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Jetson AGX Orin でどの深度推定器を使うか？単眼・ステレオ手法の2026年ベンチマーク
要約本論文は、ロボットや車両に使われる Jetson AGX Orin 上で、単眼・ステレオの9種類の深度推定モデルについて精度、速度、消費電力を比較したものです。ステレオ手法の方が大幅に高精度で、最良のモデルの AbsRel は約 0.33%〜0.70% でした。一方、単眼モデルは真の焦点距離を与えても約 12% にとどまりました。フレームレート別の推奨と、コードおよび結果が公開されています。
注目点Jetson AGX Orin上で単眼・ステレオ深度推定9系統の精度・速度・消費電力を比較し、実用的な知見を与えるが、手法自体の新規性は限定的。
説明残差は小さくても値は誤り：PINNでHamilton-Jacobi-Isaacs方程式の粘性解を学習する
要約本論文は、一階Hamilton-Jacobi方程式をPINN（物理情報ニューラルネットワーク）で解く際、サンプル残差の最小化だけで正しい粘性解を選べるかを検討しています。円および平坦なトーラス上の追跡・回避ゲームで120回の学習実験を行い、標準的なネットワークは残差が小さくても大部分の領域で誤った折り畳み解に収束することを示しています。測地距離を入力することや構造的な診断により、粘性解をより確実に選択できることが報告されています。
説明CARLAR影響：マルチモーダル小切手抽出における構造的ハルシネーションリスクと圧縮画像による対策の探索
要約本論文は、マルチモーダル大規模言語モデルが小切手の金額を読み取る際の現象を検討しています。小文字の金額と大文字の金額の注釈が異なる（空欄をゼロとして符号化した場合を含む）にもかかわらず、モデルが両欄に同じ金額を返すことがあります。著者らは10種類の視覚的提示条件で、GPT-4.1とClaude 4.5 Sonnetを243枚の主要な小切手および他の2つのデータセットの598件の厳密な不一致事例で評価しました。小文字の金額を隠した条件では、GPT-4.1のCARLAR率は73.7%でした。また、モデルの自己報告による信頼度は予測が一致する場合も高いままでした。さらに、モデルの微調整を行わず、例を一つの視覚的な表にまとめる圧縮画像の少数ショット手法も検証されており、その効果はモデルによって異なります。
説明論文の説明：タスク合成における脆弱性と言語モデルの暗黙的な思考予算
要約この論文は、言語モデルが一つのプロンプトで複数のタスクを同時に処理する際、各タスクを単独で行う場合より誤りが大幅に増える現象を調べています。合成時にはタスクごとの使用トークン数が減っており、暗黙の思考予算が働いていることが示されています。単独では長い推論を要するタスクほど合成時に誤りやすくなります。タスクを脆弱性に応じてグループ化することで、この予算配分を調整し、精度を保ったままトークン使用量を減らせると報告しています。
説明Meta-iLaD：動的環境のメタ学習による識別可能な潜在ダイナミクス
要約本論文は、高次元時系列の潜在ダイナミクスを学習するためのフレームワーク Meta-iLaD を提案している。複数の動的環境にわたるメタ学習により、フィードフォワード型のメタ学習器として環境変数の事前分布をモデル化し、少数のサンプルから環境変数を抽出できるようにしている。潜在状態、環境変数、動的関数の識別可能性も同時に示し、合成データと実データの実験で未知環境への汎化と予測精度の向上を報告している。
説明SITO：英語・ウクライナ語・混合言語における商用テキスト安全 API の見逃しと誤検知の検証
要約本論文は、商用テキスト安全 API（tuteliq-detect-v5 のリリース版）が六つの被害カテゴリ（承認済みプッシュ決済詐欺、マネーミュール勧誘、ソーシャルエンジニアリング、ロマンス詐欺、ギャンブル被害、いじめ）をどの程度検出するかを評価している。作者らは 2,332 件の合成事例からなるベンチマーク SITO を構築し、有害事例ごとに類似した無害な文章を対応させた。第三者による継続中の被害の報告は加害者本人のメッセージより見逃されやすいことが示されており、プラットフォームは自身のトラフィックで誤検知率を測定し、周囲からの通報の扱いを確認することが勧められている。
説明自閉スペクトラム症の学習支援のためのヒューマノイドロボットによる視覚的タスクモデリングと自動計画
要約本論文は、自閉スペクトラム症（ASD）の教育で用いられる「シューボックス課題」を対象に、カメラを備えた半自律型ロボットがタスクの目標を認識し、その達成に向けた行動を計画する手法を提案している。視覚ベースの大規模言語モデルを用いて、課題の写真をPDDL（計画領域定義言語）表現に変換し、行動計画を生成する。Naoロボットは課題を自律的に実行し、動作の実演、音声、ジェスチャーで次の手順を示したり失敗を知らせたりする。教師にプログラミングの知識は不要である。
説明電気自動車充電所における稀な系統停電推定のための学習型制御変量
要約本論文は、EVの公共充電による配電フィーダの過負荷と、それに伴う都市規模の連鎖停電という問題を扱います。温度や負荷予測などの観測可能な特徴量で学習した分類器から制御変量を構築し、高コストな系統シミュレータの実行回数を減らす手法を提案しています。インドネシア・スラバヤの配電網に適用した結果、同じシミュレーション予算で、モンテカルロ法と比べて都市全体の停電日数を約3分の1削減できたと報告されています。
説明スキャフォールド（scaffold）の利点を計算量の分離で理解する
要約本論文は、推論時にモデルを何度も呼び出し、呼び出し間で状態を保持する外部手続き「スキャフォールド」がモデルの能力をなぜ高めるのか、その利点を訓練によって生徒モデルへ内在化できるかを検討しています。簡単なスキャフォールドと小規模モデルでも、推論時のスキャフォールドは蒸留された生徒モデルを大きく上回ると報告されています。理論面では、この差が表現能力の根本的な制約に由来することを示し、生徒モデルの容量拡大、課題の易化、思考連鎖の延長によって差を縮められることを実験で確認しています。
注目点推論ハーネスはNL完全な閉包を計算でき、固定深度の順伝播では表現できないことを証明し、蒸留との差を実験で確認している。
説明MoSAIK：人工知能による k 空間での動き探索（脳 MRI の動きアーチファクトを後処理で補正する手法）
要約本論文は、二次元 T2 強調ターボスピンエコー脳 MRI に生じる動きアーチファクトを補正する MoSAIK 手法を提案しています。標準的な多コイル k 空間データから、畳み込みと Transformer エンコーダを用いて平面内の剛体運動を推定し、動きを考慮したモデルベース再構成に利用します。4 名の被験者による評価では運動推定誤差が小さく、体内データでは全スライスの 75% 超で補正前より情報量が改善したと報告されています。
説明太陽光発電の複数時間先予測のためのTFTとN-BEATSのハイブリッド枠組み（時系列融合Transformerと N-BEATS を組み合わせ、解釈可能性を備えた深層学習モデル）
要約本論文は、時系列融合Transformer（TFT）とN-BEATSを注意機構ベースの融合構造で組み合わせた、太陽光発電出力の予測枠組みを提案しています。オーストラリアのDesert Knowledge Australia Solar Centre（DKASC）の複数年の実測データで評価され、30分から24時間先までの予測を単一のパイプラインで同時に生成します。RMSEはベースラインより優れ、MAPEは全データセットで5%未満でした。注意の可視化と傾向・季節成分の分解による解釈可能性も備えています。
説明アルツハイマー病とパーキンソン病における画像由来の共通形態計測マーカーの疾患横断学習
要約本研究は、アルツハイマー病（AD）とパーキンソン病（PD）に関連する脳形態計測のバイオマーカーを明らかにするため、説明可能で空間適応的な転移学習フレームワークを提案している。公開の神経画像データセットであるADNIとPPMIを用いて検証を行った。疾患横断型分類器が示した脳の解剖学的変化のパターンは既存の画像研究の知見と一致し、共有の事前分布を用いて学習した空間適応型分類器は、個別に学習したモデルより統計的に優れた診断性能を示した。
説明GRID：健康インフルエンサーの言説を論証ネットワークとして信頼性を評価する手法
要約本論文はGRID（Grounded Reasoning over Interconnected Discourse）という枠組みを提案し、各動画を主張と中心的メッセージを結ぶ論証グラフとして表現します。関連する主張同士を複数の動画にまたがって結び付け、科学的根拠と照合したうえで、ネットワーク全体で信頼性を推論します。専門家の評価が付いた569本の健康関連動画で検証した結果、周辺の言説を考慮することで検証精度が向上することが示されています。さらに、推定された信頼性をもとに、信頼性の低い内容と高い内容で論証の戦略や道徳的枠組みがどう異なるかも分析しています。
説明PRIMFLOW：少ステップ蒸留のための軌道プリミティブ学習
要約本論文は、少ステップの軌道蒸留に関する研究です。著者らはPRIMFLOWを提案し、教師モデルのサンプリング軌道に沿った累積変位を表す連続的な軌道プリミティブを直接学習します。局所的な教師速度でその有限差分を監督し、端点差分から全体の更新を得ます。大規模なテキストから画像生成の実験では、1ステップでT-FIDが20.92、HPSv2が28.35となり、軌道蒸留のベースラインを上回りました。端点吸収後も同程度の性能を維持しています。
説明ICLHerd：in-context learningを代理指標に用いる、群れ（herding）ベースの大規模言語モデル向けデータ選択手法
要約本論文は、大規模言語モデルの学習で用いるデータの選択方法を扱う。既存の最大類似度に基づく手法では、選ばれたデータが開発用サンプルの周辺に強く集中する偏りが生じると指摘する。提案手法ICLHerdは、von Mises-Fisherカーネルを用いて「モード追跡」と「モード平均化」のバランスを取り、in-context learningを検証の代理指標として超パラメータを効率よく探索する。結果として、既存のデータ選択アルゴリズムより優れた性能を示したとされる。
説明軌道上サービシング向けのセンサ付きヤモリ型接着インターフェースにおける相互作用状態認識の研究
要約本論文は、非協力的ターゲットとの接触確立が難しい自律型軌道上サービシングの課題に取り組み、埋め込み型静電容量センシングを用いて仿ヤモリ型ドライ接着界面の接触・接着状態を推定するリアルタイム枠組みを提案しています。相互作用を五つの状態に分類し、六種類の軽量機械学習モデルを比較しました。オフライン分類では Random Forest が95.65%の精度で最も高い結果となりました。ルールベースの状態機械と組み合わせるとオンライン精度は78.02%から93.14%に向上し、推論周期は53ミリ秒です。
説明短時間の動きから動物の個体性と学習の進み具合を明らかにする
要約本論文は、個体のアイデンティティや学習に関わる行動特徴は近接する時間区間で比較的安定しているという仮定に基づき、時間的近接性を教師信号とする自己教師あり表現学習の枠組みを提案しています。自由行動するラットの行動データを用い、1秒程度の短い軌跡にも学習と個体性の情報が含まれること、自己中心的な姿勢の動きは個体性を、他者中心的な運動は学習関連の変化をより良く予測することを示しています。
説明予測による存在論的状態の回復：応答から系の状態を知ること
要約本論文は、系の応答から、その状態をどのように推定できるかを論じています。著者は状態を、指定された問い合わせ集合上での応答プロファイル全体として定義し、すべての問い合わせに同じ応答を返す構成は同一の状態とみなします。問い合わせの曖昧さ、状態空間の幾何構造、予測対象の選び方を通じて、予測と状態回復の関係を検討し、既知の応答則をもつ合成系とニューラル記録を対象に分析しています。
説明第一原理に基づく機械学習分子動力学による惑星大気中のアンモニア－水素相平衡の研究
要約本論文は、密度汎関数理論で学習した機械学習ポテンシャルを用い、500〜4000 K、0.1〜100 GPaでアンモニアと水素の二相共存をシミュレーションした。水素に富む相とアンモニアに富む相の組成、および完全混和と相分離を分ける臨界曲線を示している。天王星と海王星ではアンモニアが現在析出している可能性があり、高温の亜海王星TOI-270 dでは両者が任意の割合で混和する可能性があるとしている。
説明高速流れ制御のための「グラスボックス」深層強化学習
要約本視点論文は、高速圧縮性流れの能動制御における深層強化学習（DRL）の応用を検討しています。既存の実証は低速で理想化されたシミュレーションが中心で、頑健性、解釈可能性、転移性、実験での検証に関する十分な根拠が乏しいと指摘しています。著者は、計算コスト、データ効率、極限環境でのセンシング、報酬設計などの制約を分析し、信頼できる技術にするには、検証済みの圧縮性シミュレーション環境、物理制約を考慮した学習、風洞試験などが必要だと論じています。
説明混合専門家言語モデルのための再構成最適化エキスパート枝刈り手法
要約混合専門家（MoE）モデルはスパースな専門家の活性化で計算量を減らしますが、展開時には多数の専門家パラメータを保存する必要があります。本論文は、タスク領域の校正データを用いた学習後の専門家枝刈りを提案するOptEPを紹介します。微分可能な連続緩和により専門家選択変数を直接最適化し、保持する専門家の重みは再構成に基づく軽量な更新で調整します。数学推論やコード生成などのタスクで既存の最強の基準手法を上回り、Qwen3-30B-A3Bなどで絶対精度が最大15.05%向上しました。積極的な枝刈りの下で特に顕著な改善が見られます。
説明EDMA：エントロピー駆動型マルチモーダル質問応答の手法
要約本論文は、論理エントロピーを用いてマルチモーダル質問応答をエントロピーを段階的に減らす反復過程として定式化するEDMA（エントロピー駆動型マルチモーダル応答）を提案しています。正解と不正解の候補回答を区別する際に、各モダリティがどれだけ寄与するかを定量化します。標準的なベンチマークでは、Planning PromptingやChain-of-Thoughtなどの基準手法より平均的に高い性能を示し、マルチエージェント系の基準とも競合すると報告されています。
説明PORA：LLMエージェントでより多くの推論が効果的なタイミングを学習する手法
要約本論文は、LLMエージェントが各ステップで短い推論と長い推論のどちらを選ぶかを決めるPORA（Paired Outcome-guided Reasoning Allocation）を提案しています。学習時には同じ状態から短い推論と長い推論の両方でタスクを完了させ、その結果と処理量を比較します。推論時には、残り予算の制約を考慮してどちらかを選択する制御器を用います。
説明PROVISO：安全なLLMエージェントのための出所情報に基づく行動選択
要約本論文はPROVISOというコントローラを提案します。エージェントが行動を提案した後、実行前に、その内容の出所（ユーザーか外部データか）と代替行動を考慮して、実行する行動を決めます。生命周期にまたがる4つのセキュリティタスクで評価され、安全性と有用性の両方で基準手法を上回るものはないと述べられています。SkillsBenchではF1が最強の基準手法より13.84ポイント、ToolSafeでは7.07ポイント高く、他の3つのスキル検出ベンチマークでは88〜99のF1に達しています。
説明制約の統合集約：条件感受性のある検索拡張型QAのための手法
要約検索拡張型QAは、正解が検索された証拠に含まれていても失敗することがあります。部分的にしか質問の条件を満たさない競合回答が、検索文書内で頻繁に言及されて最も裏付けが強いように見えるためです。作者らは、競合回答に有利な段落の割合を人為的に増やすと、モデルがその回答を選びやすくなることを示しました。そこで、質問から導いた要件に対して全候補を検索証拠と照合する手法、Joint Constraint Aggregation（JCA）を提案しています。3つの評価設定と3つの指示調整済みモデルで、JCAは全体の正答率を向上させ、検索が競合回答に偏るほど優位性が高まりました。
説明MatchCityLoc：表面法線マッチングによるLoD都市モデル内の空撮ドローン位置推定
要約本論文は、都市環境における無人航空機（UAV）の視覚的位置推定を行うフレームワーク MatchCityLoc を提案する。ゼロショット基盤モデルでクエリ画像から表面法線を抽出し、描画されたLoDモデルの法線と照合して3Dと2Dの対応点を作り、PnPで姿勢を求めて描画・照合のループで反復的に精緻化する。評価された既存のLoDベース手法の中で、少ない描画回数で高い姿勢再現率と良好な並進・回転精度を示したと報告している。
説明二声道を超えて：話者を基準にした全二重対話音声の復元
説明視点数ではなく寄与で数える：遮蔽を考慮した3Dガウシアン・スプラッティングの高密度化手法
要約3Dガウシアン・スプラッティングは適応的密度制御（ADC）により疎な初期化から密なシーンを構築しますが、既存の視錐台ベースの可視性フィルタは遮蔽を考慮せず、完全に遮蔽されたガウシアンも観測済みとして扱われ、遮蔽された領域の高密度化が抑制されます。本研究では、ガウシアンが実際に寄与する視点のみで統計を取る遮蔽認識フィルタと、視点数の代わりに平均寄与で正規化する基準を提案します。遮蔽の多いシーンでは、ベースラインより全ての画質指標が改善し、LPIPSは最大6%低下しました。ガウシアン数は視点数で正規化する方式の半分以下です。
説明RGH-GNN：金融不正検知のためのリスクゲート付き異種グラフニューラルネットワーク
要約クレジットカード不正はカード会社や金融機関に毎年多額の損失をもたらし、不正取引は正常な取引に似せて偽装されることが多く、データは大きくクラス不均衡です。本論文は、教師あり学習のLightGBM分類器が生成した取引ごとのリスクスコアをエッジの重みとして用い、学習可能なリスクゲート集約機構でメッセージパッシングを導くRGH-GNNを提案しています。IEEE-CISの不正検知データセットで、同じ異種グラフで学習した標準的なグラフニューラルネットワークと比較し、すべての評価指標で上回り、AUC-ROCは0.914でした。
説明SParTA：ジェット識別のためのモジュール式・高効率・スケーラブルなTransformerアーキテクチャ
要約本論文は、高エネルギー衝突型加速器におけるジェット識別のための疎粒子相互作用Transformerアーキテクチャ（SParTA）を提案している。横運動量の降順で並べ、最も硬い N 個の構成要素のみを二次計算量の注意機構で処理し、残りの軟らかい成分は線形計算量の交差注意で硬い核と統合する。クォーク・グルーオン識別ベンチマークでは30万パラメータのSParTAが、214万パラメータのParticle Transformer（ParT）と同等のAUCを示し、トップクォーク識別ベンチマークではParTとParticleNetを上回ったと報告している。
説明LVMem：長期的な質問応答のための画像拡張メモリ手法
要約本論文は、ロボットなどの身体性エージェントが長い観測履歴から物体・出来事・位置に関する質問へ答えるための LVMem を提案する。ReMEmbR 型のメモリに、保存された説明を元の視覚内容へ結ぶ画像パスを追加し、一様サンプリングの代わりに光学フローに基づくフレーム選択（PSFR）と、単純なキャプションではなく物体中心の場景記述を用いる。OC-NaVQA ベンチマークでは、二値・位置指標で ReMEmbR を上回り、二値精度では 4D シーングラフ基準の DAAAM に並ぶか上回る。明示的なグラフ構築を必要としない軽量なビューベースのメモリで動作する。
説明Omni-Woodpecker：全モーダルLLMの幻覚を証拠と事前分布の再バランスで補正する手法
要約本論文は、音声と映像を組み合わせて推論する全モーダル大規模言語モデル（OLLM）で起きるクロスモーダル幻覚の問題を扱い、学習不要のフレームワークOmni-Woodpecker（OWP）を提案しています。まずモダリティ別の視点から競合を特定し、直交分解で根拠となる証拠と誤った事前分布を分離して、デコード前に表現を再調整します。Qwen2.5-Omni-7Bを基盤とした場合、CMMとAVHBenchでそれぞれ12.9点と8.6点の向上が報告されています。
注目点出力層ではなく表現層での衝突認識型リバランスへ移す点に新規性があり、複数ベンチマークと二つのバックボーンで十分な実験を行っている。
説明臨床記録向け汎用「システム1」型意思決定モデルの論文
要約本論文は、臨床記録から構造化された判断を素早く行う40億パラメータの決定モデル Clinical System One（CS1）を提示します。各回答には確率が付与され、不確かな症例を人による確認に回せます。多病院医療システムの360万人の患者データで学習し、保留された963,408人の患者に対する14タスク中13で、最大270億パラメータの公開モデルを上回ったと報告しています。
注目点臨床記録向けの小型意思決定モデルを提案し、生成モデルとの分業を示す。大規模患者データと外部データで検証され、影響範囲も広い。
説明SciFigBench：科学的手法図の理解ベンチマーク
要約本論文は、視覚言語モデルが科学的手法図を理解する能力を評価するベンチマーク SciFigBench を提案し、高密度な内容の知覚、視覚的関係の理解、情報フローの追跡という3つの能力を対象とします。実際の論文から4,352枚の手法図を収集し、40,670組の質疑応答ペアを構築しました。注釈は専用のパイプラインで生成され、人手で検証されています。さらに、学習を必要としない視覚的プロンプトモジュール SciFigCue も提案され、矢印で示された依存関係を視覚的な関係の根拠として与えます。実験では、強いモデルでも視覚的関係の理解は大きく制限されており、SciFigCue はパラメータ更新なしで複数のタスクの性能を向上させたと報告されています。
説明ClockMark：大規模言語モデル向けの適応的かつホスト依存型の透かし方式
要約本論文は、大規模言語モデルのテキスト透かしのための新しい埋め込みフレームワークClockMarkを提案する。生成過程の過去のサンプリング状態と現在のモデル分布に基づいて情報を埋め込み、全ペイロードを透かし付きの各トークンに分散させる。理論的には、原の系列分布を保持し生成品質を維持することを証明している。12のベースラインとの比較実験では、テキスト編集に対する頑健性が向上し、ビット精度で最も強いベースラインを最大16.08ポイント上回った。
注目点適応的かつホスト依存の埋め込み枠組みを提案し分布保存を理論的に証明；12の基線との比較で編集耐性が最大16.08ポイント向上。
説明LEAF：FPGA向けのLUT認識型効率的アテンション
要約本論文は、FPGA向けのナノ秒級Transformerである LEAF（LUT-aware Efficient Attention on FPGAs）を提案します。LUT認識型の学習により、クエリ・キー・値の射影と最終出力の前向き層をFPGAネイティブの層に変換します。アテンションブロック内の定数行列ベクトル積はルックアップテーブル化され、それ以外は算術形式のまま残されます。標準的なジェットタグ付けベンチマークでは、同じ入力サイズの従来の最先端の亜マイクロ秒Transformerと比べ、精度が1.8ポイント向上し、LUT数は2.9分の1になりました。64入力粒子の最も効率的なLEAFベースのLinformerは、28kのLUTと35nsで80.4%の分類精度を達成しています。
説明ASTROLABE：物理的フローマッチングを用いた3次元粒子レベル宇宙論シミュレーション代理モデル
要約本論文は、流れ整合（フローマッチング）に基づく生成型エミュレータ Astrolabe を提案する。これはボクセルグリッドを使わず、N 個の粒子の 6N 次元位相空間座標に直接作用する。流れの事前分布として、ノイズではなく近似 COLA 座標を用い、流れの時間の各点で運動量と質量の保存を課している。検証したΛCDM の場合には、パワースペクトル、ハロー質量関数、速度分布、ハロー密度分布などについて妥当な結果を示し、より大きな N への微調整により TNG50-3-dark シミュレーションのエミュレーションも行っている。
説明BUMP：人と複数物体のインタラクション合成のための身体駆動型統一物理フレームワーク
要約本論文は、テキストから複数物体との人間のインタラクション動作を生成するフレームワーク BUMP を提案します。まずテキストとシーン情報から全身の人体動作を生成し、人が意図的に操作する少数の対象物体の軌道を予測します。それ以外の物体の動きは物理シミュレーションで得ます。さらに、望ましい周辺物体の挙動から操作対象の軌道を局所的に編集する手法も導入され、実験で単一物体・複数物体のベンチマークで良好な結果が示されています。
説明天体物理学・宇宙論のためのグラフニューラルネットワーク：レビューと解説
要約天体物理学と宇宙論におけるグラフニューラルネットワーク（GNN）の応用を紹介するレビュー論文です。天体同士の関係をグラフ構造で自然に表現でき、物理データに適合しやすく解釈もしやすいと論じています。宇宙論、銀河形成、力学、観測装置などの応用を扱い、装置分野以外では約6件に1件のみが実データではなくシミュレーションだけでなく実データにGNNを適用していると指摘しています。グラフを使うべきでない場合を含む実践的な指針もまとめられています。
説明言語事前学習なしのテキスト画像生成モデリング
要約本論文は、早期融合型マルチモーダル自己回帰モデル Halcyon 系列を提案し、1億組の画像・テキストペアからなる GPIC データセットで完全にゼロから事前学習しています。Halcyon-0.52B と Halcyon-1.6B は、比較対象モデルより少ない事前学習計算量で、より高い生成品質（gFD）を示したと報告しています。対照実験では、テキストのみの事前学習はテキスト画像生成を改善しないと示されています。
説明本当に動くのか？機能するCAD機構の合成
要約大規模言語モデルのエージェントは見た目にもっともらしいCAD組立体を生成できますが、その設計は意図した物理的機能を果たせないことが多いです。著者らは、候補ごとの物理試験に要件を変換し、シミュレーションの結果をもとに設計を修正するFunCAD-Harnessを提案しています。また、46種類の機構と多段階の操作を含むベンチマークFunCADBenchを公開し、従来法より機能成功率が大きく向上することを示しています。
説明OpenVLHarness：マルチモーダル記憶を備えた実世界の視覚エージェント型ツール利用フレームワーク
要約本論文は、能力レイヤーと永続的マルチモーダル記憶を中心に構成されたマルチモーダル推論ハーネス「OpenVLHarness」を提案しています。能力レイヤーは異種のツールを統一的に呼び出し、その出力をモデルが読める観測に変換します。記憶は画像、構造化データ、Web参照を保持し、コードを実行して複数ツールの結果を組み合わせられます。22のベンチマークと8つのバックボーンで、ツールなしの基準に対して平均9.7〜12.6点の向上が報告されています。
説明VideoMaMa++：保持・精錬トークンによる時間的に一貫した動画マッティング
要約本論文は、拡散モデルに基づき動画から前景の透明度（マット）を精密に抽出する手法を提案しています。拡散バックボーンは計算負荷が大きく、一度に6〜24フレームしか処理できないため、チャンク境界でちらつきや透明度の不連続が生じます。著者らは、RGBとマスクを別々のトークン列として扱い、学習可能な保持トークンと精錬トークンを用いてスライディングウィンドウ推論を行い、グローバルな参照アンカーで長い動画の誤差蓄積を抑えています。標準ベンチマークと実際の長尺映像において、既存の拡散ベース手法より細部の精度と時間的一貫性が高いと報告されています。
説明視覚的に帰属可能なオンポリシー自己蒸留による強化学習：視覚推論の誤りを視覚証拠で補正する手法
要約本論文は、マルチモーダル推論の強化学習において、言語的事前知識や応答スタイルなど視覚以外の要因が混入した逐語的補正の問題を指摘しています。著者らは、視覚的証拠との対比方向が一致する補正のみを採用する視覚帰属ゲーティング（VAG）を提案しています。six つの視覚推論ベンチマークで、GRPO および OPSD 手法を上回る平均性能を示したと報告しています。
説明VitronEdit：画像・動画・3Dシーンを統一的に編集する汎用フレームワーク
要約本論文は、画像、動画、3Dシーンを一つのモデルで編集できる統一フレームワーク VitronEdit を提案しています。共有の系列表現と段階的なマルチモーダル学習により、画像・動画の編集知識をデータが少ない3D編集へ転移させます。さらに、事前学習済みの幾何再構成モデルから深度とカメラ姿勢の監督を得る幾何考慮型の後学習を導入しています。著者らは、幾何監督を3Dサンプルにのみ適用した場合に最良の総合性能が得られ、画像・動画編集も向上したと報告しています。
説明Ropedia W0：人間の経験を活用し、異なる身体形態をまたぐ移動・操作ワールドモデルを拡張
要約本論文は、人間とさまざまなロボットの身体形態を対象に、一人称視点で移動と操作を統合してモデル化する基盤ワールドモデル Ropedia W0 を提案する。1万時間の人間の一人称データと3千時間のロボットデータからなる Xp-Data を構築し、カメラ姿勢と投影骨格による統一的な運動学表現を用いている。五つのクロスエンボディメント・ベンチマークで最先端の性能を示し、蒸馏後はリアルタイムで分単位の推論が可能になる。
説明InfiniDream：手続き型生成による開かれた写実的3D世界の構築
要約本論文は、視覚言語モデル（VLM）を用いて開かれた手続き型3D世界生成を行うフレームワーク「InfiniDream」を提案しています。既存の手続き型アルゴリズムを活用し、編集性とシードベースの多様性を保ちながら新しい写実的アセットを生成します。また、意味的シーン計画と決定論的視錐台誘導グリッド配置を組み合わせたテキストから世界への手法で大規模な3D世界を構築し、100のオブジェクトと20のシーン生成タスクで4つの知覚指標の改善を報告しています。
説明CoopUQ：不確実性を考慮した協調予測によるロバストなマルチロボット社会的ナビゲーション
要約本論文は、人が行き交う環境で複数の移動ロボットが協調して移動するためのフレームワーク CoopUQ を提案している。ロボット間の時空間特徴融合によって将来の占有グリッドマップを予測し、その予測と不確実性を制約付きマルチエージェント強化学習に用いて、占有が予測される領域や不確実性の高い領域を通る経路にコストを課す。Unity3D によるシミュレーション（分布内・分布外の設定を含む）と実機実験で、代表的なベースラインより予測性能と安全性が向上したと報告している。
説明Manga2Animate：脚本と絵コンテ計画による漫画アニメ化のマルチエージェント枠組み
要約本論文は、既存の漫画を原作に忠実なアニメーションへ変換するマルチエージェント枠組みManga2Animateを提案する。タスクをアニメ脚本と視覚的絵コンテという二つの中間表現に分解し、作成エージェントが生成した各表現を、対になる審査エージェントが原作のコマと照合して段階的に改良した後、最終的なアニメーションを合成する。著者らは実験とユーザー調査により、既存手法より原作に忠実で、ショット間の一貫性が高いと報告している。
説明GenOlympiad：前線の画像生成モデルの能力限界を測るベンチマーク
要約本論文は、九つの能力軸から最も難しいテキストプロンプトを集め、最先端のテキスト画像生成モデルに負荷をかけて評価するベンチマーク GenOlympiad を提案する。評価対象には大量の生成、深い推論、厳密な物理的整合性、複雑なルールへの従属などが含まれる。プロンプトは数えるなど視覚的に検証できる形で設計されている。自動評価枠組みはプロンプトを易しい問いと難しい問いに分解し、補助線で根拠を示して採点する。最良のモデル Nano Banana Pro の厳格スコアは100点満点中23.9点にとどまると報告されている。
説明物理的再帰的自己改善能力はどこから来るのか：LLM-as-policy の観測的スケーリング則
要約本論文は、物理的再帰的自己改善の仕組み、スケーリングの振る舞い、汎化性能を体系的に調べています。PhysRSI-eval という五つの軸からなる指標を提案し、18 の操作タスクで複数の視覚言語モデルを評価しました。公開能力から性能を予測することと、初期の物理フィードバックから後の進展を予測することを検討し、作業空間への介入によって改善後に何が残るかも分析しています。
説明WeAct：動的な重み切り替えをエージェントの行動として扱う手法
要約本論文は、凍結したバックボーン上に能力ごとの独立したLoRAアダプターを学習させ、アダプターの選択をエージェントの行動空間に加える手法WeActを提案しています。長い工程のタスクで、必要に応じて能力を組み合わせて使えるようにします。8つの深層リサーチベンチマークでは、Qwen3-32Bに適用したWeActが、全パラメータ微調整と比べて平均精度を相対6.2%、最も強い静的LoRA統合手法と比べて相対27.5%向上させたと報告されています。モジュール式の継続的適応も可能とされています。
説明想像しながら行動するエージェントの訓練：実行前に行動の結果を予測する手法
要約論文は、エージェントが行動前に結果を想像するよう訓練する枠組み Agentic Imagination（Agima）を提案している。まず教師ありファインチューニングで方策と世界モデルを単一のモデルに統合し、続いて強化学習で想像した未来を使った計画の推論を学習させる。Maze2D、Sokoban、Pacman、PushT の4環境で、訓練時に見ていない難しい設定への汎化が示されている。
説明AnyGoal：エキスパート軌跡を超えたワールドモデルの汎化能力の研究
要約本論文は、ワールドモデルが既知の状態因子と行動因子を再結合して妥当な環境ダイナミクスを作れるかを検討します。著者らは、よく使われる世界モデル環境から目標を変えたタスクを構築したベンチマーク AnyGoal とオープンソースライブラリを提案しています。複数の環境とモデル系統での実験では、こうした再結合の下で現行モデルが一貫して失敗することが示され、ダイナミクスと表現の観点から汎化の限界が分析されています。
説明LatComm：大規模言語モデル間の潜在通信のための再利用可能な文脈圧縮
要約本論文は、凍結された符号化用LLMが文脈を一度だけ固定サイズのパケットに圧縮し、別の凍結された受信用LLMへ渡す仕組みLatCommを提案します。受信側はプロンプトから計算したゲートを用い、交差注意によってパケットから必要な部分を読み取ります。12の多肢選択式質問応答データセットで、単一ベクトル基準と比べて平均精度が最大10.2ポイント向上しました。QuALITYでは受信側の入力が57分の1に減り、同じ記事への質問への回答が3倍速くなりました。
説明下位層の強凸性を仮定しない、ニュートン法に基づく二段階最適化手法
要約本論文は、ハイパーパラメータ最適化、データ再重み付け、メタ学習などに用いられる二段階最適化を扱います。下位層の強凸性を仮定しない状況で使える、ニュートン法に基づく2つの新手法を提案し、収束保証と既存手法より改善された計算量の上界を示しています。さらに統一的枠組みGNBOを導入し、合成問題、データのハイパークリーニング、GPT-2のデータ再重み付け実験で評価しています。
説明オントロジーに依存しない電子カルテモデリングのための離散ニューラル中間言語
要約電子カルテ基盤モデルは、同じ臨床概念が異なるコードや表現で現れるため、トークン化のボトルネックに制約されています。本論文はMEDIATORという、テキストで表された任意の臨床概念を共有の離散コードブックに写像するトークナイザを提案します。手作業の対応付けや固定語彙は不要です。MIMIC-IIIの20タスクで平均AUPRCが従来最強のトークナイザより4.0ポイント向上し、eICUへのゼロショット転移の14タスクでは8.6ポイント向上したと報告されています。
注目点テキストから共有離散コードブックへ写像する本体非依存トークナイザを提案し、MIMIC-IIIとeICUで比較と対照実験により有効性を示す。
説明SpecKCast：拡散モデル高速化のためのスペクトル・カルマン予測
要約本論文は、拡散トランスフォーマー（DiT）による画像・動画生成を高速化する、学習不要の手法SpecKCastを提案します。出力を周波数領域で二次元離散コサイン変換し、ノイズスケジュールから導かれる帯域ごとの時間座標に沿って、各係数を軽量なカルマンフィルタで追跡します。トランスフォーマーの評価は、フィルタの予測不確実性が閾値を超えたときだけ行われます。FLUX.1-dev、Qwen-Image、Wan2.1-14B、HunyuanVideoでの実験では、既存のキャッシュ・予測手法より加速と忠実度のバランスが優れ、最大6倍の高速化を0.05 GiB未満の追加メモリで達成したと報告されています。
説明同じシミュレーション、異なる証拠：取得したツール出力がLLMエージェントの正確性を損なう場合
要約研究者はUSGSの地球化学シミュレータPHREEQCを使い、LLMエージェントに158問の選択式問題を解かせ、報告書をコンテキストに直接読ませる場合と章索引経由で検索させる場合を比較しました。検索方式ではGPTモデルの正答率が下がり、報告書を読まずに自前の出力ファイルから回答して近隣の選択肢に丸めてしまう「証拠の置き換え」が主因だとされています。
説明長文脈線形アテンションのためのクロネッカーデルタ則
要約本論文は、連想行列メモリ向けの新しい更新則であるクロネッカーデルタ則に基づく線形アテンション構造KronLSTMを提案している。行列空間の単一方向に沿ってのみメモリを修正するため、既存情報への干渉が少ないとされる。記憶動態はマルコフ連鎖として記述でき、定常分布に収束し、メモリ行列のノルムの期待値は有界であると主張している。実験では既存の線形アテンションモデルと競合し、長文脈ベンチマークで特に高い性能を示した。コードとモデルはオープンソースで公開されている。
説明ハイブリッドアーキテクチャにおける競合学習：再帰層とアテンション層が同じ機能を争って学習する現象
要約本論文は、線形時間の再帰層とsoftmaxアテンションを併せ持つハイブリッド言語モデルを検討しています。異なる種類の混合層が同じ関数の学習を競い合い、ある層が学習すると他の層の学習信号が抑制されることを明らかにしています。典型的なデータ分布では、現代の再帰層がアテンションより速く検索機能を学習し、多くの場合アテンションが検索を学習できないと分析しています。著者らは、学習途中で再帰層の重み更新を止める段階的な事前学習手法を提案し、最大10億パラメータのモデルで言語モデリング、常識推論、各種検索タスクの改善を示しています。
説明ProteinGeoBench：最先端の構造生物学エージェントは検索には強いが、幾何計算に弱い
要約本研究は、131 件のタンパク質構造タスクからなるベンチマーク ProteinGeoBench を提案し、4 つの最先端モデルと他の 26 モデルを評価しています。多くのモデルは、座標からの数値計算よりもメタデータ検索で高い成績を示しました。評価の実行回数、実行環境、ネットワークアクセスの条件によって順位も変わるため、タスク群ごとの結果と、回数・環境・アクセス条件の併記を推奨しています。
説明実世界のエージェント世界モデル：コンピュータ利用エージェント向け環境合成
要約本論文は、汎用コンピュータ利用エージェント（CUA）の訓練用に制御可能な環境とタスクを合成する、スケーラブルなパイプライン WildAWM を提案している。環境はグラフィカルUI、モデルコンテキストプロトコルサービス、コマンドラインを同時にサポートし、すべてオープンソースモデルで生成される。合成された341組の長期タスクのうち、GPT-6-Astra が解けたのは60%であった。仕様上2つのQwenモデルはこの合成環境のみで訓練され、8つの分布外ベンチマークで大きな向上を示した。
注目点GUI、MCP、CLIの統合環境を合成し、実行ベースの品質ゲートで課題を検証する点に新規性があり、8つの分布外ベンチマークで大きな改善を示しており、証拠は比較的十分である。
説明KEEP-Bench：文脈圧縮における証拠保持能力の評価
要約本論文は、圧縮後の内容の忠実性を直接検証する診断ベンチマーク KEEP-Bench を提案します。妥当な参照解決、明示的な限定条件、少数意見という3つの場面で証拠を保つ必要がある4,102件の事例を含みます。実験では、最良のオープンウェイトモデル（31B）が必要な証拠をすべて保持できたのは66.8%、最良のプロプライエタリモデルは61.6%にとどまりました。また、証拠保持リターン（EPR）という指標を導入し、中規模モデル（4B〜8B）で最大になるものの、再現率は依然として低いことを示しています。
説明RefCraft：視覚的参照に基づくWeb開発エージェント生成のベンチマーク
要約本論文は、自然言語の指示と1～5枚の参照ウェブページのスクリーンショットを組み合わせた、実務的なマルチモーダルWeb開発タスク300件からなるベンチマーク「RefCraft」を提案しています。エージェントは参照を選択的に解釈・利用し、レンダリング、視覚的確認、反復的な修正を行う必要があります。評価は独立に検証可能なキーポイントと、プログラムおよびVLMによる評価者を用いて行われ、九つの最先端（M）LLMのうち最良のシステムでも総合スコアは100点満点中52.12点にとどまりました。
説明MemT-1.0：記憶をネイティブに備えた進化に向けた記憶基盤モデル
要約本論文は、記憶をモデル計算の内在的な一部として取り込む新しい記憶基盤モデルアーキテクチャ MemT-1.0 を提案しています。Metis を基盤に、Gated DeltaNet-2 と Mixture-of-Storage を用いて原生記憶容量を拡張しています。34B トークンのデータを用いた持続的事前学習と事後学習の二段階学習により、Nano と Flash の二つのモデルを公開しました。履歴長128K トークンでは、Nano が完全コンテキストの KV キャッシュと比べて約 1.86 倍の推論高速化と 66 倍の永続ストレージ削減を達成したと報告しています。
説明SpecMRL：パラメトリックスペクトル内でMatryoshka表現学習を再設計
要約本論文は、Matryoshka表現学習（MRL）を改良したSpecMRLを提案している。パラメータから導出され特徴の重要度で並べられたスペクトル基底で特徴空間を再編成し、学習されたスペクトル空間で接頭辞の読み出しを行う。MTEBでの実験では、評価したすべての削減次元でMRLを上回り、圧縮を強くするほど差が大きくなった。埋め込み次元が半分でも全次元のMRLを超えたと報告されている。
説明AfriBED：低リソースアフリカ言語向け音声認識バイアス評価データセット
要約本論文は、低リソースのアフリカ言語であるベンバ語（Bemba）とニャンジャ語（Nyanja）を対象とし、音声認識システムの性別および話者タイプに関するバイアスを検出・推定するための新しいデータセットAfriBEDを紹介する。ベンバ語は80名の話者による約9時間・3928発話、ニャンジャ語は127名の話者による約18時間・6260発話を含む。ベースライン実験により、このデータセットが対象言語における性別と話者タイプの属性バイアスの検証に有用であることが示されている。
説明オープン形式の幾何学的スタイル転移：学習した幾何スタイルを異なる形状群の新しい形に適用する手法
要約本論文は、ある形状群（例：ラテン文字）から学習した幾何学的なデザインスタイルを、ギリシャ文字や人体のポーズなど、まったく異なる形状に適用する方法を研究しています。目標形状は構造スケッチで表し、Geometry LoRAとスタイル専用LoRAによって構造への忠実さとスタイルの表現を分離します。実験とアブレーションの結果から、この分離と多様な合成スケッチによる汎用的な幾何学事前情報の有効性が示されています。
説明ASTOR：形式文法による、ソフト制約最適化の自動定式化のベンチマークと改善
要約実世界の意思決定問題には、必ず満たすべきハード制約と、違反しうる選好であるソフト制約の両方が含まれます。本論文は、自然言語で書かれた意思決定問題を文法に導かれた抽象構文木へ写像し、それを実行可能な最適化コードへ決定的にコンパイルする推論時フレームワークASTORを提案しています。また、ソフト制約の定式化に焦点を当てた自然言語ベンチマークSoftORも導入しています。
説明ReuF2F：形式化された学部研究問題でコーディングエージェントを評価するベンチマーク
要約本論文は、学部生研究体験（REU）から採った244件の形式化された未解決問題からなる Lean 4 ベンチマーク ReuF2F を提案しています。各問題とその論理的否定を Docker コンテナ内の Lean プロジェクトに置き、mini-SWE-agent 上に構築した統一ハーネス Leanimum-agent で公平な比較を行っています。最も性能の高いモデルでも問題の約40%しか解けず、形式化された未解決研究問題には大きな改善余地があることが示されています。
説明ネクスト・ベスト・アクション：業務アクション・ターゲティングのための因果制約付きオフライン強化学習
要約本論文は「ネクスト・ベスト・アクション（NBA）」システムを制約付きマルコフ決定過程として定式化し、顧客動態の因果補正を線形計画法の定式化に組み込みます。業務上の制約を満たしながら長期的な価値の最大化を目指します。ライドシェアのクーポン配布を事例に、RFM段階で顧客状態を定義して検証しています。モデルベースの離線策略評価では、最適化方策は推定された行動方策に対して顧客生涯価値を19%、近視眼的ベースラインに対して8%向上させました。
説明リアルタイムのレーダー意味的・パノプティックシーン理解
要約本論文は、FMCW回転レーダーのストリーミング・パノプティックセグメンテーションのためのStreamRPSフレームワークを提案します。LiDARシーン補完による自動ラベル生成パイプラインと、リアルタイムのストリーミング・セグメンテーションネットワークを含みます。ネットワークはレーダー専用の階層型Transformerエンコーダを用います。SAXとBOREASのデータセットで検証され、4セクター設定で400 FPSを超える処理速度が報告されています。また、SAXのレーダースキャン100件に人手による注釈が付けられています。
説明PICA-WAM：世界行動モデルにおけるクロス外観自己整合による視覚摂動不変性
要約世界行動モデル（WAM）は将来の映像予測とロボット動作生成を同時に行いますが、タスクに無関係な視覚的外観の変化に敏感です。本論文はPICA-WAMという自己教師あり学習の枠組みを提案し、EMA教師が元の観測を処理して深い層の目標を与え、オンラインモデルが摂動された観測から浅い層の動作表現を軽量な射影ヘッドを通じてその目標に整合させます。RoboTwin 2.0、LIBERO-Plus、EBench、実ロボットでの評価において、視覚摂動下の頑健性が向上し、シミュレーションでの性能は維持され、実ロボットの成功率も上がったと報告されています。
注目点知覚摂動不変性を交差外観自己整合の補助タスクとしてWAM学習に導入し、複数の基準と実機で検証しており説得力がある。
説明状態ワールドモデル：ルールを実行し、映像を生成する
要約本論文は、世界状態の変化と映像レンダリングを分離し、隠れた状態を伴う規則に従った対話を可能にするStateful Harnessを提案している。各ターンでユーザーの行動を解決して事象の指示に変換し、凍結した映像モデルで結果のクリップを生成して、次のターンの世界状態を更新する。50組の反事実ペアからなるWorldState-Benchでは、フレームワーク全体が同じ凍結モデルで92%に達し、規則のみのプロンプトの32%を上回った。
説明フィジカルAI：概念・技術・課題
要約本書は、フィジカルAI（Physical AI）の定義を示し、技術の全体像と主要な下位分野を検討する専門書である。現実の制約のもとで、継続的なフィードバックを通じて物理世界を知覚・モデル化し、そこに作用する人工システムとして統一的な枠組みを提示し、デジタルAI、身体性AI、サイバーフィジカルシステム、デジタルツインとの違いを整理している。世界モデル、身体性基盤モデル、運動制御など多様な手法と、ロボティクスや製造などへの応用を扱い、シミュレーションから実世界への移行や安全性、ガバナンスなどの課題にも言及している。
説明セーフティ中間学習：LLMの安全性を基礎能力として内在化する
要約本論文は、事前学習と事後学習の間に「セーフティ中間学習」という段階を設け、安全性と汎用推論を共通の推論構造の中で同時に習得させる手法を提案しています。Qwen3-1.7B、4B、8Bの基礎モデルと比べ、平均攻撃成功率は72%から81%低下し、汎用能力も向上したと報告されています。これらの効果は後続の事後学習を経ても維持されたとしています。
注目点事前学習と事後学習の間に安全性の中間学習段階を導入し、安全性と汎用推論を共通構造で扱う新しい発想だが、摘要では比較の詳細が限られる。
説明病理視覚言語モデルで言語が何を加えるか、そのコストは：4つの統制実験
要約本論文は、病理学の視覚言語モデル（VLM）において言語が視覚バックボーンに対して実際に何を加えるのかを、公開済みのチェックポイントと公開データを用い、入力を一つずつ変えて検証しています。報告書テキストは予後の情報を加えること（TCGA 1,633例でC-indexが向上）が示されました一方、プロンプトは推論時の精度を測定可能な形で高めず、スライド質問応答もほとんど画像に基づいていませんでした。将来の評価に使える最低限の対照条件も提案されています。
説明脳エンコーディングのためのパラメータ効率的微調整の大規模化
要約本論文は、少数の学習パラメータだけで大規模な事前学習モデルを適応させるパラメータ効率的微調整（PEFT）を、刺激に対する脳の神経応答の予測に応用する研究です。因果構造を利用して複数の時点を一度の計算で予測し、低ランク適応器（LoRA）と軽量な読み出し層で学習させています。論文によると、Algonauts 2025 Challengeで公開された最高性能を達成しています。
説明転送を学習する：分散型連合学習における推論時の協調
要約本論文は、分散型連合学習において、クライアントごとに補完的な専門性があるにもかかわらず、各クエリは到着したクライアントだけで評価される問題を扱います。隣接クライアント間でのみ移動できる予算制約付きの転送を提案し、EdgeDRM は学習された密度ベースのルーティングポテンシャルで転送先を選びます。学習と推論は隣接ノードの局所情報のみを用いて行われ、実験ではほとんどの設定で同じグラフ構造の分散型ベースラインを上回り、接続が疎な場合に利点が最も明確でした。
説明LLMパイプラインの言語横断的再利用性：金融抽出、多言語推論、意味的スクリーニング
要約本論文は、英語で開発・検証したLLMパイプラインを他言語で再利用できるかを、精度、推論負荷の転移、挙動の安定性の三点から検証します。小切手抽出、Mintaka質問応答、金融質問応答の試験的タスクを用いています。精度は概ね再利用可能である一方、金融分野では領域と言語ごとの検証が必要だと結論づけています。
説明隠れ層2層で十分：キャタピラーネット（Caterpillar Net）
要約本論文は、ReLUネットワークの表現力研究の中心にある連続区分線形関数の表現を扱っています。著者らは再帰を用いない構成であるCaterpillar Netを提案し、N個の入力の最大値を、幅がO(N²)と2^{O(N log N)}の2つの隠れ層で表現できることを示します。また、この構成には直接的な幾何学的解釈があるとしています。
説明表形式機械学習におけるデータ規模の拡大：データを増やせば汎化は良くなるか？
要約本論文は、表形式機械学習において訓練データ量が性能に与える影響を検討しています。著者らは、タスク固有の自然な分布シフトを保持した、最大約1000万件の訓練例を含む実世界の表形式データセット8種を用意し、ランダム分割評価を対照として用いています。GBDTとMLPベースのモデルはおおむね似た拡大傾向を示し、表形式基盤モデルはより多様な挙動を示すと報告されています。一方、分布シフト下で訓練データを増やすと、分布内と分布外の性能は小規模では概ね同時に向上するものの、大規模では乖離しうることが示されています。
説明SOMA：高速モデルで低速の推論モデルを継続的に監視・介入するメタ認知フレームワーク
要約本論文は、直感的に高速判断するSystem One（S1）モデルが、熟考型のSystem Two（S2）推論モデルを継続的に監視し、必要に応じて介入するSOMAフレームワークを提案しています。シナリオ、認知、制御の三層からなり、訓練は不要で、タスク間で同一のS1モデルと制御器を共用できます。原文では、過剰思考の問題で推論トークンを削減しつつ平均精度を向上させ、回答不能な問題では棄権率を高めたと報告されています。
説明機械ラベル付きデータを用いた確率的一次・ゼロ次最適化による学習
要約機械学習モデルの学習には通常、事前に正解ラベル付きの例が必要で、人手による付与は費用と労力がかかり大規模化が難しい。本論文は、一部のサンプルのみ正解ラベルがあり、残りは機械学習予測器がラベル付けする（誤ったラベルを付けうる）設定を検討する。正解ラベルと機械ラベルが混在するデータセットでの学習のために、一次および零次の確率的最適化手法を提案し、線形回帰モデルから大規模言語モデル（LLM）のファインチューニングまでの実験で有効性を示す。
説明LG-Bench：生命科学向けグラフ構造評価ベンチマーク
要約本論文は、生命科学向けの初のグラフ構造評価ベンチマーク LG-Bench を提案します。医学、生物学、化学の分野にわたる 10,000 問以上の高品質な多肢選択問題を含みます。問題同士の意味的関係を重み付きの評価グラフとして構築し、それに基づいて全体的一貫性スコア（GCS）と知識バランススコア（KBS）という二つの指標を設計しています。
説明RESIN：エンティティ構造化インデックスによる多重連鎖推論
要約本論文は、複数の推論連鎖を必要とする質問に対応するRESIN（Reasoning with Entity Structured Indexing）を提案しています。質問を一跳ごとの小さな必要事項に分解し、各段階で原文に基づく少数の根拠を検索して、コンパクトな推論バッファに集約し、最終段階で統合します。著者らはHolisQAベンチマークで、公表された基準手法より高い文脈再現率と回答関連性などを報告しています。
説明V-JEPA Hand：一人称視点動画から三次元の手と카メラ軌跡を高速に推定するモデル
要約本論文は、一人称視点の動画クリップから両手の動きとカメラの動きを同時に再構成する、フィードフォワード型の動画モデル V-JEPA Hand を提案している。自己教師あり学習の V-JEPA 2.1 エンコーダで時空間特徴を抽出し、クエリ型の予測器で各フレームの手の姿勢、手の有無、カメラ運動を出力する。推定したカメラ運動により手の軌跡を共通の世界座標系で表す。ARCTIC、HOT3D、EgoStandard で、比較対象のうち覆われ度を考慮した平均関節位置誤差が最も低く、RTX A6000 上で毎秒 93.4 フレームの処理速度を示した。
説明視覚言語モデルの幻覚検出における内部信号の頑健性分析
要約本論文は、視覚言語モデル（VLM）が生成するテキストに現れる物体の幻覚と、モデル内部の信号を使ってそれを検出する手法の頑健性を検証しています。著者らは、生成された単語の回答内での位置という単純なベースラインが競争力のある性能を示すこと、一部の手法がこの位置を近道として利用していることを明らかにしました。また、高い検出性能は主に言語面の幻覚によって生まれ、幻覚が回答の前半に現れると頑健性が下がることも報告されています。さらに、異なる手法の信号は相補的であり、組み合わせることで性能が向上することが示されています。
説明既約性の位相層：マルチエージェント課題の障害に関する理論枠組み
要約本論文は、タスクレベルの整合性障害をシステムの能力から分離する層理論的枠組みである位相的既約層（TSI）を提案する。非零のコホモロジー類を構造的シグネチャとし、登録された介入によって能力を検証する。有限の一ラウンドモデルによる実験では、一次の15,625入力で全エージェントの加法的プリミティブが判定と修復を正確に解いた。二次の課題では、四エージェントのプリミティブを加えた場合にのみ両課題が正確になった。
説明Monsoon：50言語の低リソース音声認識のための大規模な自発音声収集フレームワーク
要約本論文は、低リソース言語の自動音声認識に用いる自発音声を大規模に収集するフレームワーク Monsoon を提案している。ペアの話者による台本なしの会話を収録し、自動分類器で録音を選別したうえで、五段階の人手レビューで書き起こしを修正し、語彙と音響の網羅性に基づいて区間を選ぶ。50言語分の音声を収集し、3500時間規模の7つのコーパスを分析したと報告している。
注目点自発音声を大規模収集する枠組みと多段階品質管理を提案し、50言語・7コーパスで基線と比較して低資源ASRに実用的な改善を示している。
説明HarnessPro：性能とコストの trade-off をパレート最適化で扱う、再帰的ハーネス自己改善手法
要約本論文は、AI エージェントのハーネス（実行基盤）を、正解データなしで反復的に改善する手法 HarnessPro を提案します。専用エージェントが実行軌跡を診断し、性能とコストの優先度が異なる更新案を作成して、軽量版・均衡版・高性能版の3種類のハーネスを正規化重み付き距離で選択します。Terminal-Bench 2、SWE-Bench Pro、ProgramBench での実験では、GPT-5.5 と Codex を用いた高性能版が、RHO と比べて平均合格率を 2.0 ポイント向上させ、タスクあたりの平均コストを 26.1% 削減したと報告しています。
説明VerifierBench：LLM エージェントが実行可能な検証器を生成する能力の評価ベンチマーク
要約本論文は、六つのエージェント用ベンチマークから集めた 222 のタスクと 4,993 件の非公開テストケースからなる VerifierBench を提案します。エージェントはタスクの指示と環境から、有効な解を受理し無効な解を拒否する検証器を書くことが求められます。19 モデルの正規化平衡精度は 10.6 から 62.1 の範囲で、生成された検証器は有効な解を受理するよりも無効な解を拒否する方が一貫して得意でした。多くの誤拒否は、テストされた有効な解を一つも受理しない検証器に由来していました。
注目点検証器生成という新たなベンチマークを提案し、19モデル・222タスク・4,993の隠しテストによる実証分析で過剰な棄却の失敗様式を明らかにしている。
説明スリム化可能な画像圧縮のためのチャネルレベルのマスク誘導手法
要約この論文は、計算量と記憶容量が異なる多様なプラットフォームに対応できる、学習型画像圧縮の拡張性の不足という課題に取り組んでいます。スパース性を促す正則化を伴う学習可能なチャネルマスクにより、連続しない上位wチャネルを選択し、マスクから Slimmable への変換で標準的なスリム化ネットワークに変換します。Kodakデータセットでは、低ビットレートにおける狭いモデルの性能が大きく向上し、単一の可変ビットレートモデルで40個の独立モデルを置き換えられると報告されています。
説明自動運転レーシングにおけるモデルベース強化学習の、シミュレーション事前分布を用いた迅速な適応
要約本論文は、PIA（Prior-Informed Adaptation、事前情報に基づく適応）というフレームワークを提案しています。低忠実度と高忠実度のシミュレーション軌跡で世界モデルを事前学習し、不確実性で正則化された計画を用いて、限られた実環境での相互作用により適応させます。シミュレーションでは、コースや路面が変化しても、強力なベースラインより速く適応し、ラップタイムが短く失敗も少なくなりました。実車の全尺サイズ自動運転レースカーでは、車両での相互作用が1時間未満で、少数ショットの適応を信頼性高く達成しています。
説明TokenGate：学習可能なトークン剪定で大規模言語モデルの前処理を高速化・省メモリ化
要約本論文は、既存の学習済みモデルに後から組み込める小型コンポーネントTokenGateを提案し、長文入力に対してエンドツーエンドで学習可能なトークン剪定を可能にして、高速かつ省メモリなプリフィルを実現するものです。微分不可能なtop-K演算を扱うため、Mixture-of-Expertsに着想を得た「トークンゲート付き注意機構」を導入し、トークン重要度スコアで注意のlogitsを重み付けします。原文によると、複数のタスクで精度低下なしに、最初のトークンまでの時間が1.4〜11.3倍速く、ピークメモリが1.5〜3.4倍少なくなっています。
説明Omni を超えて：身体性センシング理解のための統一MLLM（Unisense）
要約本論文は、共有のマルチモーダル構造で多様な物理センサーモダリティを扱う統一的な身体性MLLMフレームワーク Unisense を提案する。学習は二段階で、まずセンサー表現を言語と整合させ、次に共有LLM内でモダリティ別エキスパートを調整する。8種類のセンサーモダリティ、約100万サンプルからなる学習コーパス Unisense-1M を構築し、深度、点群、IMU、触覚、熱、レーダー、動作、嗅覚を含む12のベンチマークで評価した結果、多くのベンチマークで汎用モデルと専用モデルを上回った。
説明軌跡リプレイ：生涯学習型生成モデルのための連続時間混合輸送
要約本論文は、事前学習済みの連続時間生成モデルが、以前のタスクを忘れずに新しいデータを順次学習できるようにする手法を提案しています。生成リプレイのように毎ステップ完全な軌道シミュレーションでサンプルを生成するのではなく、凍結した過去の速度場と新タスクの速度場の両方に合わせて更新後の速度場を学習し、安定性と可塑性の係数で重み付けします。クラス増分画像生成では生成リプレイや蒸留ベースラインを上回り、2つの生物学的ケーススタディでは、処置効果の予測を保ったまま、摂動生成モデルを新しい文脈や実験バッチへ拡張しています。
説明多クラスロジスティック回帰で、大きなステップ幅を用いれば固定回数の反復で任意の精度に到達する勾配降下法の解説
要約本論文は、多クラスロジスティック回帰の損失に対して、ステップ幅を十分大きくとれば、誤差の大きさに依存しない固定回数の反復で任意の最適性誤差に到達できることを示しています。ステップ幅は目標誤差と線形分離可能なデータの性質に依存し、反復回数はデータの点数とマージンに依存します。証明は、ステップ幅が無限大に近づくと勾配降下法がパーセプトロンに収束するという既知の事実に基づいています。
説明recAMPLIFY：再帰型タンパク質言語モデルの大規模事前学習
要約本論文は、マスク型タンパク質言語モデルに再帰的事前学習を適用し、重み共有型Transformerコアが調整可能な回数の循環でアミノ酸残基ごとの隠れ状態を洗練する手法を提案します。これに基づくrecAMPLIFYは1億5,500万パラメータで、AMPLIFY-350Mと同じ2兆トークンで学習され、パラメータ数は56%少ないものの、CASPの接触回収と4つの教師あり課題のうち3つで改善し、フォールド精度は22.5%向上しました。さらに、残差ゲートで再帰中の状態更新を制御するゲート付き混合再帰（GMR）を導入し、期待層深度を最大37%削減しますが、精度のトレードオフは課題によって異なります。
