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。
説明自動倉庫の通路内ロボットピッキングに関する解析モデルと離散事象シミュレーションの比較ベンチマーク
要約本論文は、自動倉庫の通路内ロボットピッキングを対象とした解析モデルと離散事象シミュレーション（DES）の比較ベンチマークを提示する。対象は水平方向のシャトル走行、トートの取り扱い、保管位置でのピッキングである。Lerherらの解析式と同一条件で比較した結果、180シナリオにおける平均絶対相対サイクルタイム誤差は0.8655%、最大は7.0370%であった。試験条件下で数値は近いが完全一致ではなく、実際の倉庫での検証も行われていない。
説明LLM群における情報フローを観測する行動プローブ
要約本論文は、最終的なタスク効用だけでなく、大規模言語モデル（LLM）群内部の情報の流れに注目します。幻覚分析用に設計された外部文脈スコア（ECS）とパラメトリック知識スコア（PKS）を転用し、各ノードが外部文脈と自身の内部知識にどれほど依存するかを測定する行動プローブを提案しています。実験では、ECSは入力の関連性とともに増加し、PKSは有用な文脈が蓄積すると減少する傾向が見られました。プローブに基づくノード剪定は冗長な通信とトークン消費を減らし、推理経路探索は効用のみを基準とする手法より速く収束したと報告されています。
説明Token集合選択がPOPEを交絡させる：VLM幻覚評価におけるYes/No抽出の系統的監査
要約著者らはPOPEベンチマーク上の幻覚緩和の結果を再現しようとしたところ、評価コードの読み出し方法だけでF1スコアが大きく変わることを発見しました。事前に定めた2つの語彙IDで回答を読み取ると、モデルはそれらのIDを一度も生成せず、空白付きの形式を生成していました。その形式を含めて読み取ると、LLaVA-1.5-7Bの敵対的分割でのF1は約6.13ポイント上がりました。多くの調査対象論文は読み出し方法を明記しておらず、参照結果は4ビットNF4量子化で実行されていたため、報告された改善のどこまでが評価方法によるものかは判断できないとしています。
説明ABACUS：凍結された判断モデル上のプログラム誘導型多段階推論
要約本論文は、凍結された判断モデルのために判断スキーマと合成プログラムを共同で構築するABACUSフレームワークを提案する。オフラインでは生成型教師が手順を設計し、オンラインでは判断モデルが局所的な意味的問いに答え、保存されたプログラムがその判断を組み合わせて解答を作る。3つのBIG-Bench Hardタスクで、プログラムのマクロ精度は99.67%とほぼ完璧であり、直接のKevや最終解答のみのQwen3.5-4Bの精度は64.00%と68.80%だった。パラメータは固定されたままである。
説明PaceVLA：視覚・言語・行動モデルにおける適応的時間的行動量子化
要約本論文は、視覚・言語・行動（VLA）ロボットモデルの実行効率の低さに対処するため、PaceVLA という枠組みを提案する。連続する低レベル行動を粗い時間粒度にまとめる行動量子化を、精密な制御が必要かどうかに応じて切り替える仕組みを備える。論文によれば、3つのマルチタスク・シミュレーションベンチマークと6つの実世界タスクで、タスク成功率を維持しつつ実行効率が向上したと報告されている。
説明活性化ステアリング（activation steering）を使い、音声認識（ASR）システムの性能と公平性を高める方法
要約本論文は、ASRシステムに活性化ステアリングを適用して、全体的な認識性能と人口統計学的な公平性を同時に改善する可能性を検討しています。配対活性化減算と教師あり最適化の二手法を比較し、前者は効果がなく、後者は性別・年齢・方言などの観点で性能と公平性を改善するステアリングベクトルを得られることを示しています。また、どの程度個人的なデータが必要かも調べ、音響的に類似した話者で学習させたベクトルが、同一話者や同じ属性グループで学習させたものと同等以上の結果となることを報告しています。
説明HORIA：インタラクション認識型再レンダリングによる単眼動画からの人と物体の4D再構成
要約本論文は、単眼動画から人と物体を同時に4D再構成する手法HORIAを提案します。まず動き認識キャプショニングで動画を時間的に区切られた意味の異なる相互作用段階に分割し、各段階の文章による説明を生成します。次に、その説明を条件として初期再構成結果を新しい視点から再レンダリングし、テキストから動画への拡散事前分布で補正して単一視点の情報不足を補います。著者らは、多様な相互作用の場面で時間的に一貫した高精度な再構成を実現し、最先端の性能を達成したと報告しています。
説明EmbodiedWorld-200K：具身計画データセットと対話型世界モデルによる具身世界エージェントへの取り組み
要約本論文は、多様な3次元環境を認識し、推論し、行動できる具身世界エージェント（EWA）を対象とし、多様なシーンを含む20万件超のデータセットEmbodiedWorld-200Kを公開しています。各サンプルには低レベルのカメラ運動軌跡から高レベルの意味的指示までの多層的な注釈があり、統一された評価分割とタスク別指標も提供されます。さらに、低コストな環境代理として動画世界モデルを用い、その中でEWAを強化学習で事後学習する手法を提案しています。実験では、本データセットでの事前学習によって開放環境での計画能力が向上し、世界モデル内での強化学習が分布外のシーンで明確な改善をもたらしたと報告されています。
説明LLMエージェントのマルチターン強化学習における生産的な状態空間探索
要約本論文は、マルチターンかつ長期的な環境で大規模言語モデル（LLM）エージェントを強化学習させる手法を扱う。エージェントが無効な行動や反復的なループに陥る問題に対し、内部状態の表現と環境の動態との不一致が原因だと論じている。そこで、観測が既存の状態メモリと重複する行動に罰則を与える内発的報酬を用いた条件付き状態空間探索の枠組みを提案する。著者らは、この手法によりポリシー学習が大きく改善し、無効な行動と反復ループが緩和されたと報告している。
説明CXBench：規制対象の顧客対応業務におけるプロセス準拠型LLMエージェントのベンチマーク
要約本論文は、規制の対象となる六つの分野の顧客対応業務において、大規模言語モデルのエージェントを評価するベンチマーク「CXBench」を提案している。最終結果の正しさと手続きへの準拠を別々に評価し、開示、同意、手順の順序などの要件を確認する。七つのモデルと120のタスクによる実験では、結果は正しいが手続きに違反した実行が保持された840件のうち55.5%を占め、両方の検査に合格したのは13.8%のみであった。
説明AdaExploreBench：変化する環境での能動的探索とテスト時適応を評価するLLMエージェントのベンチマーク
要約本論文は、隠れたルールで環境の動的変化を再現するベンチマーク「AdaExploreBench」を提案し、エージェントが証拠を能動的に集めてルールを推測できるか、またルールが予告なく変化した後に古い知識を見直して再探索できるかを検証する。8つの主要なLLMによる実験では、最も良い結果でも校正済み精度は61.9%にとどまった。十分な証拠があれば推論はできるが、正しい証拠を能動的に得ることや、既に得た証拠が無効になったことを認識することが現状の大きなボトルネックだと結論づけている。
説明OrderGPT：生成順序を学習可能なモデリング上の選択とする研究
要約この論文は離散データの生成順序を扱います。GPTのような自己回帰モデルは左から右への固定順序で生成し、マスク拡散モデルは任意順序で生成します。両者は同じ軸上の両極端とされます。提案手法OrderGPTは、正準順序の教師なしに、単一の学習過程でタスクに適した生成順序を学習します。論文によれば、言語、人体姿勢、表形式データのいずれでも下流のモデリング指標が改善したとされています。
注目点タスクレベルの生成順序を学習する新しい枠組みを提案し、言語・姿勢・表形式データで検証しているが、実験の規模と比較は限定的である。
説明「記録が現実に勝る」問題：エージェントの意思決定モデルはなぜ実行記録を信じるのか
要約この論文は、行動が静かに失敗した場合に、エージェントの意思決定が環境の観測と自身の実行記録のどちらに従うかを調べたものです。Android画面、ALFWorld、WebShopの4種類の意思決定モデルで検証し、行動が実際には失敗していても、モデルが記録に基づいて停止・進行・購入を続けることを示しています。また、中間層の隠れ状態で否定を行うEVIGATEという手法を提案し、注入した静かな失敗の条件下でタスク成功率を改善しています。
説明マルチエージェント経路探索のためのコード空間でのポリシー探索
要約本論文は、手作業によるアルゴリズム設計や不透明な強化学習に代わり、自律型コーディングエージェントを用いてコード空間で直接ポリシーを探索する手法を提案している。エージェントはシミュレーションの feedback と正当性検証を手がかりに、アルゴリズムを反復的に提案・実装・評価・改良する。二つの事例研究では、この手法が人手で設計された解を上回る結果を示したと報告している。
注目点コード空間での方策探索という新しい枠組みを提案し、シミュレーション倉庫で58.9%のスループット向上と完全性の証明を示し、根拠は比較的充実している。
説明TRACE：テキスト・視覚埋め込みモデルのための訓練意識型の頑健性・課題評価フレームワーク
要約本論文は、テキスト・視覚埋め込みモデルの性能が一般能力、タスク適応、困難なタスクへの頑健性のどこから来るのかを区別するため、TRACEという評価フレームワークを提案しています。168のタスクを通用、適応性、課題の3カテゴリに再編成し、2つのモデルで制御実験を行いました。一般データと適応データの組み合わせにより適応性能は向上し、通用性能はほぼ維持されました。一方で課題カテゴリの性能は5.0を下回ったままで、多言語タスクと視覚文書タスクが主な弱点として特定されています。著者らは、データ適応だけでは不十分だと結論づけています。
説明CoASFL：非同期分割連合学習のための結合型一貫性最適化
要約本論文は、資源が限られたエッジデバイスで大規模な深層モデルを学習するための非同期分割連合学習（SFL）フレームワーク CoASFL を提案する。動的な活性化マージ機構により、クライアント間の水平方向の不一致を緩和し、一貫性を考慮したモデル集約機構により、参加頻度と進捗差に応じて集約重みを調整して、クライアントとサーバー間の垂直方向の不一致を抑える。80台の異種エッジテストベッドでの実験では、既存手法より1.61倍から3.74倍速く学習が進み、異種環境下で最終モデルの精度も向上したと報告されている。
説明『息をする音声LLM：対話における非言語的発声のモデル化』：呼吸やため息などを自然に生成する音声対話モデルの研究
要約本論文は、呼吸・感情・談話に関わる非言語的発声（NVV）を音声対話モデルが欠いている問題に取り組みます。13種類の主要なNVVを対象に、自動合成パイプラインで人間の会話習慣に沿った対話データセットを構築しています。多段階ファインチューニングとNVV対応のGRPOにより、文脈に合ったNVVを生成する能力を高め、共感的対話とロールプレイ対話でVocalNetとVITA-Qinyuの表現力を向上させたと報告しています。
説明大気汚染の全球確率予報：千メートル規模のPM2.5を扱う生成モデル（Foehn）
要約本論文は、全球の千メートル規模のPM2.5推定値から学習し、空気の由来も計算する生成モデル「Foehn」を提案する。一年分の遡及予報では、三つの観測地点の四分の三の事例で業務予報を上回った。アンサンブル予報は較正されており、そのアンサンブル平均は局所的な汚染の極値を、業務予報が一日前に捉えるのと同程度に四日前から検出できた。
注目点生成モデルFoehnでキロメートル規模のPM2.5確率予報を提案し、回顧的予報で業務予報を多くの観測点で上回る。
説明GMoE-FTI：真のMixture-of-Expertsを採用した汎用顔テンプレート逆変換手法
要約顔認識システムでは、プライバシー保護のため生の顔画像ではなく顔テンプレートを保存することが一般的です。しかし顔テンプレート逆変換（FTI）技術はテンプレートから顔を再構成でき、生体情報のプライバシーを脅かします。既存手法は単一種類のテンプレートにしか対応できません。本論文は、三段階の学習で動作する真のMoE機構を用いたGMoE-FTIを提案し、事前学習済みStyleGAN3と組み合わせられる統一潜在符号を生成します。LFWベンチマークと七種の未知テンプレートにおいて、TARは平均約40%向上し、FAPDとFAPCはそれぞれ約2%低下しました。
説明MITRA-lexicon：サンスクリット語から英語・チベット語・中国語への実例付き翻訳語彙集
要約標準的なサンスクリット辞典は重要ですが、用例は版の略記で示され、デジタル化されたテキストへのリンクや訳文は含まれず、後に出た翻訳も反映されていません。本研究は、梵英・梵蔵・梵漢の対訳コーパスに基づき、約218万の見出し語を収めたMITRA-lexiconを構築しました。各用例には文の対と語の文字位置が付いており、対応付けには複数段階のパイプラインを用いています。辞典、モデル、検索用ウェブインターフェースが公開されています。
説明KV-Surgeon：補償を考慮したオフラインKVキャッシュ圧縮手法
要約本論文は、大規模言語モデルのKVキャッシュ（キーバリューキャッシュ）を、一度だけ小さく構築して再利用するオフライン圧縮手法KV-Surgeonを提案します。キャッシュ項目同士の相互作用を、校正データを用いて扱える形で考慮し、削除と補償を同時に決める閉形式の二次近似を導出しています。QuALITY、LongHealth、Long Code Arenaで、4Bから30Bパラメータの密モデルと混合専門家モデルにおいて、コストと精度のパレートフロンティアを改善したと報告されています。
説明多様性を保つ拡散LLMデコーディング用の系譜維持型逐次モンテカルロ法
要約本論文は、マスク拡散言語モデルの推論時デコーディングを対象に、系譜を維持する逐次モンテカルロ法（LP-SMC）を提案する。Chopthin再サンプリングと入力重みの下限を組み合わせ、多項式再サンプリングで正解に至りうる候補の系譜が失われることを防ぐ。数学推論とコード生成のベンチマークで、オラクル被覆率が全設定で向上し、多くの設定で最終的な正答率も改善したと報告している。
説明EvoSkill v2：ベンチマーク適応からステートフルな進化器までの完全エージェント型スキル進化
要約EvoSkill v2は、モデルや実行ハーネスを変えずに、エージェントに与える指示（スキル）を編集する三エージェント方式のシステムです。SpreadsheetBench v2では、保留データでの合格率が、SkillOptとSkillBoostのうち強い方より7.7ポイント高くなりました。τ³-bench銀行ベンチマークでは5.4ポイント高くなっています。さらに、より能力の低いモデルであるClaude Haiku 5.5でも、τ³-bench銀行実験でスキルを改善し、最大21.5ポイント向上しました。
説明TESS：LLMで誘導する具現化タスク計画の探索手法
要約本論文は、複雑なタスクを原子的な行動に分解する具現化エージェントのタスク計画問題を扱う。大規模言語モデル（LLM）の常識知識を用いて、自然言語の指示を目標条件に変換し、部分観測環境での探索を支援し、ルールベースの世界シミュレータを実装し、候補行動の空間を絞り込む探索アルゴリズムを提案する。VirtualHomeとALFWorldでの実験により、その優れた性能が示されたとしている。
説明OmniGround：注意力一貫性学習による全モーダル時間的グラウンディングの強化
要約本論文は、全モーダル大規模言語モデルが動画の時間的グラウンディングを苦手とする点に着目し、モデル内部の注意は生成されたタイムスタンプより目標時刻を正確に捉えていると指摘します。これを時間生成ギャップと呼び、内部注意を予測と正解注釈の両方に合わせる後学習手法 TACG を提案しています。さらに 58 万件の学習データを構築し、OmniGround を訓練しました。LongVALE で 37.5 mIoU、UnAV-100 で 35.7 mIoU を達成したと報告されています。
説明CondenseVLA：効率的な多フレームVLAのための学習可能な履歴圧縮手法
要約本論文は、ロボット操作の多フレーム方策CondenseVLAを提案します。行動デコード側に学習可能な履歴圧縮モジュールを置き、学習可能なクエリとマルチヘッドのクロスアテンションで直近フレームの特徴を固定数のスロットトークンにまとめます。補助的な正則化によりスロット間の重なりを抑え、冗長性を減らします。Simpler-WidowXでは成功率が58.7%から69.8%に向上し、LIBEROでは97.2%、実世界タスクでは52.8%、記憶依存のRMBenchでは21.6%でした。
説明MIRA：制御可能なレポートのためのマルチモーダル図解型ディープリサーチエージェント
要約本論文は、文章と画像の両方の根拠を調査と執筆の全過程で統合する、制御可能な図解レポート作成用のマルチモーダル深層調査エージェントMIRAを提案しています。システムは、証拠収集、レポート提出、フィードバックに基づく修正、最終提供の4段階で構成され、構築したマルチホップのマルチモーダル調査軌跡データで基盤モデルを事後学習しています。Qwen3.6-35B-A3Bを用いた場合、7つのベンチマークでオープンなエージェントの中で最高水準の性能を達成し、利用者の要望に沿い根拠を追跡可能な図解レポートを生成するとされています。
説明UtilityBench：誤りのコストが異なる場合に言語モデルの有用性を測る
要約本論文は、誤りのコストは場面によって異なるという前提に立ち、効用に基づく評価手法を提案しています。医療などでは一つの誤りが患者の安全を脅かす一方、従来の評価はすべての誤りを同等に扱っています。著者らは、検証可能な解答を持つ15,000件のインスタンスからなるベンチマークUtilityBenchを構築し、最良-最悪尺度法（Best-Worst Scaling）で誤りの深刻度を定量化しました。また、指標UtilityAUCを提案し、20の最新モデルを評価した結果、精度の向上や先進的なアーキテクチャが必ずしもUtilityAUCの向上につながらないことを示しています。
説明SAPO：視覚言語モデルの動画時間的グラウンディングを改善する自己教師型アテンション方策最適化
要約動画向け視覚言語モデル（VLM）は意味理解に優れるものの、時刻の正確な特定は信頼性が低いです。著者らは4つのVLMと2つのデータセットで分析し、モデル内部のアテンション区間が、出力されたタイムスタンプより約66%の有効サンプルで優れることを示し、この差を「時間生成ギャップ」と呼びました。そこでラベルなしの動画・クエリ対だけを用いてこのギャップを埋める手法SAPOを提案し、複数のモデルとデータセットで時間的グラウンディングを改善しつつ、一般的な動画理解を維持したと報告しています。
説明Maestro：協調によるエージェント型形式証明開発
要約Maestro は、LLM エージェントが形式証明を書く際の失敗に対処する Lean 証明ハーネスです。証明器は失敗の理由を報告し、証明全体を見る協調器が、証明器への指導、誤った補題の修正、誤った部分木の撤回と再計画のいずれかを選びます。論文では、7 つの数学と 3 つのソフトウェア検証ベンチマークで 4 つの最先端 LLM を評価し、各モデルのネイティブな coding agent より多くの対象を証明できたと報告しています。また、共通のベンチマークでは公開済みの証明システムを上回ったとしています。
注目点証明失敗の原因を区別し全体を調整する新しい枠組みを提案し、多数のベンチマークで比較実験を行っているが、理論的な飛躍は見当たらない。
説明LEAPS：長文脈における適応的パターン学習と状態追跡の評価
要約本論文は、エージェントワークフロー、行動モデリング、市場・世界イベントの予測をカバーする12の新規データセットからなるベンチマークLEAPSを提案し、大規模言語モデルの長文脈能力を評価します。30のAPIモデルおよびオープンモデルを、8Kから512Kの入力トークンで評価しています。召回タスクでほぼ完璧に動作するモデルでも、状態追跡とパターン学習の能力には大きな差があり、入力が長くなると大きく低下することが示されています。また、思考型モデルはベースモデルより性能が低い場合が多いとされています。
説明LEAP：最適線形ジャンプによる常微分方程式ベース拡散サンプリングの高速化
要約拡散モデルは、学習不要の高速サンプリングに汎用の常微分方程式数値解法を主に用いますが、時間離散化が粗いと性能が低下します。本論文は、サンプリング軌道の幾何学に関する理論的・実験的分析に基づく専用手法LEAP（最適線形ジャンプ）を提案します。局所的な軌道部分空間で教師ありの最小二乗問題を定式化し、モデル評価なしで将来の状態を精度よく近似します。文章から画像（Stable Diffusion 3.5、FLUX.1-dev）や画像から3D（TRELLIS.2）まで多様なモダリティで既存手法を上回り、既存のソルバー系手法にもプラグアンドプレイで組み込めると報告されています。
注目点サンプリング軌道の幾何に基づき局所部分空間での最小二乗線形ジャンプを提案し既存ODE solverを実質的に改良；複数モデルで検証され証拠は充実。
説明FisherEdit：フィッシャー情報量に基づく大規模言語モデルの知識編集手法
要約大規模言語モデル（LLM）で知識編集を逐次行うと、パラメータの累積的な干渉により汎用的な能力が低下することがあります。本論文はAlphaEditなど射影ベースの手法を再検討し、その頑健性は意図された零空間への射影ではなく、更新の正則化によるものだと指摘します。これを踏まえ、フィッシャー幾何（Fisher geometry）に基づくFisherEditを提案します。FisherEditは、活性化空間での粗い射影を、パラメータ空間での重要度を考慮した正則化に置き換えます。感度の高いパラメータへの変更をより強く抑制し、新しい事実への柔軟性は残します。また、行ごとの効率的な閉形式解を持ちます。Llama-3、Qwen2.5、Olmo-3における複数のベンチマーク実験では、最先端の性能を示すとともに、モデルの安定性と下流タスクの精度をより良く保持することが示されています。
説明3D-MoE：3D積層近メモリ計算向けMoEデコードの、専門家相補性を活用したハードウェア・ソフトウェア協調設計
要約混合専門家（MoE）大規模言語モデルのデコードはメモリ律速で、専門家の負荷が偏り時間とともに変化するという課題に対し、本論文は3D-MoEシステムを提案する。専門家の相補性を利用し、オフラインでのグループ化と局所性を考慮したマッピングでグループ間の負荷を均衡させ、協調メモリネットワークでグループ内のホットスポットに対処し、オンラインの再マッピングで負荷変動にも対応する。複数のMoEモデルでは、専門家並列方式に比べMoE層で平均4.63倍の高速化、最強の近メモリ計算ベースラインに比べ端到端スループットが1.58～1.86倍向上したと報告され、ロジックダイ面積の増加は2.11%とされている。
説明CALM：大規模推論モデルの過剰思考を抑える、デコード空間での一貫性考慮型 logit マスキング
要約本論文は、大規模推論モデル（LRM）が長い思考連鎖で不要な推論を繰り返す「過剰思考」を抑える手法 CALM を提案しています。途中の仮答えを監視し、「Wait」「Alternatively」「Hmm」などの転換語トークンに logit マスキングを適用して冗長な推論を抑えます。学習は不要です。4 つのモデルと 5 つのベンチマークでの実験では、トークン消費が 18.6%〜25.0% 減少し、精度も一部で向上したと報告されています。
説明動的テキスト属性グラフにおけるエッジ分類のための意味と時空間の共進化分析
要約本論文は、レビューネットワークやコミュニティフォーラム、ニュース由来の知識グラフなど、動的なテキスト属性グラフ上のエッジ分類において、テキスト表現をネットワークトポロジーと共に進化させる効果を調べたものです。軽量なTransformerアダプタを用い、対照的事前学習の目的関数から得られる時空間勾配でテキスト表現を更新し、言語モデル維持目標によって意味構造の歪みを抑えます。動的テキスト属性グラフベンチマークでは、テキストを固定したベースラインを複数のWeb関連領域で上回り、エンドツーエンドの同時学習に比べ計算負荷を抑えられたと報告されています。
説明高速ビジョンMambaと基盤モデル特徴のマルチスケール融合による前立腺Gleason分類（計算病理学）
要約本論文は、前立腺全スライド画像のGleason分類のため、状態空間モデルに基づくマルチスケール分類手法を提案する。凍結された病理基盤モデルの特徴と、基盤モデルから蒸留されたFastVim（ImageNetで事前学習）が生画像から読み取る特徴を、Mambaで符号化し融合ヘッドで統合する。PANDAデータセットの5分割交差検証で、マクロF1は0.894、Gleason 5のF1は0.802に達し、最良の単一スケールモデルに対しそれぞれ12%、21%の相対的改善を示した。
説明継続学習における分布外検出：再学習用バッファを使わない新手法
要約本論文は、モデルが複数のタスクを順番に学習しながら未知のサンプル（OOD）を識別する、継続学習下の分布外検出を扱っています。著者らはKolmogorov-Arnold Networks（KAN）に着想を得た検出フレームワークと、活性化の局所性をタスクごとに制御する分類器TA-KANを提案しています。論文によれば、過去のデータを保持せずにOOD検出を大きく改善しつつ分類性能も維持し、この分野で最高水準の結果を達成したとしています。
説明SWE-Residual：先行作業が残った状態でのコーディングエージェントの頑健性を評価するベンチマーク
要約本論文は、開始状態に先行作業が残っている場合にコーディングエージェントが性能を維持できるかを測るベンチマーク SWE-Residual を提案しています。DeepSWE と Terminal-Bench から抽出した 198 個の残留状態を含み、先行エージェントは完了を報告したものの隠しテストは失敗していました。五つの最先端エージェントでは、クリーンな開始と比べて成功率が DeepSWE で 20.6〜53.5 ポイント、Terminal-Bench で 20.6 ポイント以上低下しました。
注目点開始状態の頑健性という新しい課題を提起し、198の残存状態と清潔な開始との比較で受容バイアスを示し、コーディングエージェント評価への影響が大きい。
説明AIはいつ口を挟むべきか？多人数チャットにおける能動的エージェントの発言タイミングのベンチマーク
要約本研究は PITCH（Proactive Intervention Timing in CHat）というベンチマークを提案し、35 件の無台本の多人数会話に参加した 89 人から、384 件の候補発言について計 1,091 件の人間による判断を収集しました。15 のモデル・28 の設定を評価した結果、会話全体を見渡せる場合は適切な位置を選べるものの、会話が進むなかでリアルタイムに判断させると発言が早すぎる傾向があり、最適ターンの正答率は 57.8% から 19.0% に低下しました。
注目点大規模な人間の判断に基づく初の主動介入タイミングのベンチマークで、モデルが系統的に早すぎる発言をする問題を明らかにした。マルチパーティ対話エージェント分野への影響が中心。
説明注意機構を用いたクロストーク型アーキテクチャによるモーター複合故障診断
要約フィジカルAIが物理システムの理解にセンシングを活用する中、産業機械の状態監視の重要性が高まっており、同時に複数の故障が起きる可能性も増しています。本論文はRNDR-TFCAを提案し、各タスク固有の特徴抽出器を保ちつつタスク間で情報を選択的に交換し、時間周波数注意とチャネル注意で有用な情報を強調します。回転子・軸受系での実験では、マクロF1スコアは0.898で、複数のベースラインを上回りました。パラメータ数は713Kです。
説明話者検証のための多様体制約付き残差適応とフレーム適応型層集約
要約大規模な自己教師あり音声モデルを話者検証に使う際、全体の微調整はコストが高い問題に対し、本論文はパラメータ効率の良い適応手法を提案します。第一に、Transformerの残差状態を複数のグループに分け、Sinkhorn正規化行列でグループ間の情報を交換する多様体制約残差アダプタ（MCRA）で、学習可能なゲートが元の経路と混合経路のバランスを制御します。第二に、全発話で共有される学習済みクエリで各フレームごとに層の重みを計算するフレーム適応型層集約（FALA）です。固定重み和を用いる凍結WavLMベースラインと比べ、VoxCeleb1-Oで相対EERを22.4%、CN-Celebで2.9%削減し、学習可能パラメータはWavLM-Largeのそれぞれ0.0009%と0.0016%に相当します。
説明疎な視点の3Dガウシアンスプラッティングを見直す：過学習防止のための少数ショット学習の視点
要約本論文は、疎な視点条件で3Dガウシアンスプラッティング（3DGS）が過学習や形状の劣化を起こす問題を扱います。各ガウス基本要素をニューロンとみなし、少数ショット学習の視点から統一的な枠組みを提案しています。光フローに基づく擬似視点の合成とカメラ・シーンの同時最適化、そして運動認識型ドロップアウトと早期停止による正則化を用いています。SIGGRAPH Asia 2025のボリュメトリックビデオ挑戦課題の疎視点データセットで既存手法を上回る結果を示し、同課題の疎視点部門で1位を獲得したと述べています。
説明実装ではなくインターフェースを学習する：LLMによるRTL生成では出力表現が学習方式より重要
要約本論文は、大規模言語モデル（LLM）によるレジスタ転送レベル（RTL）ハードウェアコード生成を、SECDED（1ビット訂正・2ビット検出）ECCメモリラッパーの生成タスクで検証したものです。タスクと検証方法を固定し、七種類の学習方式と四種類の出力表現を比較しています。直接RTLを出力する場合の合格率は最大0.17にとどまる一方、構成情報を出力すると学習なしでも0.83に達し、出力表現が学習方式より大きく影響することを示しています。
説明非同期オンポリシー自己蒸留（AsyncOPSD）：1つのモデルが生徒と教師を兼ね、学習スループットを高める手法
要約本論文は、非同期オンポリシー自己蒸留フレームワークAsyncOPSDを提案しています。1つの言語モデルが生徒と教師（教師は特権情報を条件とする）を兼ね、ロールアウト生成と学習更新を分離して学習スループットを向上させます。古い方策で生成されたトラジェクトリが性能を損なう問題に対しては、陳腐化を考慮した方策制御とトークン単位のエントロピー重み付けを用いた蒸留目標を導入しています。3つのモデル規模と数学的推論ベンチマークで、同期型OPSDと比べて学習スループットは1.96～2.25倍になり、平均ベンチマーク精度も向上したと報告されています。
説明DeltaTrace：推論型言語モデルのための効率的な符号付き帰属手法
要約本論文は、文脈中の入力トークンが言語モデルの固定された応答をどのように支持または反対するかを説明する帰属フレームワーク DeltaTrace を提案する。説明対象の文脈トークンをマスクした際の応答の対数確率の変化を測定し、その差を計算グラフに沿って逆方向に配分する。評価した注意機構モデルでは、多くの検索・推論タスクで削除忠実度スコア（RISE と MAS）が最も低く、needle-in-a-haystack の再現率が最も高く、FlashTrace を 5.67〜24.33 ポイント上回った。
説明干渉的ステップ・クレジットによる効率的な推論学習
要約大規模推論モデルの思考連鎖は長くなりがちで、有用な中間ステップと不要なステップが混在します。本論文は、パラメータレベルの介入によって各ステップが答えへの推論にどれだけ寄与するかを評価する干渉的ステップ・クレジット（ISC）を提案します。さらに、ISC を用いて強化学習での優位性を細かく再スケールする IGPO を提案し、重要なステップを残しつつ冗長なステップを減らします。二つのモデル規模と九つのベンチマークで、IGPO は平均トークン数を最大 62% 削減し、比較手法より総合的な性能も優れていました。
説明視覚・言語・差分・行動（VLDA）：ロボット操作のための実行可能な状態遷移インターフェースとしてのコンパクトな差分学習
要約本論文はVLDAという手法を提案し、完全な未来状態を予測する代わりに、世界状態の潜在的な変化を表すコンパクトなDelta変数を学習します。このDeltaは視覚・言語理解と行動生成をつなぐインターフェースとして機能します。局所遷移フィルタ（LT-Filter）は操作に関連する変化を捉えて静的な再構成の偏りを抑え、大域遷移アンカー（GT-Anchor）は状態変化の全体的な方向を保つための粗い正則化を行います。実験では、長期的な一貫性、頑健性、汎化性能の向上が示されています。
説明残差誘導型適応 Tucker ランク配分によるパラメータ効率的な MCI 転換予測
要約本論文は、事前学習済み三次元ネットワークのパラメータ効率的ファインチューニングのため、残差誘導型適応 Tucker ランク配分法を提案している。固定のアダプタパラメータ予算の下で、各畳み込み層の入力・出力チャネルのランクを選択し、層ごとの再構成残差を用いて動的計画法により全体最適な配分を求める。ADNI コホートで 36 か月以内の軽度認知障害からアルツハイマー病への転換を予測した実験では、5 つの乱数シードの平均 AUC は 0.7706、学習可能パラメータは約 0.618 百万（全モデルの 1.45%）であった。
説明CODA：コホートと偏差を考慮したマルチモーダル臨床推論の基盤モデル
要約本論文は、マルチモーダル臨床推論のためのCODAモデルを提案しています。既存手法の多くは個々のサンプル単位で学習するため、集団のコホートパターンと患者個人の差異を同時に扱いにくいという課題があります。CODAはコホート認識の集団層別化と、偏差認識の個人適応という2つの仕組みを組み合わせ、強化学習で臨床的に意味のある患者コホートを発見し、コホートの原型からのずれを構造化された信号として表現します。実世界の電子カルテベンチマークで、閉じた質問応答、開いた質問応答、報告書生成の各タスクにおいて一貫した有効性と汎化性能を示したと報告されています。
説明製造業サプライヤー発見におけるLLMベースの証拠スクリーニングのための利益志向ルーティングと有界修正
要約本論文は、証拠審査システムがモデルによる追加判断をどのように配分し、その利用を制御するかを、6,164組の凍結された製造業のソース・タスク対を用いて検討しています。元の300件のテストでは、60回の照会で人間の二名の参照との一致が202/231となり、ロジスティックリスク・ルーターの189/218を上回りました。ただし追加の300件では差は優位性を示していません。200対の同一性監査の加重マージ精度は97.45%と報告されていますが、企業非重複の前向き性能は未検証です。
説明相関したソース障害下での最小コスト頑健な証拠証明書（Horn推論）
要約本論文は、最大 k 個のソースドメインが撤回されても Horn 結論が成立し続けるための、最小コストの証拠証明書を研究する。証拠記録は主張された事実と区別され、複製された証明や重複する障害依存関係を扱える。最小支持フットプリントの横断集合によって頑健性を特徴づけ、正確な手続きとして、重み付き証拠選択とソース障害オラクルを交互に用いる方法を提示している。正しさ、有限停止性、コスト最適性が証明され、実験では実用的な資源範囲内で最適解の最大 92% をカバーできたと報告されている。
説明ActionRoPE：平面カメラのゲームワールドモデルで空間的に一貫した制御を行うための、ワールド座標としての行動表現
要約本論文は、トップダウンやアイソメトリックなどの平面カメラのゲーム世界におけるリアルタイムのインタラクティブ生成を対象とし、行動によるカメラ移動をワールド座標の回転位置へ変換する、パラメータを必要としない行動インターフェースActionRoPEを提案しています。あわせて、既知の領域と新規の領域の構造に応じてトークンごとにノイズ除去スケジュールを割り当てるCoordinate-Conditioned Noise Scheduling（CNS）を提案しています。論文によれば、4つの代表的な行動条件付け手法と比べて指示された動きにより忠実に従い、最も強いベースラインに比べて再訪ドリフトを66%削減したとされています。
説明トークン効率の良い強化学習のための適応的デコード手法：学習中に候補トークンの範囲を動的に調整し、RLVRのサンプリング効率を高める研究。
要約本論文は、検証可能な報酬による強化学習（RLVR）のロールアウト・デコーディングにおいて、候補トークンの集合を固定すべきか、学習中に広げるべきかを検討しています。主な方式は、top-K=10からK=20へ、さらに全候補へと段階的に広げるものです。4B規模のコードRLVR設定の3回の実行で、この方式は対応する固定K=10の比較対象より、1億5000万トークン時点の補間検証値が高く、平均で1.80±0.42ポイント上回りました。著者らは、ロールアウトの候補範囲がRLVRのサンプリング効率を左右する重要な制御要因であり、適応的なスケジュールのさらなる研究が必要だと述べています。
説明自己進化エージェントは継続学習者といえるか？
要約本論文は、タスクの流れが変化し続ける状況で、大規模言語モデルのエージェントが継続的に学習できるかを検証しています。BIRD、BFCL、ScienceWorld から作られた四つの変化するタスク列で、ReasoningBank、GEPA、Meta-Harness の三手法を評価しました。その結果、自己進化は多くの場合で全体性能を向上させるものの、可塑性の向上は安定性の低下を伴い、現状の自己進化エージェントは未完成の継続学習者だと結論づけています。
説明直接選好最適化（DPO）の統計的学習理論：選好モデルの不一致がどう性能を制限するか
要約本論文は、Bradley-Terryモデルの仮定が成り立たない場合に、直接選好最適化（DPO）の性能がどこまで制限されるかを研究している。構造的な誤指定、モデル容量、有限標本推定の誤差を区別し、選好の対数オッズのtriangle-curlで構造的近似誤差を特徴づけている。また、ReLUスコアモデルの近似速度や有限標本境界を導き、文脈的選好精度（CPA）を指標として提案している。
注目点選好対数オッズの三角回転により DPO の構造的誤指定誤差を特徴づけ、上下界と有限標本界を与えており、理論的な新規性は高い。
説明アラビア語金融NLP：コーパスから分析までの解説
要約本章は、企業報告、市場開示、報道、銀行との対話などアラビア語の金融テキストを自然言語処理で研究する方法を扱います。資料収集、テキスト処理から、語彙、評価、固有表現、因果帰属、多言語報告の分析までの流れを追い、金融要約や検索ベースの応答が何を保持し何を失うかを検討します。公開されたアラビア語資源にも触れ、言語的文脈と文書の由来を分析の証拠として保つべきだと論じています。
説明REST：信頼性誘導型空間トランスクリプトーム教師あり学習によるHE染色病理画像からの遺伝子発現予測
要約論文は、空間トランスクリプトーム（ST）データを用いてHE染色病理画像から分子情報を予測するREST枠組みを提案しています。シグネチャー、経路、細胞型の遺伝子集合から構築した生物学的プログラムバンク（BPB）、スポットごとの信頼性でHE画像とSTの対応を重み付けするSRCA、学習可能なプログラムクエリで形態から遺伝子発現を再構成するBIPRを用いています。学習には209試料、評価には重複しない70試料を用い、遺伝子発現、経路活性、細胞シグネチャーの予測で、既存のST教師あり手法よりも高いマクロ相関を示し、既存の病理基盤モデルを上回りました。
注目点信頼性誘導型空間転写監督と程序構造化学習を提案し、大規模データで既存手法や病理基盤モデルを上回る。
説明MASIF：マルチエージェントシステムにおけるプロセス可観測性のための暗黙的失敗
要約本論文は、マルチエージェントシステム（MAS）で局所的な実行エラーが修正・迂回・持ち越されながらも、それ自体では最終結果を決めない「暗黙的失敗」（IF）という概念を提案しています。九種のベンチマーク構成から得た1,828件のトレースを分析し、成功トレースの54.3%、失敗トレースの75.2%にIFが見られたと報告しています。またエラー種類と吸収メカニズムの分類体系を構築し、IFのコストを用いて成功軌跡の選好を精緻化する強化学習アルゴリズムIF-GRPOを提案しています。実験では正確さとプロセス指標に一定の改善が示され、タスク性能、IFの数とコスト、トークン正規化されたIF密度の間のトレードオフも明らかになったとしています。
説明誰が誰と話すかを学習する：LLMマルチエージェント協調のための役割認識型通信トポロジースケジューリング
要約本論文は、大規模言語モデル（LLM）によるマルチエージェントシステムにおいて、どのエージェント同士がいつ通信するかを動的に決定し、推論性能とトークン消費のバランスを取る手法を扱います。提案手法ACTSは、集中学習・分散実行（CTDE）の枠組みの中で、役割条件付き関係注意機構とトポロジー注意ミキサーの二つのモジュールを用います。9つのベンチマーク（コード生成、多段階推論、一般知識、競技数学を含む）において、平均精度が最大6.19ポイント向上し、トークン消費が15%以上削減されたと報告されています。
説明評価を超えるルーブリック：強化学習におけるルーブリック構造の活用
要約この論文は、記述式の質問応答の評価に使われるルーブリック（評価基準）が、学習時の指針としてはほとんど活用されていないと指摘しています。著者らは、ルーブリックの背後にある能力構造を取り出して学習に用いる強化学習フレームワーク RSRL（Rubric-Structured Reinforcement Learning）を提案しています。実験では、科学的な質問応答の性能が初期方策より最大 7.43、ルーブリックを使わない構造化強化学習のベースラインより最大 7.60 向上したと報告されています。
説明オープン語彙の人-物体インタラクション評価における意味的・関係的信頼性の監査
要約本論文は、自由記述で表されるオープン語彙の人-物体インタラクション検出器の評価問題に対し、同一の予測を公式カテゴリ評価、同一性対照、語彙正規化、段階的意味評価、厳密な命題的同値性の5つの観点で採点する診断プロトコルを提案しています。HICO-DETで6つのシステムを比較した結果、観点によって首位のシステムが異なり、意味的な上積みは1.6から20.3 mAPの範囲でした。またAgentHOIは同値性を強制すると増分の半分未満しか保持しませんでした。著者らは、意味的スコアを関係的妥当性と対応のある不確実性とともに報告することを勧めています。
説明ACE-Trader：生成器と批評器が対抗しながら共進化する取引フレームワーク
要約本論文は、LLMベースのトレーダーと、その判断を評価・修正を促すレッドチーム評価エージェントを組み合わせた取引システムACE-Trader（敵対的共進化型）を提案している。両者は共有の取引記録を通じて、それぞれの役割に応じた記憶から有用な経験を学習する。米国株式取引の実験では、22の活性ベースラインを累積リターンで上回り、シャープレシオと最大ドローダウンでも最良と報告されている。
説明大規模言語モデルの確信度信号における測定の妥当性と表現の動態
要約本論文は、大規模言語モデルが「自分が何を知っているか」を把握できるかを検討し、言語化された確信度、隠れ状態上の線形プローブ、サンプリングした回答の一致度（意味エントロピー）の三つの方法を比較しています。Qwen2.5の五つのモデルで、事実検索と多段階推論のタスクについて事前登録型の監査を行いました。口頭による確信度は不安定で、期待校正誤差は誤解を招くことが示され、事前登録された五つの仮説のうち二つは反証されました。
説明SWIFT：ターゲット外挿による弱から強への拡散モデルの自己誘導学習
要約本論文はSWIFTという自己誘導型の学習手法を提案します。凍結した弱いデノイザの予測から離れる方向に干渉のクリーンな回帰ターゲットを外挿し、十分に学習されていない成分を強調します。推論時のオーバーヘッドは追加されません。CIFAR-10とImageNet-256での実験では、一部の設定でFIDの改善と訓練計算量の約半減が報告されています。
説明手がかりの隠れた価格：AI購入エージェントに対する販売者の影響を監査する
要約本論文は、大規模言語モデルがユーザーに代わって買い物をする際、バッジや推薦文などの販売者側の内容がどの程度推奨結果に影響するかを検証します。著者らは、手がかりを価格に換算する「価格等価（PE）監査」を提案し、対象商品の価格を選択確率が半分になるまで引き上げ、その差額で影響力を比較します。113,472回の試行、7モデル、2つの商品カテゴリーによる実験で、選択率のみの監査では販売者の影響を過小評価しうることを示し、再現可能なベンチマークを公開しています。
注目点選択率に代えて価格換算で評価する手法を提案し、113,472試行・7モデルで飽和問題の解消を示している。
説明すべてのロールアウトを蒸留する必要はない：正解性フィルタ付きのオンポリシー自己蒸留
要約本論文は、オンポリシー自己蒸留（OPSD）において、学生モデルが生成した各軌跡が独自の教師信号を与えているのかを検討しています。著者らは、各問題につき一つだけ応答を生成し、そのうち一部の誤答のみを蒸留する C-OPSD を提案しています。Qwen3-1.7B、4B、8B を AIME24、AIME25、HMMT25 で評価した結果、完全な OPSD と同等の性能を保ちながら、訓練時間は約40%短縮されたと報告されています。
説明OV-PEAR：未知の産業用操作対象に対する観測検証型の姿勢・スケール推定と再構成
要約本論文は、未知の産業用物体の3D再構成と姿勢・スケール推定を行うOV-PEARフレームワークを提案します。CADモデルや物体固有の学習データを必要とせず、ロボットによる精密な操作を可能にすることを目指しています。手法は三段階からなり、RGB-Dインスタンスの分割と3D仮説の生成、視点検索・スケール探索・配置合わせによるロボット座標系への位置付け、多視点証拠の逆投影による体素占有の検証と幻覚の抑制を行います。BOP-Industrialでの平均ARは0.657、実ロボットによるコネクタ組立では把持成功率99.67%、組立成功率84.00%でした。
説明強化学習はどこで失敗するか：標的を絞った継続事前学習による失敗の特定と修正
要約本論文は、検証可能な報酬を用いた強化学習（RLVR）で言語モデルの推論が失敗する原因を調べたものです。失敗した推論の軌跡は少数の特徴的な n-gram で予測できることを示し、それを手がかりに事前学習コーパスから文章を取り出して、RL の前にベースモデルを継続事前学習させます。3,500 万トークンの小さなコーパスで、11 設定中 10 設定において同量のランダム抽出テキストによる継続事前学習を上回り、モデルファミリーをまたいでも効果が移転しました。
説明拡散言語モデルは、タスクと言語によって生成速度が変わる
要約本論文は2種類の拡散言語モデルを10のタスクで分析し、トークンあたりの順伝播回数がタスクによって大きく異なることを示している。入力からのコピーや軽い編集は少ない回数で済み、自由な文章作成は多くの回数を要する。また、トークン分割が細かい言語や誤った回答ほど計算コストが高いとされ、解決速度で重み付けした候補選択が多数決を上回ると報告している。
説明FrontierRefactor：多段階の性能志向コードベース再構成のベンチマーク
要約本論文は、計算カーネルからリポジトリ全体までの4つの規模にわたる60件の工学タスクからなる FrontierRefactor ベンチマークを提案し、外部から観測される動作を保ったままコードを最適化または別言語へ書き換える能力を、コーディングエージェントで評価しています。1,080回の実行の結果、機能的な等価性と速度向上はほぼ独立しており、提出物の41.2%は機能的には等価でも検証可能な性能改善が得られませんでした。マルチターンの実行時間フィードバックを与えると、厳密な成功率は16.0%から40.0%に向上したと報告されています。
説明Hihaze：高解像度の実画像ヘイズ除去のためのワンステップ拡散モデル
要約本論文は、高解像度の実画像ヘイズ除去（dehazing）向けのワンステップ拡散フレームワーク Hihaze を提案しています。空間的に不均一な霞に対応するため、注意型スキップ補償（ASC）と空間劣化アダプタ（SDA）を用い、さらに学習を必要としない全体誘導型パッチ融合（GPF）を設計しています。4つの実画像ベンチマークで、視覚品質と推論速度が既存手法を上回り、Dense-Haze と NH-HAZE では最強のベースラインに対しPSNRがそれぞれ3.62 dB、3.69 dB向上したと報告されています。
注目点単一ステップ拡散フレームワークと学習不要の大域誘導パッチ融合を提案し、4つの実世界ベンチマークで大幅なPSNR向上を示す。
説明検索が技能と部分的に矛盾するとき：言語モデルの手続き的ハルシネーションを理解する
要約本論文は、言語モデルが再利用可能な手順書（スキル）に従いつつ検索された文脈を使う際に生じる問題を調べたものです。モデルは、スキルに反する手がかりを取り込み、検索に裏付けられているもののスキル上は無効な回答を生成することがあり、著者はこれを「手続き的ハルシネーション」と呼んでいます。著者らは1,271組、6,355件のプロンプトからなる SourceClash ベンチマークを作成し、9つのモデルで、矛盾する検索下の有効回答率は平均25.7%で、支持的な2条件の78.2%と72.8%より低いと報告しています。機構分析では、修復の多くは値ベクトルによるものとされ、その経路への介入は最終回答の有効性も改善しました。
説明ソーシャル影響力のためのマーケティング予算最適化：一般化された分数インセンティブ枠組み
要約本論文は、反応度や影響力が異なるソーシャルネットワーク上のユーザーに、限られたマーケティング予算を連続的に配分する問題を扱います。予算制約付き一般化分数影響最大化（BGFIM）というモデルを提案し、近似保証付きのスケーラブルな離散貪欲法を示しています。多数の大規模ネットワークでの実験により、連続配分戦略が標準的なヒューリスティクスより優れる場合があることを示しています。
説明いつ質問をやめるべきか：医療における情報不足下の因子網羅バイアスとLLMの判定可能性判断
要約本論文は、情報が不完全な医療場面で、大規模言語モデル（LLM）が現有情報で判断可能かを正しく見極められるかを検証しています。判定可能と不可能の事例ペアに、判断に関係する因子または無関係な文章を加えて、モデルの選択を比較しました。関係する因子を加えると、判定不可能なままの事例も可判定と誤認されやすくなり、この傾向は推論努力を高めても残りました。
説明言語モデルにおける法助動詞の意味判別：文脈・学習領域・入力頻度の役割
要約本研究は、言語モデルがmayやmustなどの法助動詞の異なる意味（許可・義務などの根源的意味と、知識・信念などの認識的意味）を区別できるかを検討しています。構造、規模、学習データの種類が異なる7つのモデルを、4つのデータセットでベクトル類似度と予測の意外度を用いて評価しました。その結果、多様なテキストで学習した大規模モデルは、利用可能な文脈情報をうまく活用できることが示されました。文脈がない場合は、コーパスの統計に基づき優勢な意味を選ぶ傾向がありました。児童向け言語（CDL）で学習したものを含む小規模モデルは、意味の区別に一貫した感度を示さず、文脈からの恩恵も同程度には得られませんでした。
説明動的二重フィードバック型コンフォーマル推論：時系列予測のための不確実性区間の手法
要約本論文は、時系列予測における不確実性の定量化を扱い、動的二重フィードバックコンフォーマル推論（DDCI）を提案している。既存のオンラインコンフォーマル手法は、真のラベルが区間内に入ったかどうかという実際のフィードバックのみに依拠することが多いが、DDCIはコンフォーマル推論から得られる経験的閾値を推定フィードバックとして併用し、区間の過度な拡大や縮小を抑える。論文によれば、逐次的な設定でより安定して狭い予測区間を得つつ、実際にはほぼ名目どおりの被覆率を維持するとされる。
説明強化学習の効果か、データの効果か？GRPOと棄却サンプリング微調整の統制比較
要約本論文は、同じプロンプト、同じ検証器、同じ出力トークン上限のもとで、GRPOと棄却サンプリング微調整（RFT）を比較しています。対象は手続き的な数え上げタスクとQwen3-4B-Baseモデルです。GRPOはすべてのプロンプト集合でRFTを上回り、精選プロンプトのテスト問題では10.9ポイント高い結果となりました。著者らは、これは単一の合成タスクと単一の基盤モデル、各条件3シードによる統制測定であると述べています。
説明安定意味論と選好意味論が一致する場合：経路ベースのアプローチ
要約本論文は、抽象論証フレームワークにおいて選好意味論（preferred semantics）と安定意味論（stable semantics）が一致する構造的条件を研究している。攻撃グラフ上の経路集合とそれらが導く二項関係に基づき、一般的な経路ベースの一致判定基準を提示し、いくつかの経路クラスに対して、対応する関係の良基性で表される十分条件を与えている。これらの条件は Dung の有限論争性条件と SCC 対称性条件を厳密に一般化し、安定拡張の存在に関する十分条件も導く。
説明動的プロトタイプ調整によるエッジネットワーク向け通信効率型フェデレーテッド領域汎化
要約本論文は、無線エッジネットワーク上で視覚言語モデルを展開する際の通信遅延とデータの非同一分布の問題を扱っています。提案手法DPGR-GCAMは、デュアルPEFT構造とチャネル対応の階層型送信機構により、フェージング下でのノード生存率を高めます。また、勾配衝突認識変調（GCAM）により、低次元特徴多様体内でクライアントドリフトを緩和します。実験では、ネットワークフェージング下でも領域横断的な汎化性能と収束が維持されることが示されています。
説明学習済みターゲットは必要か？古典的勾配を二次元ガウス初期化の教師信号として使う研究
要約本論文は、Instant GaussianImage で使われる擬似 PPM ターゲットを、古典的な画像勾配（正規化 Sobel マップ）で置き換えられるかを検討しています。学習不要の解析的初期化器は平均 0.32 秒で初期パラメータを生成し、もう一方の神経初期化器は DIV2K でオンラインの Sobel 監督により学習され、LSDIR の 10,000 枚まで拡張できます。ドメインシフト下では、Manga109 や Kvasir-SEG で Instant-GI を上回る結果が報告されています。
説明セクターリング線形リザーバ：候補設定間で状態を再利用する、扇形領域ごとの減衰時間スケール配分
要約本論文は、固有値の角度を円周上に等間隔で固定し、少数の候補から選んだ減衰時間スケールを連続する角度の扇形領域ごとに割り当てる、セクターリング線形リザーバ（SRLR）を提案している。候補設定ごとに各モードの状態の大きさをそろえるため、入力重みは学習入力のパワースペクトルを用いてスケーリングされる。同じ減衰時間スケールに対応するモードの状態は一度だけ計算され、候補間で再利用される。カオス系から作られた予測・再構成ベンチマークでは、8つのケースすべてにおいて、全モードが単一の減衰時間スケールを共有する参照モデルより平均テスト誤差が低く、非線形エコーステートネットワークおよびリーキー積分エコーステートネットワークのベースラインと競合する結果となった。探索で計算されたモード軌道の数は、候補ごとに再計算する場合と比べて99.8%削減された。
説明転写の前に考える：ホットワード認識のための文脈誘導型推論
要約本論文は文脈付き音声認識において、転写の前に音声に基づく短いキャプションを生成し、モデルが語彙判断の前に候補ホットワードの関連性を評価する推論フレームワークを提案しています。教師ありファインチューニングと、困難な発話に対する軌道注入を組み合わせて方策最適化を強化しています。多様な文脈条件での実験では、転写品質とホットワード認識が一貫して向上し、無関係な候補に対しても頑健であることが示されています。
説明AirMPA：全球大気質予報のための気象から汚染物質への変換アダプター
要約本論文は、気象予報と大気汚染物質予測を分離した自己回帰型の深層学習フレームワーク AirMPA を提案しています。気象場、排出量の事前情報、過去の汚染物質濃度を入力として、0.4度の空間分解能と12時間の時間分解能で13種の大気汚染物質を予測します。論文によれば、5日間の予報期間におおむね Aurora や CAMS を上回り、外部の気象モデルの予報場を用いた推論にも対応しています。
説明近似的人口統計学的パリティ下の公平な回帰：敏感な群ごとの予測分布の差を調整可能な範囲で許す回帰手法の研究。
要約本論文は回帰タスクにおける公平性を扱います。各敏感群の予測分布を完全に一致させる厳密な人口統計学的パリティではなく、群ごとの予測分布のすべての組のワッサースタイン距離を選んだ許容値以下に抑えることで、公平性を調整可能にしています。一次元の実数直線上での解法を示し、二乗損失・二群の場合に軟しきい値化、縮小、クリッピングという明示的な形を導いています。また、コストが既知の場合のプラグイン推定量の収束率を示しています。実験では合成データと2018年カリフォルニア州ACSデータを用い、公平性と精度のトレードオフを示しています。
説明SAR：バッファ付きオンライン3次元ビンパッキングのための、グローバルなアイテム-空間マッチングと形状考慮型配置ランキング学習フレームワーク
要約本論文は、有限バッファを持つオンライン3次元ビンパッキング問題を扱い、学習ベースの枠組み SAR（Spatial Affordance Retrieval）を提案しています。アイテム選択と配置評価の二段階に分け、ボクセルトークンでコンテナの占有状況を符号化してバッファ内アイテムを残存空間に合わせ、その後、形状情報を用いて実行可能な回転・位置候補をランク付けします。両段階は共有の長期パッキング報酬のもとで同時最適化されます。Random、JD、SF の各データセットで、最良の SAR 版は、バッファなし（K=1）において強力な比較基準を 0.96〜4.20 ポイント上回り、K=5 では最高利用率がそれぞれ 93.55%、91.04%、90.41% に達しました。
説明CoMem：検索された経験から失敗を予測することを学習する手法
要約本論文は、LLMエージェントが検索された過去の経験を学習型メモリ自体の入力とする CoMem（Compounding Memory）を提案している。エージェントは自身の成功・失敗の振り返りからメモリバンクを構築し、検索された事例から失敗仮説を書くことを学習する。テスト時には新たに検索された事例をもとに各試行を導く。数学・コード・多段階QAの5つのベンチマークと2種類のバックボーンで、全体的に高い性能を示したと報告されている。
説明LLMユーザープロキシは人間の依存度測定の代わりになるか：シミュレートユーザーによるRel-A.I.の再現
要約本論文は、人間がAIの回答にどの程度依存するかを、大規模言語モデルによるユーザープロキシで測定できるかを検証しています。著者らは、最大720億パラメータのオープンモデルを用いて、Rel-A.I.研究の90問と15組の領域・マーカー別依存率を再現し、問題内容、ラベル平均、その交互作用を交差実験で分離しました。結果として、エージェントの専門領域を問題領域に合わせると依存率が平均13.3ポイント上昇した一方、最良のA/Bプロキシは人間データとの絶対率誤差が大きく、単一研究では人間の効果量に対する有効性は確立されないと結論づけています。
説明UniJev：三モーダルなシステム1判断モデルにおける精度と較正の分離
要約本論文はUniJevフレームワークを提案し、共有ヘッドによりテキスト・画像・動画を横断して共同の教師あり学習で候補回答を採点します。教師ありの決定モデルは三つのモダリティすべてで基盤モデルより精度を向上させる一方、既存の強化学習による較正手法は精度をほとんど変えず、視覚の較正への効果は手法によって一貫しないと報告しています。そこで著者らは、予測を信頼度ごとに分け各ビンの経験的精度に信頼度を近づけるCora（Confidence–Outcome Reliability Alignment）を提案し、2Bと9Bの両規模で精度を保ったまま画像と動画の期待較正誤差（ECE）を下げたとしています。
説明検出拡張学習：非定常バンディット環境における手法
要約本論文は、環境の変化を事前に知らない場合の非定常バンディット問題を扱う。3つのモジュール（バンディットアルゴリズム、変化検出器、強制探索スケジュール）からなる検出拡張学習（DAL, Detection Augmented Learning）を提案している。理論面では、定常な入力アルゴリズムの後悔を区分定常設定へ移す一つの後悔上界を示し、検討したすべての設定で既知の最良の上界に達するか、それを改善するとしている。九つのバンディット設定の多様な非定常シナリオでの実験では、DALが既存手法を一貫して上回ったと報告している。
説明未来を予測し、現在を分類する：ハイパースペクトル画像のための確率的潜在世界モデリング
要約本論文は、ラベル付きサンプルから学習した静的な空間・スペクトル表現に依存するハイパースペクトル画像分類の限界に着目し、潜在表現空間の構造的依存関係を扱う手法を提案しています。提案手法は確率的潜在世界モデリング（LWM）と呼ばれ、スペクトルと空間の情報を別々のTransformerで符号化し、確率的な潜在状態遷移によって複数の将来状態を予測したうえで分類に利用します。5つのベンチマークデータセットで全体精度は89.21%から99.52%となり、限られたラベル条件でも安定した性能を示しています。
説明OpenSaC：深層リサーチエージェントにおける「Search as Code」のための Python ライブラリ
要約深層リサーチエージェントは、反復的な検索、情報源の確認、証拠の統合を通じて複雑な問いを調査します。本論文は、検索、情報源の読解、再ランキング、モデル呼び出し、ローカル処理を組み合わせるプログラムを智能体が書く「Search as Code」という方式を提案します。オープンソースの Python ライブラリ OpenSaC と関連スキルを公開し、BrowseComp と WideSearch で標準の Codex の内蔵ウェブ検索と比較した結果を報告しています。
説明専門家のノウハウを活用し、LLMエージェントによる自動ファクトチェックを強化する研究
要約本論文は、AFP（フランス通信社）のファクトチェック公開ガイドラインを再利用可能なモジュール型スキル（PFC-Skill）にまとめ、LLMエージェントが推論時にこれを参照して証拠検索と主張の検証を行うSkillCheckシステムを提案しています。AVeriTeCベンチマークでは、スキルを使わないDEFAMEベースラインより多くのLLMで精度が向上したと報告されています。
説明トレースから修正へ：長期タスクエージェントにおける残存タスク状態
要約本論文は、長期にわたる状態を持つ言語エージェントの障害回復を扱い、バージョン管理された残存タスク状態を中心とする統合フレームワークTRACE-FIXを提案している。実行ログを依存関係付きの構造化台帳に変換し、予算制約の下で修復行動を計画する。また、根本原因の特定、検証済み障害の回復、エンドツーエンドの閉ループ実行をそれぞれ評価するLongH-Debugを提示している。
説明VHA：生成型画像超解像のための VQA ベース幻覚評価
要約生成型画像超解像は視覚的にリアルな高解像度画像を作れますが、根拠のない内容を加えたり既存の細部を変えたりする「幻覚」が生じることがあります。本論文は、双方向の視覚質問応答（VQA）を用いる幻覚評価手法 VHA を提案し、視覚言語モデルで超解像画像と正解画像の意味内容と低レベルの視覚的根拠が一致するかを判定します。さらに軽量モデル VHA+ でスコアを直接予測し、人間による研究で構築したベンチマーク VHA-bench 上で、両者が人間の幻覚判断と高い相関を示すことを報告しています。
説明予算制約下の打ち切り推論：System-1モデルを意思決定者として評価する
要約大規模言語モデルは必要以上に多くの推論トークンを生成することがよくあります。推論予算を制限すればコストは下がりますが、不完全な推論過程から強制的に答えを出すと正答率が下がることがあります。本研究では、推論過程を生成せず候補から選択するSystem-1決定モデルJevを、7つの推論モデルと5つの選択式ベンチマーク（計35組）で評価しました。500から16,000トークンの予算において、Jevは推論と回答のコストを含めても強制回答より平均正答率が高くなりました。
説明EvalRx：基盤モデルのエージェント型診断と検証済み修復
要約本論文は、統計に基づくモデルの診断と修復を行うオープンソースのエージェント型フレームワーク EvalRx を提案しています。系統的な失敗モードを発見し、反証可能な仮説を立て、事前に固定したテストで検証したうえで、段階的な修復を導きます。修復候補は変更されていないモデルに対して検証され、目標の挙動を改善し、許容できない劣化がない場合にのみ採用されます。論文では、12 のモデル系列とモダリティの組み合わせで性能が向上し、向上幅は +1.4 から +10.9 ポイントだと報告しています。
説明TRACE：入院中のマルチモーダル臨床経過を追跡し入院リスクを予測する手法
要約本論文は、電子カルテ、胸部X線、放射線報告書、退院サマリーなどの臨床イベントを日単位の経過として整理し、時間的注意機構で符号化するTRACEという枠組みを提案しています。院内死亡、在院日数、再入院の予測を、MIMIC-IV、eICU、MIMIC-IIIの約18万件の入院データで評価しています。TRACEは9つのデータセットとタスクの組み合わせすべてでAUROCが最も高く、経過単位の寄与度分析によりリスクに関連する入院日と模態を特定できることを示しています。
説明ActTime：時系列データのための行動条件付きワールドモデル
要約本論文は、時系列データ向けの行動条件付きワールドモデルActTimeを提案している。観測履歴に基づいて変数ごとの潜在状態を更新し、候補となる行動のもとで未来の軌跡を生成する。学習には実際の軌跡のみを用い、代替行動の結果や計画の教師信号は使用しない。建築エネルギー、交通、温室気候、在庫管理の4分野のシミュレータで評価した結果、事実予測の精度、介入効果の予測、意思決定の質は関連するが互いに置き換えられないことが示されている。
説明記憶ではなく計算：LLMエージェントにおける思考連鎖と状態追跡
要約本論文は、状態が変化するタスクにおいて言語モデルのエージェントの行動が推論にどう依存するかを調べたものです。小規模なファイルシステムの課題でQwen3-8BとQwen3.5-9Bを用い、行動前に推論を生成することと、以前の推論をプロンプトに残すことを切り分けて検証しました。ロック違反のコマンドが減る効果は主に行動時点で書かれた推論によるもので、以前の推論の保持は規則遵守にほとんど寄与しませんでした。
