、ストリーミング音声認識に用いられるRNN-T（リカレントニューラルネットワーク・トランスデューサ）の学習時の中間テンソルによるメモリ消費を抑える、Flash RNN-Tという結合ネットワークおよび損失関数の実装を提案している。専用カーネルと任意で使えるタイル分割による再計算を組み合わせている。H100では、タイル無しのFlashが対象の中規模・長規模ワークロードで最速の基準実装より24〜39%高いスループットと26〜56%少ないメモリを実現した。タイル分割版はさらにメモリを削減し、長規模ワークロードでは80 GBに収まり、他の比較対象はメモリ不足となった。
説明LithoWorld：リソグラフィ・プロセスウィンドウ回復のためのエンドポイント世界モデル
要約本論文は、リソグラフィ工程のドリフトによりパターンがプロセスウィンドウから外れる問題に対し、走査型電子顕微鏡（SEM）画像を用いてパラメータを回復させる手法LithoWorldを提案している。内部の代表的ターゲット、因果的予測分岐、条件付きフローポリシーを組み合わせ、二次元の補正量を出力する。73群のサブセットからの200のテストペアで、合格領域の成功率は88.5%、内部の成功率は46.0%であり、最強の比較手法をそれぞれ2.5ポイント、6.0ポイント上回った。
説明離散拡散モデルによる情報量の推定
要約本論文は、相互情報量などの情報理論的指標を推定し、KLダイバージェンスを計算できる離散拡散ベースの手法InfoSEDDを提案している。離散データを連続空間へ埋め込む必要がなく、設計は軽量でスケーラブル、事前学習済みモデルとも組み合わせられる。遺伝子プロモーターのモチーフ発見、テキスト要約におけるモデル選択、Isingモデルのエントロピー推定などに適用され、埋め込みを用いる既存手法より優れた結果が報告されている。
説明モデルの不一致があるエージェントとの契約設計
要約本論文は、委託者とエージェントの間の契約設計を扱います。エージェントの状態遷移モデルは実環境と異なる可能性があり、委託者は真の環境モデルを把握しています。著者らはこの問題を委託者・エージェント型マルコフ決定過程（PAMDP）として定式化し、エージェントの理解が不正確でも委託者が長期的な利益を引き出せる契約の枠組みを提案しています。
説明「喉まで出かかる」：首トークン提示によるLLMの想起失敗の検証
要約本論文は、大規模言語モデルが閉じた書籍型の質疑応答で誤答する場合の多くは知識の欠落ではなく、最初のトークンを誤って選んだことが原因だと指摘します。正解の最初のトークンを事前に与える「首トークン提示（First-Token Cueing）」という手法を提案し、その一つのトークンだけで多トークン回答の誤りの一部が修正され、多言語ベンチマークの7言語すべてで精度が向上することを示しています。
説明AWAM：頑健なロボット操作のための能動的な軌道条件付き視点想像
要約本論文はAWAMを提案する。これは能動的世界-行動モデルであり、行動の前に観測位置を計画し、計画した軌道に沿って何が見えるかを想像する。タスクに関連する仮想カメラの動きを予測し、幾何条件付き世界モデルへの構造化クエリとして用いて再利用可能な空間事前分布を生成し、拡散ベースの行動予測のためにライブ観測とクロスアテンションで融合する。LIBERO-Occで75.9%、LIBERO-Plusで62.4%、RLBench-OG Occlusion1で76.5%、実ロボット試験で94.4%の成功率を報告しており、評価された遮蔽や分布変化に対する頑健性の向上を示している。
説明Lipschitz制御と漸進的カーネル判別器を用いたWGANによる、異常を含む電圧時系列の予測
要約本論文は、高次元の再帰予測において長期的な動態をモデル化することが難しい問題に取り組み、適応カーネルを備えたWasserstein GAN（WGAN）に基づく枠組みを提案しています。モデルはデータストリームのウィンドウを入力として次の値を予測し、時系列を再構成するとともに、新しいウィンドウごとにカーネルを動的に調整します。電圧および電力の時系列データセットでの評価では、電力比、相関係数（CC）、相対二乗平均平方根誤差（RRMSE）を用い、提案モデルが精度と頑健性で基準手法を上回ったと報告されています。
説明語彙と文脈の証拠を用いた文単位のトピックモデリング
要約本論文は、各文にトピックを割り当てるニューラルトピックモデルSentenceETMを提案します。単語埋め込みで定義された語彙分布と、トピック固有の低次元部分空間上の文埋め込みのガウス分布を組み合わせ、語彙と文脈の両方の証拠を利用します。実験では、文単位のトピック割り当てが最先端手法より一貫して改善されることが示され、大統領討論の事例研究では候補者が同じ話題をどう扱うかが示されています。
説明メモリ律速型 CFD の AMD EPYC クラスタにおける最適な MPI ランク配置とノード数のデータ駆動予測
要約本論文は、AMD EPYC クラスタ上でメモリ律速の OpenFOAM ケース（motorBike）を実行する際に、ノード数とコンプレックス当たりの MPI ランク数をどう選ぶかを扱っています。Zen 4 および Zen 5 の五種類の EPYC プロセッサ上で測定した 560 構成のデータを用いて、速度と節点時間の成本のトレードオフを分析しています。大規模メッシュでは最大ノード数が最速かつ最安となり、中規模メッシュでのみ明確な取捨選択が生じるとされています。近接する測定済みメッシュで最適だった構成は、新しいメッシュの 75～85% の判断で概ね最適に近いと報告されています。
説明FloodVLM-Pix：言語で導く画素レベルの洪水理解
要約本論文は、言語理解と画素レベルの洪水セグメンテーションを支える、初の大規模リモートセンシング洪水マルチモーダルベンチマークを構築しています。131,200枚の洪水画像パッチと、洪水の深刻度と変化を記述する443,100件のテキストを含みます。提案モデルFloodVLM-Pixは、洪水事前情報モジュールで注意の偏りを抑え、多時期解码器で雲や山影などの干渉に対応します。実験では、既存の視覚言語モデルや洪水セグメンテーションモデルより、記述の質と分割性能が向上したと報告されています。
説明MOSS-Image技術報告：密集な文字と複雑なレイアウトに強いオープンな画像生成システム
要約本論文はMOSS-Imageを紹介する。高精細な視覚合成と意図を理解した構図設計を組み合わせたオープンな画像生成システムである。中核は、一から事前学習した5Bのシングルストリーム拡散Transformer（DiT）と、ユーザーの要求を詳細な内容・レイアウト指定に変換するプロンプト拡張モジュールである。長文テキストの描画を評価するLongLongTextBench（LLTB）で平均文字カバー率96.3%を達成し、オープンウェイトモデルの中で最高水準とされる。また、RealLayoutArena（RLA）の端到端比較では2位となっている。
説明成功率を超えて：視覚・言語・行動システムにおけるメモリの介入的評価
要約本論文は、ロボットの視覚・言語・行動（VLA）システムにおけるメモリが実際に役立っているかを、総合成功率だけでなく介入実験によって検証する手法（IMEP）を提案しています。また、過去の履歴情報が正しい判断に必要となるベンチマーク（ChainBench）を導入し、完全なメモリ構成で成功率が39.1%から74.3%に上昇したと報告しています。著者らは、メモリの効果を確認するには集計値を超えた事実単位の証拠が必要だと結論づけています。
説明UniPolar：物理一貫性学習による複合劣化下の偏光画像の同時復元
要約本論文は、デバイス起因と環境起因の劣化が同時に生じるカラー偏光フィルタアレイ（CPFA）撮像を対象に、偏光角画像と偏光量（Stokes、DoLP、AoLP）を同時に復元するUniPolarを提案します。双ストリーム構造、周波数領域と条件変調による領域間相互作用、出力側の物理一貫性学習を組み合わせています。複合劣化ベンチマークでは、画像とDoLPの平均PSNRがそれぞれ31.522 dBと24.097 dB、平均AoLP誤差が16.833度でした。
説明H&E染色全スライド画像におけるアーチファクト分割手法のベンチマークと改善
要約本論文は、H&E染色全スライド画像（WSI）のアーチファクト分割手法をベンチマークしたものです。文献調査をもとに公開されている6つのアルゴリズムを選び、2つの公開データセットと新たに公開したデータセットで、アーチファクトのない組織と特定のアーチファクト種類の分割能力を比較しています。手法間で性能に有意な差があり、HistoKitが最良、HistoQCが最低でした。暗い斑点と焦点ずれ領域は分割が難しいとされています。また、HistoKitに簡単な後処理を加えることで性能がさらに向上しました。
説明STC-MGNet：歩行者の意図予測のための時空間チャネル注意機構付きマルチモーダルグラフネットワーク
要約本論文は、自動運転における歩車間の安全性向上を目的として、歩行者の横断意図を予測するマルチモーダルグラフネットワーク STC-MGNet を提案している。歩行者の姿勢系列から特徴を学習するために時空間チャネル注意機構を用い、視覚情報と自車の運動情報をクロスモーダルのチャネル変調で統合する。JAADbeh、JAADall、PIE の各データセットで、それぞれ70%、87%、88%の精度を達成し、代表的な比較手法を上回ったと報告されている。アブレーション実験では、視覚情報と自車運動情報がそれぞれ相補的に寄与することも示された。
説明RTSM：再帰モデルを多変量時系列分類に適用する手法
要約本論文は、学習型畳み込み時系列トークナイザ、単一状態の重み共有型反復精緻化、プーリングによる分類出力を組み合わせた再帰時系列モデル（RTSM）を提案しています。全30のUEAデータセットで平均精度72.81%を達成し、評価された17の深層学習モデルの中で最高の平均値を示し、MambaSLを1.60ポイント上回りました。アブレーション実験から、時系列の符号化と状態構成が重要な設計要素であることが示されています。
説明異種フェデレーテッド学習向けのクライアント認識型セキュリティ適応早期退出ビジョントランスフォーマー
要約本論文は、フェデレーテッド学習において各クライアントがローカルで早期退出型ビジョントランスフォーマー（ViT）推論を行う方法を研究しています。全体で一つの閾値を用いる代わりに、ラベルエントロピーと浅い退出層の信頼度に基づくクライアント固有の基準閾値を導入し、予測エントロピーなどで各入力を調整します。CIFAR-10では精度88.70%・深度削減32.0%、ImageNet-1Kでは精度73.7%・削減30%です。6クライアントの非IID環境のCIFAR-100では、全深度精度は72.28%と報告されています。
説明OliO：時系列予測のための常微分方程式ベースの線形遷移演算子による自己教師あり学習手法
要約本論文は、自己教師あり時系列予測のための手法OliO（ODE-based Linear Transition Operator）を提案しています。線形常微分方程式から導出された遷移演算子により、任意の時間シフトにわたって潜在表現を整列させます。遷移行列に厳密な上三角制約を課すことで数値安定性を確保しています。多様なバックボーンとベンチマークでの実験において、最も競争力のあるグリッドサーチ済みSOTAベースラインに対し、平均二乗誤差（MSE）を最大5.75%削減したと報告されています。
説明言語モデルが言語モデルを改良することを学ぶ：LLMに改良案の生成を学習させる研究
要約本論文はLM2LMという手法を提案し、強化学習で大規模言語モデルに言語モデルの改良案を生成させます。学習コストを抑えるため、実験記録を文脈として予測する凍結された研究用世界モデルを報酬モデルとして使い、高評価の案は定期的に実行して結果を文脈に加えて信頼性を保ちます。論文によると、八つの自己回帰・拡散言語モデル開発環境で、LM2LMで学習したQwen3.8-27Bが保留タスクの実行評価においてGPT-6-solを上回り、データ生成コストは33%低いとされています。
説明有限ランクのボトルネックがLow-Rank Adaptation（LoRA）の最適化の状況をどう形作るか
要約本論文は、LoRAのような低ランク微調整法がなぜ十分に機能するのかを、線形化（NTK）の仮定に頼らずに理論的に説明するものです。バックボーンを凍結すると、損失は凍結された活性化から導かれる有限ランクの線形写像を通じてのみ適応重みに作用し、トレースノルム正則化によって低ランクの解が選ばれることを示します。そのランクは「ボトルネックランク」で決まります。さらに、多頭注意機構でのより厳密なランク上界、摂動後のLoRA目標の一階定常点がランク落ちすること、そして汎化境界を提示しています。
注目点NTK線形化に頼らず有限ランク瓶頸による解析を提示し、注意機構の階数上界と非凸側の性質を証明しており理論的に新規性が高い。
説明インターフェース変動下でのLLMエージェントのロバストな関数呼び出し研究
要約本論文は、ツール拡張型LLMエージェントが、ツールの説明文、引数スキーマ、候補ツール一覧などのインターフェース文書が変化した際に信頼性を失う問題（「インターフェースドリフト」）を扱います。著者らは再学習を要しない軽量な修復層SchemaShield-Liteを提案し、スキーマ検証、候補集合による再試行、一回限りの制約付き修復を組み合わせています。Qwen3.5-9Bでは、DICE-300の精度が0.717から0.813、BFCL-200が0.580から0.805に向上し、ドリフトに起因する失敗をそれぞれ19/22、33/45件回復したと報告しています。
説明SETAREH変換：ソートとHaarウェーブレットによる内積の近似計算手法
要約本論文はSETAREH変換を提案します。これは、固定された高次元係数ベクトルと連続する入力ベクトルの内積を、Haarウェーブレットによる疎化で近似する手法です。両ベクトルに同じ置換とHaar変換を適用するため、切り捨て前の内積は厳密に保たれます。その後、変換後の係数と入力の組の一部のみを保持し、表現コストを下げつつ制御可能な近似誤差を導入します。合成ガウスベクトルと、APPA-REALデータセットを用いた畳み込みニューラルネットワークによる見かけの年齢推定タスクで評価され、元の次元より大幅に少ない組数で内積を近似できることが示されています。実際の利点は近似精度と置換メタデータの保存・伝送コストに依存します。
説明リッジ回帰における転移学習によるミニマックス最適スケーリング則
要約本論文は、事前学習済みモデルの転移学習によって、高次元回帰のスケーリング則においてどの程度の性能向上が得られるかを検討しています。ソースモデルはリッジ回帰で学習し、ターゲットモデルはソース推定量からのL2距離で正則化するという二段階手順のリスクについて、決定論的等価式を導出しています。共有回帰関数と可換なべき乗則共分散スペクトルの設定で、極小最適(ミニマックス最適)な指数に達する領域を特定し、一回通過の確率的勾配降下法でも同じ最適速度に達することを示しています。合成データと言語モデルでの実験により理論を検証しています。
注目点高次元リッジ回帰で二段階転移学習のリスクの決定論的等価を示し、ミニマックス最適指数を達成することを証明。合成実験と言語モデルで検証。
説明EKT-Router：身体性視覚言語モデルのための専門家と証拠の協調ルーティング
要約本論文は、部分的で変化する観測に基づいて質問に答える身体性視覚言語モデルのため、EKT-Router を提案する。推論専門家、任意の知識、知覚ツールを共同で選択し、検証器が有効な証拠を採用したうえで、選ばれた専門家が回答する。6 つの身体性 QA ベンチマークで平均 61.4 点を獲得し、比較したシステムの中で最高であった。10 の汎用視覚言語ベンチマークでは平均 74.7 点である。アブレーション実験では、学習によるルーティングが主要な要素であり、知識と知覚は相互補完的であることが示された。
説明HiPredict：機械学習で欠落した HiRISE RED4 分光チャンネルを予測する
要約火星偵察オービターの HiRISE カメラは、中央の検出器 RED4 が 2023 年から断続的に故障し、カラー撮影能力が半減しました。本論文では、近赤外（IR10）と青緑（BG12）の画像、隣接する赤チャンネルの観測、取得メタデータから RED4 を再構成する機械学習フレームワーク HiPredict を提案しています。U-Net を用いた本手法は、テストデータで正規化平均絶対誤差 1.1% を達成し、既存の合成赤チャンネル SYN4（3.1%）を上回りました。ソフトウェアはオープンソースとして公開されています。
説明信頼できるピークメモリスケジュール：厳密な実現、最適性の証明、推論における再計算の限界
要約小型デバイスでのリアルタイム推論において、演算子の実行順序を変えるだけで活性化メモリのピークを下げられるかを検討した論文です。最適化された順序を再びコンパイラに渡してコードを再生成する方法は信頼性が低いことを示し、生成されたプログラムの文の読み書きに基づいてメモリを厳密にモデル化し文を並べ替える方式を提案しています。CPUでは予測どおりのピークと数値的に同一の結果が得られたとされ、最適性を判定する下界や選択的再計算の複雑性・効果も論じられています。
注目点ピークメモリを正確に実現する並べ替え手法と、計算可能な最適性下界およびNP困難性の結果を示し、既存のスケジューリング手法を実質的に前進させた。CPU・GPU・複数の公開モデルで検証し、推論展開への実用性も高い。
説明TransNSNet：Transformerで強化したマルチスケール敵対的ネットワークによるCTからPET画像への合成
要約本研究は、Transformerで強化したマルチスケール敵対的枠組みTransNSNetを用い、CT画像からPET様の画像を生成する手法を検討しています。公開の非小細胞肺がんデータセットから患者単位で学習・検証を分けた対応データを作成し、Pix2Pixなどと比較しました。画質指標では良好な傾向が見られたものの、患者単位の統計解析では有意差は確認されず、合成画像は臨床用PETの代替にはならないとしています。
説明CatchUp：効率的な大規模視覚言語モデルのための深さ認識型視覚トークン再投入手法
要約大規模視覚言語モデル（LVLM）は複数のデコーダ層で数百の視覚トークンを繰り返し処理するため、計算とメモリの負担が大きくなります。本論文は、再訓練を必要としない CatchUp を提案します。可逆的な視覚トークンのルーティングと局所遷移補正（LTC）を組み合わせ、保留されたトークンを後で再投入し、その古くなった隠れ状態を補正します。64トークン予算では、ポストルーティング区間あたりの有効な視覚トークンが88.9%減り、稠密モデルのマルチモーダル性能の92.17%を保持し、エンドツーエンドの遅延は8.0%短縮されます。
注目点可逆な視覚トークンルーティングと局所遷移補正により、再受け入れトークンの表現陳腐化を訓練なしで補正し、複数ベンチマークで検証している。
説明損失関数かアーキテクチャか：競合リスクのある生存分析で本当に重要なもの
要約本論文は、複数の排他的な原因のうちどれが先に起こるか、その確率はどれかを扱う競合リスク生存分析について、深層学習における損失関数とバックボーンの寄与を検証しています。表形式データ20件と病理画像データ3件で、三種類の損失と四種類のバックボーンを独立に組み合わせて評価しました。競合リスクでは、打ち切り重み付けの下で累積発生率を直接モデル化する損失が最も効果的で、その効果はバックボーン選択の約2倍とされています。C-indexは損失の差を区別できず、適切な評価規則（proper scoring rule）が差を明らかにしています。
説明AgentOnto：企業データ分析のためのオントロジー誘導型LLMエージェント
要約本論文はAgentOntoを提案する。これは企業データ分析向けのオントロジー誘導型LLMエージェントで、データベース、業務文書、既存の例題タスクに分散した異種知識をオントロジーとして整理し、分析を導くとともに確認済みのフィードバックを取り込む。反復的なオントロジー準備では、エージェント自身が生成した分析タスクを通じてオントロジーをさらに改善する。2つの公開データソースでの評価では代表的な手法を大きく上回り、実運用での有用性も示されている。
説明未学習CNNと係数空間正則化による光音響トモグラフィーの同時再構成
要約境界測定から、光音響トモグラフィーにおける初期圧力と空間的に変化する音速を同時に再構成する問題を扱います。未知の場を有限次元のウェーブレット空間で表し、未学習の畳み込みニューラルネットワーク（CNN）が生成する固定の非線形特徴を用いて、Tikhonov正則化最小二乗法により初期圧力の係数を再構成します。その後、学習された係数空間の事前分布で音速の二乗の係数を推定します。数値実験では、未使用データに対して高精度な再構成を示し、未見のファントム形状にもよく汎化しました。学習時に含まれていないノイズ（最大10%）に対しても安定しています。教師あり学習のCNNと比べて誤差は小さく、計算時間は約6分の1でした。
説明メモリのヒットから回答可能な証拠へ：長期エージェントメモリのためのクエリ条件付きメモリコンパイル
要約本論文は、長期的な会話メモリのためのMemCompile（クエリ条件付き証拠コンパイル枠組み）を提案している。まずクエリに基づいて関連する出所を特定し、限られた証拠予算の中で相補的な証拠パケットを選び、それぞれに紐づく主張を回答用の文脈にまとめる。著者らはLoCoMoでJudge Accuracy 80.52%を報告し、LongMemEval-Sでも良好な結果を示したとしている。
説明自己反省型思考連鎖（SRCoT）：エッジLLM上での検索・反省・修正の閉ループによる根拠ベースのテキスト生成
要約本論文は、テキスト生成を「検索・反省・修正」の閉ループとして構成するモジュール型アーキテクチャ、自己反省型思考連鎖（SRCoT）を提案します。BM25検索でローカルな文脈を与え、環境状態・長期知識・経験・短期記憶を出所ラベル付きで分けて保存します。完全に合成された二つの設定で、トレースに基づく定性的な事例検討を行い、Apple M4系ノートPC上でローカル試作機を動かしています。著者らは、これは報告レベルの検査可能性とローカル実行を示すもので、優位性、幻覚の削減、臨床的妥当性、運用上の安全性を示すものではなく、人によるレビューが必要な研究段階の概念実証だと述べています。
説明LLMのトークン確率を用いたL2英語からのL1背景の推定
要約本論文は母語識別（NLI）を扱い、非母語話者の英語産出から第一言語（L1）を推定する。各テキストを、候補となるL1を指定したプロンプト接頭辞の続きとして採点し、最も高いスコアの候補を予測するトークン確率ベースの手法を提案している。Llama 3.1の8Bと70Bモデルを、TOEFL9、Write and Improve 2024、BULATS-L1の3つのデータセットで評価した。この手法は直接分類より大幅に改善され、特に8Bモデルで効果が大きく、70Bモデルは全データセットで最先端の性能を示した。
説明直接多殻拡散MRI信号推定のための陰的ニューラルモデル
要約本論文は、ウェーブレット活性化関数を持つ陰的ニューラル表現ネットワークで拡散MRI信号全体を表現する手法を提案しています。信号空間はフーリエ特徴と球面調和関数基底で符号化され、超解像とq空間補間を可能にします。さらに、テンプレート空間への非線形位置合わせと組み合わせて個体ごとの最適化を高速化する、群テンプレートを用いた事前学習戦略も導入しています。ヒトコネクトームプロジェクトの10名と、パーキンソン病コホートの26名のデータで検証され、原データの拡散強調画像に比べ高い忠実度を保ちつつメモリ使用量を大幅に削減できたと報告されています。
説明SimOPD：オンポリシー蒸留のための関係性知識転移
要約本論文は、オンポリシー蒸留（OPD）において教師モデルから知識を移す手法SimOPDを提案しています。対照学習でインスタンス間の関係を利用する発想に基づき、学生モデルが生成した応答同士の類似度分布を通じて教師の内部表現を学習させます。隐れ状態を直接合わせないため、異なるアーキテクチャ間の転移も容易になります。実験では、同一アーキテクチャ・異なるアーキテクチャのいずれの設定でも、最強のベースラインに対して平均で最大2.6ポイントおよび3.1ポイント上回ったと報告されています。
説明不完全なプロンプトへの設計：ナレッジグラフを用いたLLM企業データアシスタントのシミュレーション評価
要約大規模言語モデルを用いた企業向けデータアシスタントでは、業務ユーザーが専門用語を含み、スキーマ情報を欠いた不完全なプロンプトを入力することが課題となっています。本研究は、2種類の意味的仲介方式、すなわち意味的類似度に基づくスキーマ方式と、データレイクから自動構築したナレッジグラフ方式を設計・比較しています。実データによるシミュレーション、LLM-as-a-Judgeおよび人手による検証の結果、ナレッジグラフ方式が適合率、再現率、F1値、ユーザー意図の保持において優れていました。
説明「Look, Reason, Draw a Region」：空間コンテキスト予測のための再帰的精緻化手法
要約本論文は、画像内の物体に対して空いている領域を特定する空間コンテキスト予測に取り組み、凍結された視覚言語特徴を用いる小型の再帰モデル Spatial-TRM を提案しています。学習可能なパラメータは 1,120 万個です。RoboSpatial-Home ベンチマークでの文脈精度は 29.51% で、同じパラメータ数の単一ステップモデルより 9.02 ポイント（相対 44.0%）高くなりました。論文は、固定された学習パラメータ数の下で反復的な精緻化が予測精度を高めると主張しています。
説明Optimist Deep Research：自律的な文献調査のための反復的・状態中心エージェント
要約本論文はオープンソースのエージェント Optimist Deep Research を提案し、文献調査を可変の研究状態の上で進む反復的な証拠収集プロセスとして扱います。研究課題はサブ質問の木に分解され、arXiv、OpenAlex など複数のソースから検索されて、重複除去と引用の展開を経て証拠ストアに整理されます。批評段階は研究計画を調整する行動を返し、最終報告は引用が取得文献に対応する形で節ごとに書かれます。案例研究の結果と、システムに見られた弱点も報告されています。
説明弾性軸が遷音速フラッタ境界を折りたたむ仕組み：衝撃波のエネルギー移送と共形校正付き能動学習
要約本論文は、非粘性流れにおける二自由度ピッチ・プランジ翼型（Isogai の算例 A）の遷音速フラッタ境界を調べています。この境界は遷音速の谷付近で折りたたまれ、弾性軸の位置を変えた場合も含めて、連成非定常オイラー計算、ガウス過程代理モデル、分割共形予測を用いて解析されています。弾性軸が前縁から約 0.4 弦長より前方にある場合にのみ折りたたみが現れ、弦方向のエネルギー収支がこの境界を説明するとされています。
説明FlashReFocus：数秒で行えるインタラクティブな画像リフォーカス
要約本論文は、撮影後に写真の焦点面と被写界深度を変更するFlashReFocusを提案しています。各写真に対して拡散モデルを一度だけ実行して全焦点画像を復元し、以降の編集は軽量なネットワークで描画します。明示的なデフォーカスマップで制御し、89組の画像対からなる3CRealベンチマークで未知のカメラへの汎化も検証しています。著者らは、ゼロショットのボケ描画で知覚品質が最良であり、GenRefocusより148.3倍速く、以降の編集は約0.5秒で462倍速いと報告しています。
説明二クラス分類における二つのランキングスコア間の最適なランキングトレードオフ
要約本論文は、正解率やF値、Cohenのカッパなどの分類指標の組み合わせに対して、両者の折衷となるランキング基準を求める方法を扱います。各指標は真陰性・偽陽性・偽陰性・真陽性の重要度で表されるランキングスコアの特殊例として扱われ、Kendall距離に基づくFréchet分散を最小化する点を最適なトレードオフと定義します。クラス事前確率が共通の場合について、与えられた二つの初期スコアに対する解析解を示し、事前分布が固定された性能分布での挙動を実験的に調べています。
説明プラグ＆プレイ・ネットワークに対するニューラル制御による分散型性能向上
要約本論文は、サブシステムの追加や削除（プラグ＆プレイ操作）を受けるネットワークシステムにおいて、事前に安定化された分散制御器の性能をニューラルポリシーで向上させる方法を扱います。内部モデル制御（IMC）の原理に基づく性能向上制御器を用い、安定性条件を有限のℓ2ゲイン制約に帰着させるパラメータ化を導出します。これにより、制約なしの勾配法で学習でき、直流マイクログリッドの事例では、トポロジー変化や負荷変動時の電圧過渡応答を改善しつつ、標称閉ループ安定性を維持することが示されています。
説明CoTA++：情報フローの観点からdMLLMの反復の呪いを理解する
要約拡散型マルチモーダル大規模言語モデルは双方向注意による反復的ノイズ除去で文章を生成しますが、近似キャッシュを使うと隣接する位置で同じトークンが繰り返され文が途切れることがあり、論文はこれを「反復の呪い」と呼んでいます。著者らはキャッシュがステップ内・ステップ間・層間で引き起こす三種類の情報フローの乱れを分析し、学習不要で既存モデルに組み込めるCoTA++を提案しています。三つのモデルと二種類のキャッシュ方式での実験で、長文応答の重複率は最大99.6%から最大17.0%に下がり、九つのベンチマークでキャッシュにより失われた精度の大部分が回復したと報告されています。
説明拡散モデルによるデータ効率の良い分類器の事前学習
要約本論文は、限られた領域固有の学習データで分類器のバックボーンを事前学習する、単純な拡散モデルの手法 DiffPT を提案しています。時系列データ、標準的な自然画像ベンチマーク、医療画像データセットで実験を行い、現代および従来の教師なし・自己教師あり手法と比較しています。CIFAR-10 と Tiny ImageNet では低データ条件下でコントラスト学習の方が良い結果でした。一方、DiffPT は医療画像と時系列タスクで、さまざまな低データ条件において自己教師ありのベースラインを上回りました。
説明I2V-DETACH：ソース画像への依存を断つことで無断の画像からの動画生成を防ぐ手法
要約本論文は、拡散モデルによる画像からの無断動画生成を防ぐ画像免疫手法 I2V-DETACH を提案しています。出力の画質や時間的一貫性を劣化させるのではなく、元画像の内容が動画潜在変数へ伝播することを弱める点が特徴です。元画像と動画の関連を抑えるとともに、動画内部の相互作用を強めて、元画像への依存を減らします。多様な拡散モデルの実験で、元画像内容の保持を大きく下げ、既存手法より優れ、ブラックボックスでの転移性も高いことが示されています。
説明Annotrace：エージェント実行トレースのステップ単位アノテーション用ワークベンチ
要約本論文は、大規模言語モデルのエージェント実行トレースに注釈を付けるツール Annotrace を紹介します。六種類のトレース形式を読み込み、各実行を順序付きの入れ子構造のステップ一覧に変換します。注釈者は独自の注釈規則を作成でき、フロンティアモデルが先に回答して人と共同で注釈を行います。複数エージェントの質問応答コーパスでは、先行する手作業の注釈 235 単位を再現し、同じトレースを二つのモデルが注釈した際の一致率は 91%、κ = 0.82 だったと報告しています。
説明Xiaomi-Lens-0 技術報告：マルチモーダル大規模言語モデルが画像領域のマスクを予測する仕組み
要約本報告は、Qwen3.5 を基に構築された 4B のマルチモーダル大規模言語モデル Xiaomi-Lens-0 を紹介しています。このモデルは、自身の視覚表現からマスクを予測します。軽量なデコーダが視覚エンコーダの画像パッチ特徴と言語モデルのマスクトークン状態を組み合わせ、マスクの監督信号が追加のセグメンテーションエンコーダなしで共有バックボーンに届くようにしています。RefCOCO、RefCOCO+、RefCOCOg の全 8 分割で、指示表現理解は Qwen3.5 より平均 5.6 ポイント高く、知覚ベンチマークではすべて Qwen3.5 を上回ったとしています。
説明思考連鎖の忠実性検出のためのモデル計算過程の言語化
要約本論文はVERITASという手法を提案し、層ごとのヤコビアン射影によって、思考連鎖（CoT）の各生成トークンにおけるモデル内部の推論の変化を言語化された特徴として表します。これらの特徴で分類器を学習させることで、推論がどこでどのように不忠実な方向へ逸れるかを把握できるとしています。FaithCoT-BenchとBonaFideの4つのデータセットで、VERITASはLLM-as-Judgeより平衡精度が28.4%向上し、活性化プロービングより平均16.0%改善したと報告されています。
説明DeDiCa：スケーラブルな交絡除去型・離散因果生成モデル
要約本論文は、隠れた交絡を含む離散変数の因果推論のためのフレームワーク DeDiCa を提案している。因果ベイジアンネットワークをテンソル化されたパラメータ化で表現し、観測データに対して最尤法で一度学習させたうえで、隠れた交絡因子を厳密に周辺化する。学習後は、（代理）識別可能な任意の介入クエリを推定できる。平均処理効果（ATE）の推定において、最先端のニューラル因果生成モデルと同等の性能を示し、CPUでの省メモリ学習とミリ秒単位の厳密な介入推論に対応するとされている。
説明NestedVLA：視覚・言語・行動モデルのスキルを統合・生成する学習手法
要約本論文は、個別に微調整された視覚・言語・行動（VLA）ロボット方策を、元の学習データなしで統合する NestedVLA を提案しています。すべての更新を一つのチェックポイントに統合するのではなく、VLA に組み込まれたハイパーネットワークが選択したタスク用の行動専門家の重み更新を生成し、各タスクの圧縮された更新を別々に保存します。MetaWorld、ManiSkill、CALVIN で強化学習により微調整した3つの方策を統合し、平均成功率66.7%を達成しました。これは最も強いモデル統合の基準手法を41.1ポイント上回ります。ManiSkill ではタスクごとの微調整との差が1ポイント以内です。3方策の場合、総ストレージは単一の完全チェックポイントの1.5倍です。
