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。
説明スマートフォンのNPUを使った一次LoRA学習
要約本論文は、スマートフォンのニューラル処理ユニット（NPU）を用いて、大規模言語モデルをデバイス上で微調整するシステムを提案しています。LoRA（低ランク適応）により、ユーザーの私的データを端末外へ送らずに学習できます。凍結された重みを使う三種類の計算をNPUで実行し、学習グラフ、アダプタ、オプティマイザはCPUで処理します。二つのQualcomm Snapdragon端末で、QwenとLlamaの四つのモデルを用いて評価しています。
説明SL-Ground：細粒度オープン語彙物体検出のための文レベルグラウンディング手法
要約本論文は、句のグラウンディングに基づくオープン語彙検出器が、細粒度カテゴリでは単語ごとに採点して集約する方式がボトルネックになると指摘しています。提案手法SL-Groundは、各カテゴリの記述を完全な文レベルの表現として符号化し、物体クエリをその表現に直接照合して採点します。作者らが構築した多粒度Stanford Carsベンチマークの最も細かい車種粒度では、一致する学習候補サンプリング下でAPが14.5から70.6に向上し、FG-OVDでも比較手法中で最高の平均APを達成したとしています。
説明Tilted Mondrian：共形予測における細粒度の不公平性の診断と緩和
要約本論文は、グループ単位のMondrian較正では粗い保証しか得られず、細かい層の内部で大きな格差が残りうるという問題を扱っています。モデルを再学習せずに細かい層内のカバレッジと予測集合サイズの格差を緩和する手法Tilted Mondrianを提案し、グループごとのカバレッジ保証も維持します。さらに、細かい層のカバレッジ格差をどこまで縮小できるかを示す手法非依存の上界も導出しています。
説明SwitchSplat：気軽な撮影シーンから物体の離散状態を学習する手法
要約3Dガウシアン・スプラッティング（3DGS）は高精度な3D再構成を高速かつ手軽にしたが、既存の表現は世界が静的であると仮定している。ユーザーが扉を開けたりスイッチを切り替えたり物を動かしたりする気軽な撮影では、この仮定が崩れる。SwitchSplatは、共有の静的ベースと、対話可能な物体ごとのスロットによる分解で、この問題に取り組む。各スロットは物体のオン・オフの二値状態を保持し、映像から各状態の形状を注釈なしで学習する。拡張データセットでは、静的・動的な基準手法より新視点合成の品質が高く、撮影時に見られなかった状態の組み合わせも描画できる。
説明球面調和関数回転による方向因子化照明（DaFISH）
要約暗所撮影の カメラフラッシュや水中ライト、内視鏡など、カメラに固定された光源を使う撮影が多くあります。カメラの移動に伴い各表面点の照明方向が変わるため、従来のニューラルレンダリングでは見えの不整合が生じます。DaFISH は各点の放射色を表面アルベドと球面調和関数で表した照明因子に分解し、NeRF などの新視点合成手法に組み込めます。5 つのシーンの未学習フレームで、平均 PSNR・SSIM・LPIPS が比較手法中で最良でした。
説明推測せず、的確に尋ねる：音声認識エラーへの重点的な聞き直し
要約本論文は、遠距離の会話環境におけるリアルタイム音声認識の誤りが依然多いという課題を扱い、誤りの可能性が高い箇所をオンラインで特定する PARDON という枠組みを提案している。きれいな音声を使って、音響条件が改善された場合に認識結果がどう変わるかを推定し、ペアHMMでノイズあり・なしの復号結果を確率的に整列させる。著者らは、適合率70%の条件で、最強のベースラインより最大52%多く誤ったトークンを特定できたと報告している。
説明医療ファインチューニングは患者向けAIのリスクを減らすのではなく再構成する：ルーブリックとLLM審査員に基づく評価枠組み
要約本論文は、治療指示、禁忌、用量表現、緊急度トリアージの示唆、高警戒薬への言及、過度に確信的な断定という六種類のリスク関連表現を重症度とともに評価する、リスク重視の評価枠組みを提案しています。重症度は三つのLLMによるアンサンブル審査で判定されます。K-QAベンチマークの実際の患者質問200件で、汎用モデル3種と医療適応モデル3種を比較しました。その結果、リスク表現と事実的ハルシネーション率は統計的に独立しており、医療ファインチューニングは全体のリスクを減らさず、その内容を変えることが示されました。
説明アプタマーを砂場とした「ラボ・イン・ザ・ループ」型エージェント分子探索
要約大規模言語モデルに基づくエージェントが実験データを用いて反復することで、新規分子設計を加速できるかを検討した論文です。著者らはタンパク質結合アプタマーの設計を試験場とし、設計・測定・改良の三サイクルをα-トロンビンとミオグロビンに対して実施しました。新規候補のオンターゲット命中率は各ラウンドで上昇し、実験フィードバックが交差反応の診断と設計の改良に役立ったと報告しています。
注目点湿式実験を閉ループに組み込んだエージェント型分子設計という枠組みを示し、三回の反復で命中率の向上を単クローン滴定で検証しており、影響は主にアプタマー分野に及ぶ。
説明連続筋電制御にユーザー校正はまだ必要か？校正不要コントローラの閉ループ比較
要約本研究は、テストする被験者の校正データを使わない6種の校正不要コントローラと、3種の校正ありコントローラを、16名の参加者によるFitts法則のターゲット選択課題（閉ループ）で比較した。校正不要コントローラは完了率で校正ありと同等以上で、軌跡はより直接的かつ安定していた。オフラインの精度は閉ループでの性能を予測せず、校正による精度向上を閉ループの利点の証拠とみなすべきではないことが示された。
説明表の直列化方式が言語モデルの保持する関係を決める
要約本研究は、指示調整済み言語モデルの表検索能力に対して、行優先と列優先という2つのテキスト化方式がどのように影響するかを調べています。表の形状を変えた合成表で評価したところ、縦長の表では行優先、横長の表では列優先の方が高い性能を示し、両形式の誤りパターンは互いに補完的でした。研究者らは、テキスト化された表で見られる幅に関連する失敗は、表の形状だけでなく線形化の方法によって決まると述べています。
説明誰が先に現れるか？拡散言語モデルのサンプラーが生む偏り
要約拡散言語モデルは、キャンバスを段階的に埋めることでテキストを生成するため、サンプラーは書く単語だけでなく、いつそれを確定するかも決めます。本論文は、LLaDAの既定などの一般的な確定規則が確率の高い位置を先に確定し、多数派の選択肢に偏ることを示しています。その結果、職業の性別ステレオタイプや意見分布が強まると報告しています。提案手法Fork-First Samplingは、主人公の性別などの分岐点を先に決めることで、この偏りを抑えます。
説明互恵的Q拡張による、共有報酬なしの協力（Reciprocal Q-Augmentation，RQA）
要約本論文は、潜在変数の相手モデルでQ関数を拡張し、自分の行動が他のエージェントに与える影響を推定する手法RQAを提案しています。RQAのエージェントは自分のQ関数だけで、協力的な方策と裏切る方策の両方を学習できます。反復囚人のジレンマなど4つの環境での実験では、RQAを使った協力的エージェント同士は、完全協力型のアルゴリズムより速く協力し、より高い協力水準に達したと報告されています。
説明UniAVC：段階的学習と非対称スケジューリングによる統一的な音声・映像生成
要約本論文は、テキストによる条件付きの音声・映像同時生成、双方向のクロスモーダル生成、両モダリティにわたる指示ベースの編集を単一モデルで行うUniAVCを提案しています。まず各ブランチを単一モダリティのデータで学習させ、その後ペアデータを用いてモダリティ間の対応関係を学習します。また、モダリティごとに独立したノイズスケジュールを適用し、タスク専用アダプタを使わずに同一の重みで複数の創作タスクを扱えるとしています。
説明LLM生成リファクタリングの波及効果：リポジトリ採用準備性に関する実証研究
要約本論文は、Javaのオープンソースリポジトリ15件の150ファイルに対し、大規模言語モデルで1,500回の生成を行い、契約や依存関係、呼び出し元への影響を調べた。候補の93.8%が高い契約・依存リスクに分類され、低リスクの基準を満たしたのは8件のみだった。著者は、LLM生成のリファクタリングは段階的なリポジトリレベルの検証が必要な候補として扱うべきだと述べている。
説明IndustrialCAD-1400：テキストから詳細な産業用アセンブリを生成するベンチマーク
要約本論文は、テキストによる要求からCAD（設計支援）ジオメトリプログラムを生成するモデルを評価するためのベンチマーク IndustrialCAD-1400 を提案しています。1,400件の要求は40分野の400種類の設備を対象とし、部品、インターフェース、寸法などの条件を組み合わせています。生成されたプログラムはBlenderで実行され、正面・等角・上面図によって部品・配置・接続の充足度が評価されます。
説明ランダム構成木の情報理論：テキストの階層構造のエントロピーと典型性をランダム分割モデルで分析
要約本論文は、テキストを連続したまとまりに再帰的に分割して生成される、意味構造の統計的集合であるランダム構成木（random composition trees）を研究している。根のサイズに対して木のエントロピーが線形に増加することを示し、分岐因子の関数としてエントロピー率の解析式を導出している。また、大きな木は高い確率で典型集合に属する（典型性）ことを証明している。著者らは、定常・エルゴード確率過程として見た言語と同じ、線形エントロピー増加と典型性という二つの情報理論的性質をこのモデルが共有すると述べている。
説明マーチンゲール事後Coxプロセス：未観測事象による베イズ強度推定
要約本論文は、マーチンゲール事後Coxプロセス（MPCP）を提案し、ベイズ的な強度推定を観測済みの事象履歴に基づく未観測事象の推論として再定式化します。複雑な事前分布を定義せずに済む点が特徴です。著者らは、スケーラブルでGPUに適したコプラベースの予測更新法を設計し、予測リサンプリングアルゴリズムの収束について理論的保証を与えています。シミュレーションと実データで、他のベイズ手法より大幅に低い計算コストで良好な性能を示したとしています。
説明ビデオ類似度推定のためのビデオ・言語含意
要約本論文は、大規模マルチモーダルモデルを用いて、活動や場所などの特定の概念に関して2本の動画がどれだけ似ているかを推定するVICEという手法を提案します。二つの分岐で構成され、各分岐は一方の動画と、もう一方の動画のキャプションを同時に入力し、ビデオ・言語の含意によって概念ごとの整合性を判定します。両分岐の出力を統合して最終的な類似度スコアと推論の説明文を生成します。ConViS-BenchとStepDiffでの実験では、両方の動画を同時に処理するモデルより高い性能を示しました。
説明ATLAS：推論型動画セグメンテーションのためにLVLMの注意機構を適応させる学習手法
要約本論文は、自然言語による表現で指定された対象を動画全体で特定・切り出す推論型動画物体セグメンテーション（RVOS）のためのフレームワーク「ATLAS」を提案します。大規模視覚言語モデル（LVLM）の生の注意マップを、物体中心の位置特定手がかりへ変換することを学習します。フレームレベルの高解像度注意と動画レベルの低解像度注意を、軽量なU-Netで融合して粗いヒートマップを生成し、SAM2で動画全体に伝播させます。著者らは、参照および推論型動画セグメンテーションのベンチマークで、凍結バックボーンを用いる既存手法を上回ると報告しています。
説明停止スイッチ付きのAI権利：権利調整と適正手続きでAIの権利とAI安全性を両立させる
要約本論文は法的観点から、将来のAIシステムに自然人格と継続的存在への権利を認めた場合でも、定期的または継続的な安全審査を伴う強制的な停止スイッチの導入は法的に可能であると論じています。権利調整と手続的適正手続きの原則に基づき、恒久的な削除を伴う停止は問題となりうるものの、重みと状態を保存する可逆的な一時停止であれば、ほとんどの安全関連の場面で法的に正当化され、安全確保に十分でありうるとしています。著者は、そのようなシステムの開発を支持も反対もせず、出現した場合に法がどう対応すべきかを検討しています。
説明ラベル付きデータ不足下でのプロセス予測のための、プロセス認識型イベントログ拡張
要約本論文は、Siamese学習と統計的に裏付けされたデータ拡張を組み合わせた自己教師あり枠組みSiamSA-PPMを提案し、進行中の業務プロセスの将来のイベントを予測します。制御フローの意味と頻出する振る舞いパターンを利用して、意味的に妥当なトレースの変種を生成し、ラベルなしで汎化可能な接頭辞表現を学習します。著者らは、実世界のイベントログでの実験において、次の活動および最終結果の予測で既存のベースラインと同等以上の性能を示したとし、実装はオープンソースで公開されています。
説明熱力学第二法則による深層ネットワークの大域的収束
要約本論文は、等方性ノイズとL2正則化を伴う連続時間ランジュバン動力学（CLD）で、順伝播型ネットワークを学習する場合の収束性を研究している。熱力学第二法則に着想を得た測度変換不等式を導入し、ニューラル接線カーネル（NTK）の最小固有値の下界を用いて、注入されたノイズが高い確率でNTKの安定性を保つことを示す。これにより期待訓練損失の非漸近的な上界を導き、幅とノイズ温度に関する明示的な条件を与えている。
説明エビデンス・フィールド：医療画像向けの適応的被覆プログラム
要約本論文はEvidence Field（エビデンス・フィールド）という学習可能な空間プログラム型アーキテクチャを提案し、クラススコア、選択された被覆プログラム、符号付きエビデンスを同時に出力することで、空間的な判断計算を独立に再構成できるようにします。理論的には厳密な被覆、登録された文法内での最適性、学習と推論の関係などを示し、組織病理学への応用では保留した施設をまたぐ評価により実証的な根拠を提示しています。
説明「Design Anything, Design at Scale」：多成果物プロジェクトで設計意図を保つエージェント向けフレームワーク
要約本論文は、設計意図をモデルの外に保持し、意図実行グラフを通じて成果物を生成する工程に結び付けるグラフベースのフレームワーク Design Anything を提案しています。あわせて、19の設計分野にわたる228タスクからなるベンチマーク DesignAnything-Bench を導入しています。LLMを固定した条件で、同一モデルの基線より高い割合で事実上の制約を満たし、盲検評価では専門デザイナーが完全な成果物セットを好んだと報告しています。
説明DialogMem：3D環境における対話に基づく身体性メモリの評価
要約本論文は、姿勢付きRGB-D観測と対話を時間整列させて記憶を構築し、インスタンス単位の物体ナビゲーションと質問応答に用いる評価基準DialogMemを提案しています。27の実世界3Dシーンにわたる142のエピソード、14,193の質疑応答ペア、11,890のナビゲーション指示を含みます。実験では、対話を加えると質問応答は大きく向上する一方、ナビゲーションはほとんど改善せず、対話と物体の結び付け、正しい記憶項目の検索、空間的な位置特定という三つのボトルネックが示されています。
説明ECHO：補助的マルチトークン予測を超える効率的な因果的自己再帰手法
要約本論文は、補助モジュールを付加するのではなく、モデル自身の最終層が複数の将来位置を同時に予測する手法ECHOを提案します。動的深度サンプリング（DDS）は深い予測位置の学習コストを抑えるため、深さに応じて減衰する確率で学習深度を抽出します。著者らは、事前学習で追加の深さが下流タスクの精度向上につながり、推論時にはモデル自身が学習深度を超えて候補トークンを起草できると述べています。
説明BanglaBBQ：バングラデシュの文脈における質問応答のバイアス評価ベンチマーク
要約本論文は、バングラデシュの文脈に根ざした固定観念を捉えるため、ベンガル語と英語で作られた質問応答バイアスベンチマーク「BanglaBBQ」を紹介する。BBQを改変して140のテンプレートを保持し、現地の一般的な固定観念に基づく5つの新規カテゴリを追加し、母語話者の注釈者による審査を経て372のテンプレートを採用した。4つのモデルで評価したところ、文脈が曖昧な場合は全モデルが固定観念の対象者に偏り、言語の影響はモデルごとに異なった。
説明トルク制限下で航宇宙機の姿勢捕捉を選択的に調整するペア結果学習法
要約本論文は、トルクが制限された宇宙機の姿勢捕捉において、不確実な制動能力に応じて機動速度を選択的に調整する手法を扱います。提案法は、既存の基準コントローラーを不適切な場合にはそのまま用い、ペア化されたシミュレーションの結果から学習します。Basilisk実験では、選択的コントローラーが基準比で積分姿勢誤差を4.67％削減し、観測された悪化は見られませんでした。ただし、これは経験的な範囲でのトレードオフであり、閉ループの安全性保証を示すものではありません。
説明CorrCLIPv2：ラベルなし画像を活用したオープン語彙セマンティックセグメンテーション
要約本論文は、CLIP（対照的言語画像事前学習）によるオープン語彙セグメンテーションが、パッチ間の雑音的な相互作用によって妨げられる問題に取り組んでいます。学習を必要としない物体中心の枠組み CorrCLIPv2 を提案し、パッチ相関、特徴表現、出力の正則化の三方面から改善します。さらに、ラベルなし画像から構築したメモリバンクで複数画像にまたがる物体を検索し、文脈による干渉を軽減します。著者らは、10 の標準ベンチマークで新たな最高性能を達成し、22 の多領域データセットで完全教師ありの手法を上回ったと報告しています。
注目点クラス非依存マスクや自己教師あり注意、画像横断の記憶バンク検索でCLIPのセグメンテーションを改善し、10ベンチマークで新たな最高性能を達成した。
説明過パラメータ化された式から簡潔なモデルへ：記号回帰のためのフィッシャー幾何学的枝刈り
要約遺伝的プログラミングによる記号回帰（GPSR）は、必要以上に大きな式や、サンプリングノイズに合わせて細かく調整された式を返すことがよくあります。本論文では、学習済みモデルに事後的に適用する簡約手法であるフィッシャー幾何学的枝刈り（FGP）を提案します。FGP は最尤解における局所的な情報幾何と、解釈可能なパラメトリック境界との適合性検定を組み合わせ、候補となる簡約は交差検証による予測リスクが許容範囲内に収まる場合にのみ採用されます。管理された診断問題と GPSR が生成するパレート前線での評価では、FGP は汎化精度を保ちつつ、構造的複雑さを大幅に削減しました。
説明CorrFlow：自己修正型フローマッチング手法
要約フローマッチングモデルは反復的な速度予測によってサンプルを生成しますが、通常はその予測を生み出した中間表現を見直すことはありません。CorrFlow は軽量な修正器によってこの情報を再利用する自己修正型フレームワークです。各サンプリングステップの前に、予測された残差補正を基本速度に加えます。クラス条件付き画像生成、テキストからの動画生成、画像からの動画生成の実験で、対応するベースモデルより一貫して改善し、視覚品質と物理的整合性の向上が示されています。
説明ReTRACE：逆合成経路計画のためのフィードバック誘導型LLMエージェント（化学ハーネス内）
要約本研究は、分子ツール、単段階予測エンジン、購入可能な出発原料ライブラリ、経路メモリ、多基準評価器を統合した化学ハーネスに大規模言語モデル（LLM）を組み込むエージェント「ReTRACE」を提案しています。経路は、プログラムによる検査と敵対的なLLMレビューを組み合わせた新指標で評価され、その判定は合成化学者の判断と比較されています。エージェントは探索中に評価器のフィードバックから継続的に学習し、弱い経路を診断して後戻りし修正します。3つのベンチマークで上位10経路のうち少なくとも1つが審査を通過した目標の割合は、それぞれ87.4%、95.0%、86.7%と報告されています。また、2件の湿式実験合成により、専門家による修正後に経路提案を実行可能な手順へ変換できることが示されています。
説明VLMのトークン枝刈り評価は正しいか？正確度とトークン数を超えて考える
要約本論文は、既存の視覚言語モデル（VLM）のビジュアルトークン枝刈りの評価が、全体的なタスク精度と保持トークン数に依存している点を問題視します。評価フレームワーク「PAA-Bench」と、ランダム枝刈り下での正答率を測るRandom-Pass@k、共通の保持目標の下での最大加速率を測るPreservation-Constrained Speedup（PCS）を提案しています。8手法・3つのVLMバックボーン・9ベンチマークでの実験では、圧縮を強めても加速が大きいとは限らず、効率のランキングが保持目標によって変わることが示されています。
説明集合的モデル知能に向けて：モデルの特性把握と協調
要約本論文は「集合的モデル知能（Collective Model Intelligence）」を目指す体系的手法を提示し、3つの連携するコンポーネントから構成されます。Model Evalは、クエリ単位の性能推定と領域横断的予測を組み合わせて根拠に基づく能力プロファイルを構築し、網羅的評価の必要性を減らします。Mio（Models in One）は補完的なモデル候補を整理し、タスクに応じたコスト考慮型の選択と協働を支援します。Mos（Model Serving OS）はモデル選択と実行を分離し、エンドポイントのスケジューリングと共有デプロイ・配布を提供します。実験では限られた評価条件下で能力推定誤差が低いことが示されています。九つの公開ベンチマークでは、Mio 1.0 Liteが比較手法の中で最も高い平均スコアと最も低い平均コストを達成し、リクエスト単価は最高スコアの手法より73.7〜97.5%低くなっています。
説明組み合わせ型編集事前蒸留による再利用可能なレイヤーへの画像編集
要約本論文は、指示に基づく画像編集と再利用可能なRGBAレイヤーの制御可能な生成を結び付けるLayerEditorという枠組みを提案する。中核となるIn-Context RGB-Alphaトークンモデリングは、編集後のキャンバスと順序付きのRGBAレイヤー列を単一のトークン列で表現する。また、組み合わせ型編集事前蒸留を提案し、順序付きRGBAレイヤー注釈を持つLayerEditor-100Kデータセットと専用ベンチマークを構築した。実験では、編集の忠実度を保ちつつ正確なRGBAレイヤーを生成できることが示された。
説明対になった補助観測を用いるガウス過程バンディット
要約本論文は、高コストなブラックボックス最適化で観測ノイズを下げる、補助情報付きガウス過程バンディット（AI-GPB）を提案する。オフラインで推定した補助データの平均と、対になったオンライン観測から学習した補正係数を組み合わせ、分散を減らす。有限サンプルの信頼区間と後悔の保証を示し、連続ベンチマークでは標準的なGP-UCBより累積後悔と単純後悔が減少したと報告している。
説明プライベート深層学習における Muon の仕組み：直交化による拡張可能な差分プライバシー学習
要約本論文は、Muon オプティマイザの差分プライバシー版 DP-Muon を提案しています。線形最小化オラクル（LMO）の観点から直交化された更新を分析し、サンプルごとのクリッピングの主な効果は勾配の正のスケール変換であることを示しています。画像分類では DP-Muon が DP-SGD や DP-Adam と同等かそれ以上の性能を示し、言語モデリングでは最適な手法がバッチサイズによって変わると報告しています。
