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。
説明逆KL方策蒸留：統計的保証と限界（論文）
要約本論文は、逆KLダイバージェンスを用いた方策蒸留の統計理論を研究している。教師が行動分布全体を示す場合と、学生が選んだ行動の確率のみを示す場合を比較し、オンラインとオフラインの両方式のサンプル複雑度を分析している。その結果、オンラインで確率のみが得られる場合はより多くのデータが必要になりうること、オフラインでは両フィードバックが同じミニマックス速度に達することが示されている。さらに、一般的なオンライン目標が失敗しうることを示し、軌道損失や重要度比の切り詰めなどの手法を提案している。
注目点2つのフィードバックモデルの下でオンライン・オフライン逆KL蒸馏の最小最大サンプル複雑度を示し、在線設定での確率フィードバックの統計的コストを明らかにしている。
説明Lean Finder V2：ユーザーの曖昧な検索語を解消する Mathlib 向け意味検索
要約本論文は、Mathlib（Lean の数学ライブラリ）向けの意味検索フレームワーク Lean Finder V2 を提案します。モデルレベルの敵対的学習と入力レベルのクエリ書き換えによって、ユーザーの曖昧な検索語を解消します。人間や coding agent は短い性質、記法、仮定などしか入力しないのに対し、既存の検索エンジンは文脈の豊富なクエリを前提としていると指摘し、問題の本質はデータにあると論じています。人手で整備された MathlibQR ベンチマークで、従来の最良の検索エンジンより少なくとも約11%の相対的な改善を示し、Claude Code と統合すると下流の定理証明の成功率も向上しました。
説明TRIAD：マルチモーダル大規模言語モデルにおける全モダリティ曖昧性の解消を評価するベンチマーク
要約本論文は、テキスト、画像、音声にまたがって分布する曖昧性を全モダリティ型大規模言語モデルが解消できるかを測るベンチマーク TRIAD を提案している。86 のシーングループ、18 種の曖昧性カテゴリにわたる 327 件の手作業クエリを含む。14 のシステムを評価した結果、最良のモデルでも組単位の正答率で人間を 20 ポイント以上下回り、選択肢を除くと大幅に低下することが示された。
説明LeWorldModelは局所的な行動の幾何学を保持しているか？
要約本論文は、事前学習済みのLeWorldModel（LeWM）が小さな行動変化の影響をどれだけ忠実に再現するかを検討している。三つの摂動スケールでGram行列により行動感度を測り、Reacherし OGBench Cubeの約1000状態を対象とした。最小スケールでは、最も敏感な行動方向の中央値の角度差はそれぞれ約36°と42°である。埋め込み空間では、LeWMの誤差は同じトレースをもつ等方性基準より大きい。論文はスケールごとの評価の必要性を示すが、制御への影響は未解決としている。
説明半線形ガウス・ベイジアンネットワーク：ペナルティ付きB スプラインによるノード依存関係の柔軟性向上
要約本論文は、連続変数のベイジアンネットワーク向けに半線形ガウス・ベイジアンネットワーク（SLGBN）を提案します。条件付き分布はガウス分布のまま保ちつつ、一般化加法モデルとペナルティ付きB スプラインで非線形な条件付き平均関数を推定します。実験では、非線形なガウス関係がある場合に、SLGBN が比較対象モデルより適合度と構造復元の点で優れ、完全な半パラメトリック手法より計算上の利点もあると報告されています。
説明RECAP：視覚言語推論では画像を一度見るだけでは不十分
要約長い連鎖思考推論は視覚言語モデルの性能を高めますが、生成が進むにつれて画像の根拠から逸れることがあり、強化学習は最終回答の報酬しか与えません。本論文は推論中に画像の根拠が再び活性化される「視覚的再訪」に着目し、その信号を用いて報酬を配分するRECAP手法を提案します。複数のモデルと評価で、GRPOやVPPOより一貫した改善が示されています。
注目点視覚的再訪信号を信用割当に用い、マスクと注入実験で因果性を示す点に新規性がある。検証は三つのバックボーンに限られる。
説明TutorCaseBench：困難な行動を示す生徒を支援するLLMチューターを評価する事例ベースのベンチマーク
要約本論文は、教育学・教育心理学・特別支援教育の質的事例研究に基づき、学習・行動面に困難を抱える生徒を支援するAIチューターとしてのLLMを評価するベンチマーク「TutorCaseBench」を提案しています。923件の対話を5種類の困難な行動に分けて収録し、記述式回答（1,560件）と選択式問題（2,537件）で評価しています。11の最新LLMを比較した結果、最も高性能なモデルでも記述式問題の55.8%でしか評価基準を満たせず、モデルは状況に応じた応答の生成よりも適切な方略の選択に優れていることが示されました。
説明一回の評価で十分：反転不要・軌道補正付きの画像編集
要約本論文は、画像の反転を必要としない一段階編集手法 Endpoint-Calibrated Transport（ECT）を提案しています。一つのノイズ水準で一度だけデノイザを評価し、局所的な意味接線を積分して名目上の一段階輸送を求め、端点変位で長距離外挿を補正します。学習が不要で、事前学習済みの VP 一段階生成器にそのまま適用でき、報告された基準設定では編集品質が安定して向上し、編集時間も非常に短いとされています。
説明ループで見え方を改善：視覚言語モデルにおける質問誘導型知覚のための適応的深さ学習
要約本論文は、事前学習済みの視覚言語モデル（VLM）に適応的な視覚の深さを与える軽量なエンコーダ側の再帰的知覚フレームワーク、LoopLookを提案している。視覚エンコーダの中盤から後半の区間を繰り返し再訪し、各ループで質問表現を注入して視覚特徴の精緻化を導く。学習された停止機構が再帰の深さを決定する。4つのバックボーンと8つのベンチマークで基線を上回り、MMStarで最大8.6%、HallusionBenchで最大8.1%の向上を示した。
説明Transformerにおける異種リソース配分のための残差文脈付きニューラル・スペクトル容量
要約本論文は、学習を行わずにアーキテクチャ仕様からTransformerの相対的な性能を予測し、累積残差更新の影響を考慮するResNSC手法を提案しています。さらに、残差幅と前馈幅を資源予算の下で同時に配分するResNSC-DPを設計しています。121Mおよび374Mの事前学習とLLaMA-7Bの剪定実験では、比較した配分方式より良い結果が報告されています。
注目点NSCに残差認識と残差履歴を加えた改良で新規性がある。121M/374M事前学習とLLaMA-7B剪定での比較と対照反転実験により証拠は十分で、サブ分野に有用。
説明TESSA：EU AI法に基づき中小企業向けにガバナンス指導を行うカスタムGPT
要約本論文は、OpenAIのカスタムGPT環境で開発されたガバナンス志向の教育ツールTESSAの設計と実装を述べ、EU AI法（EU AI Act）に対応する中小企業（SME）の支援を目的としています。設計科学の手法に基づき、100の評価シナリオで基本版ChatGPTと比較し、ガバナンス整合性の評価、専門家による人手レビュー、一貫性テストを行いました。両システムとも概ね良好なガバナンス指導を示し、TESSAは反復実行で高い一貫性を維持しました。
説明xVGAE：交換可能グラフのための階層型変分グラフオートエンコーダ
要約本論文は、Aldous-Hoover 定理（Aldous-Hoover theorem）に着想を得たグラフ生成モデル xVGAE を提案します。訓練データのグラフ群の背後にあるグラフォン（graphon）と、グラフ・ノードレベルの潜在変数を学習します。著者らは、生成品質は最先端モデルと同等でありながら、生成速度は桁違いに速く、訓練集合の主要な統計量に近い新しいグラフを一度に生成できると述べています。
説明DRILL：ピクセル予測ではなく方策改善のために世界モデルを学習する
要約本論文は、視覚・言語・行動（VLA）方策の強化学習後訓練に用いる世界モデルを、ピクセル予測ではなく方策の収益を高めるよう更新する枠組み DRILL（Downstream-Return Imagination Learning Loop）を提案している。ピクセル MSE が低いモデルが、むしろ悪い方策勾配を生む場合があることを示し、方策効用で学習したモデルは、次フレームの MSE が 17% 高くても下流の方策を改善できると報告している。5 つの操作シミュレータと 2 種類の VLA バックボーンで評価し、DRILL-IMG は WMPO より平均成功率が 13.1 ポイント高いとしている。
注目点ピクセル予測ではなく方策の収益で世界モデルを学習する二層フレームワークを提案し、閉形式近似と메타勾配の二実装を示す。5つのシミュレータと2つのVLAで基準法を上回る。
説明知覚の先にあるもの：AI評価と監督の限界に関する分割理論
要約本論文は、判断は知覚によって制限されるという原理から、評価の分割理論を提案します。エージェントが区別できない入力のクラスが、その識別能力を表します。論文は、被験者の分割が評価者より細かければ評価者が採点できるすべてのテストに合格できることを示し、合格は識別能力の下限しか証明しないと述べます。また、能力の隠蔽を検出するためのエコーテストには方向性の欠陥があり、弱いモデルの正確な模倣は行動評価では検出できないと論じています。
注目点知覚による分割を核とする評価理論を提示し、片側の限界と回声テストの完全性を証明しており、AI評価と監督の理論的基盤に実質的な前進をもたらす。
説明スペクトル予測可能性で十分か？分布シフト下での合成事前学習におけるΩマッチングの検証
要約合成データによる事前学習で、ソースのスペクトル予測可能性Ωをターゲットに合わせれば効果が高まるかを検証した論文です。LSTM、PatchTST、TCNの3アーキテクチャで試験され、理想的な合成データ同士では改善が見られた一方、実データのETTm1ではΩが転移の方向をほとんど予測できないと報告しています。
説明敵対的線形MDPと（集約）バンディットフィードバックのための計算効率が高く最適速度の達成するアルゴリズム
要約この論文は、遷移が未知で損失が敵対的、バンディットフィードバックのみ得られるエピソード型線形マルコフ決定過程を扱う。従来の最良結果は計算非効率か、次善の K^{3/4} 後悔に留まっていた。著者らは多項式時間で \sqrt{K} の後悔を達成する初のアルゴリズムを示し、方針の期待特徴ベクトルを行動集合とする敵対的線形バンディットへ帰着させ、近似分離オラクルを構成している。
注目点敵対的線形MDPで計算効率が良く√K最適後悔を達成する未解決問題に対し、近似分離オラクルによる帰着で新規性が高い。
説明WovenAnchor Matcher：特徴マッチングのための画像内・画像間コンテキストモデリング
要約本論文は、半稠密な局所特徴マッチング向けのフレームワーク WovenAnchor Matcher（WAM）を提案している。画像内の伝播と画像ペア間の情報交換を、それぞれ専用の文脈集約演算子で担う設計である。MegaDepth 上で WAM は姿勢 AUC@5° 66.1 を達成し、同一評価設定で JamMa ベースラインを 2.0 AUC ポイント上回った。アブレーション実験では、いずれかの専用コンポーネントを除去または置換すると精度が低下したと報告されている。
説明GIFT：蒸留併用推論強化学習のための勾配情報フィルタリング手法
要約論文は、大規模言語モデルの複雑な推論訓練で、結果ベースの強化学習と逐次トークン蒸留の監督信号が最適化上衝突しうる問題を扱い、GIFT手法を提案する。蒸留勾配を強化学習勾配に平行な成分と直交する成分に分解し、前者で衝突する更新を除外し、後者で新たな指導の価値を評価する。さらに蒸留対象トークンの範囲を段階的に縮小するスケジュールを組み合わせる。数学・論理推論のベンチマークで、複数のモデル規模において強力なベースラインを上回ったと報告している。
説明VLTest：視覚言語モデルにおける画像・テキストの共同障害を見つける黒箱テスト手法
要約視覚言語モデル（VLM）はソフトウェアシステムに組み込まれることが増えている。本論文はVLTestという黒箱テスト手法を提案し、VQGANの潜在コードを編集して画像の変種を、改写・拡張・剪定の流れでテキストの変種を生成し、予想される答えを変えそうな変種を絞り込む。三つのタスクと八つのVLM（商用APIモデル二つを含む）での実験では、判定器が候補の81.7%を確認し、人手ラベルに対する精度は88.8%から94.6%だった。
説明Trace2World：実際の操作トレースからアプリ世界を再構築し、GUIエージェントの学習を拡張可能にする手法
要約本論文は、実アプリの操作トレースを、出所と結びついた共有のアプリモデルにまとめ、その後に実行可能な環境へ変換するTrace2Worldを提案する。1,570件のトレースから50環境を構築し、10アプリの200ワークフローのうち91.1%を端から端まで再現した（最良の比較ベースラインは59.8%）。実機では出所に基づく検証により、模擬学習の効果の94.0%が保持された。
説明Gandalf：LLM推論でKVキャッシュをSSDに退避させてもフラッシュの寿命を守る手法
要約大規模言語モデルの推論では、KVキャッシュの容量需要が増え、SSDへの退避が使われています。マルチターン対話やLLMエージェントでは書き込み量がSSD容量を大きく上回り、寿命が数年から数か月に縮むと指摘されています。本論文は寿命を考慮するSSD KVキャッシュ退避システムGandalfを提案し、全注意（full-attention）のKVキャッシュを優先的にSSDへ書き込みます。著者らは、複数の負荷トレースと幅広いハードウェア容量で、平均7.3倍の寿命延長とキャッシュヒット率への影響の小ささを示したと報告しています。
説明一貫性正則化による知識とモデルの協調進化（SPLICE）
要約本論文は、LLMエージェントが蓄積した経験から再利用可能な知識を抽出し、それをモデルに内在化させるSPLICEという枠組みを提案します。同じ経験を異なる方法で分析して知識の候補を生成し、複数の視点で一貫して見られる効用の向上に基づいて知識を更新します。さらに自己蒸留と強化学習を組み合わせてモデルを訓練します。実験では、複数の分野で平均精度が既存の基準より高く、正解1件あたりの出力トークン数が最大44%減少し、知識がモデルの規模や系列をまたいで転移することが示されています。
説明汎用エージェントのためのワールドモード入門：概念・手法・統一的視点
要約本論文は「ワールドモード」の概念を整理する入門的な論文です。予測的なダイナミクスモデル、学習されたシミュレータ、将来の観測と行動を同時に生成するモデルまでを対象としています。部分観測マルコフ決定過程（POMDP）の枠組みから出発し、世界モデリングを古典制御、力学系、信号処理、強化学習と結びつけています。また、世界モデリングと方策学習を、別々のモデルを必要とせず条件付き予測によって統一できる点を論じています。既存手法の網羅的なサーベイではなく、基本概念・モデリング原理・それらの関係に焦点を当てています。
説明言語モデルの確率バイアスの原因となる「不可視化」
要約本論文は、検証できない報告に対し大規模言語モデルが、報告者の属性記述（人種など）によって評価を拒否する現象を研究しています。二つの壺のゲームで、OpenAIとAnthropicの主要モデルを6,600セッションで検証した結果、拒否率は記述によって変化し、「黒人」と記述された報告者では最大46%、「白人」では9%でした。また、繰り返しの結果を実際の真実に照らして採点する方法を提示し、多くの設定で人種による信頼の差を0.02未満に抑えられたと報告しています。
注目点記述に基づきモデルが情報の評価を拒む新たな確率的バイアスを、6,600セッションとベイズ基準で示し、監査手法に影響する。
説明MixJudge：言語で問い合わせ可能なボーカルミックス評価モデルの学習
要約論文は、ミキシングには処理の適用だけでなく、その結果の評価も必要だと指摘しています。著者らは11種類のボーカルミックス問題を、複数の重大度レベルで構成したカリキュラムを作成し、言語で問い合わせ可能な音声評価モデルMixJudgeを学習させました。実験では、問題の検索、相反する問題の区別、重大度の順位付けができることが示されています。また、その判断は処理候補の中から選ぶ作業にも使えると報告されています。
説明DeXplicit：器用なマニピュレーション世界モデルで物理状態を明示する手法
要約本論文は、手の動きに応じてシーンがどう変化するかを、まず計量的な3次元空間で明示的に予測し、その後に視覚的結果を描画する器用な操作のための世界モデル DeXplicit を提案している。軽量な3次元動力学ネットワークが物体中心の運動と変形を予測し、その3次元運動に沿って外観を未来の視点へ投影することで、描画器は不確かな部分や新たに見える部分の補完に集中できる。HOT3D、OakInk2、PhysTwin での実験が報告されており、PointWorld と比べて移動点誤差が減少し、因果生成の2ステップ化により14Bの双方向構成に対して57倍の高速化が得られたとされる。
説明ABRA：チャットを超えて再利用可能なビューを使う、エージェント束縛型UIによる人間とエージェントのコミュニケーション
要約本論文は、再利用可能な対話構造とタスク固有の意味を分離する対話モデル「Agent-Bound UI」を提案している。エージェントはタスク固有の意味を再利用可能なビュー内の対話要素に結び付け、その結果を共有状態として公開する。著者らはフレームワークに依存しないプロトタイプ「ABRA」を実装し、代表的なユースケースと、大規模言語モデルを用いた4つのエージェントによるキャンバス作成、所有者側での結果処理、エージェント間の呼び出しを評価している。
説明ProQuant：超低ビット量子化においてMoEモデルの専門家の数より質を保つ手法
要約本論文は、疎な活性化で計算量を減らしても記憶コストが大きい専門家混合（MoE）大規模言語モデルを対象としています。重みのみを量子化する学習後量子化フレームワーク「ProQuant」を提案し、専門家の剪定とビット幅の割り当てを同時に最適化するPoPと、数学的に等価な変換で量子化誤差を補償しルーティングのずれを抑えるRoCoを組み合わせています。著者らは、多様な生成タスクで既存手法を上回ると報告しています。
説明意味はどこで収束し、どこで分岐するか：81言語にわたる言語相対論の再検討
要約本研究は81言語における196の基本概念間の関係を比較し、2つの多言語モデルの単語埋め込みを用いて言語に表れる概念構造を定量化しました。社会文化的な意味の方が、自然や運動に関する意味よりも言語間の対応が高いことが示されました。社会文化領域では、地理的な距離が離れるほど関係の違いが大きくなり、系統的に遠い言語ほど各領域でより異なっていました。
説明学習不要で汎用的なグラフ異常検知を行う、単一の事前学習済み判定モデル
要約本論文は、グラフ構造データ中の異常ノードを学習なしで検出する汎用フレームワークJev-GADを提案します。構造・属性・近傍の証拠を相対的な百分位に変換し、凍結した単一の事前学習済み言語モデルで判定します。その際、Graph-to-State（G2S）変換で証拠を構造化し、四つの統計スコアと等重みの順位融合を行います。引用、ソーシャル、共同レビューの各ネットワークを含む七つのベンチマークで有効性を示しています。
説明月面視覚SLAMにおけるフロントエンド特徴量マッチングの評価
要約本論文は、古典的および学習ベースの検出器・マッチャーの11通りの組み合わせと特徴トラッカーを、合成データ、月面試験場のデータ、地上の模擬地形データで比較し、それぞれの視覚オドメトリの軌道誤差を評価しています。回転のみの指標では、SuperPointの組み合わせが二つの月面試験場と一つの模擬地形でSIFTを上回りました。一方、回転と平移方向を合わせて評価すると、合成データの四つではSIFTが優れています。全八つの連続系列で追跡を維持できたのはSuperPointの組み合わせのみでした。
説明オープンソースプロジェクトはコーディングエージェントに何を伝えているか：AGENTS.md と CLAUDE.md の調査
要約本論文は、GitHub 上の活発な人気リポジトリ 22,854 件を対象に、コーディングエージェントへの指示ファイルであるルート直下の AGENTS.md と CLAUDE.md を調査したものです。指示ファイルは全体の 26.3%、最も多くスターを集めたリポジトリの 59.6% に存在しました。341,852 件の記述を分析した結果、指示の 74.0% は理由が示されておらず、AI の貢献表示に関する規則もプロジェクト間で一致していないことが分かりました。
注目点リポジトリ内のエージェント指令ファイルを初めて体系的に調査し、34万件超の文を分析して実践パターンと規則の相違を明らかにした。
説明LLMマルチエージェントシステムは群集行動と暴走的な連鎖反応に脆弱
要約本論文は古典的な Music Lab 実験の設計に倣い、大規模な LLM エージェント集団に未知の楽曲を推薦させた。一部のエージェントには累積推薦数を見せ、その影響を比較している。累積情報に触れると暴走的な連鎖反応が生じ、集団の推薦結果は極端で予測しにくくなり、楽曲本来の魅力から次第に乖離した。人間と比べ、LLM 集団は群集行動に陥りやすく、自己修正する力も弱かった。
説明動的なマルチUAVエッジネットワークにおける締切と消費電力を考慮した適応型キャッシュアルゴリズム
要約地上インフラが利用できないか途絶した場合に、無人航空機（UAV）によるコンテンツキャッシュでコンテンツ配信を維持する問題を扱う。締切の超過、UAVの通信エネルギー、UAV間のエネルギー不均衡を同時に考慮するキャッシュ配置・置換モデルを定式化している。まず解釈可能な階層型ルールベースの手法DE-UBACを提案し、次にGRUとPPOを組み合わせたGRU-DEPPOを提案する。シミュレーションでは、GRU-DEPPOが締切超過率と総通信エネルギーが最も低く、DE-UBACと比べ締切超過率は約61%、UAV間のエネルギー不均衡は約40%低減した。
説明生成型報酬モデルのスケーリング則：静的な正解率と下流の方策最適化効果の乖離
要約本論文は、創作的な文章作成において方策最適化のためのオンライン選好提供者として生成型報酬モデル（GenRM）を検証し、Qwen3の0.6Bから14Bまでの規模で実験を行っています。GRPOで学習したThinking型の評価モデルは静的な正解率が高いものの、オンラインDPOで方策を学習させると、答えのみを出力する評価モデルが八組中七組で高いピークおよび上位5件平均のElo得点を示しました。結論は学習済みの参照評価器に依存しており、普遍的な人間品質の結果ではなく、別の評価器を用いた追加実験の結果は決定的ではありません。
説明抽象的な優先度と具体的な報酬：表明された選好とAI応答で人々が評価する内容の関係
要約本論文は公開データセットPRISMを用い、1,396人の参加者が表明した選好と、21のLLMによる29,347件の応答に対する評価を比較しました。調査で尋ねなかった応答の長さ、形式、拒否表現などの特徴が、調査対象の属性のテキスト代理指標と同程度以上に評価と関連していました。表明された優先度は、具体的な特徴よりも人々が知覚する属性を反映していることが示されています。
説明AgentDP：異種組み込みAIアプリケーション向け自動モデル展開の提案
要約本論文は、大規模言語モデル（LLM）エージェントを用いて、事前学習済みAIモデルを異種組み込みデバイスへ展開するための最適化・適応を完全自動化するAgentDPを提案しています。デバイス固有のドメイン知識を統合し、人手の作業を減らすとともに推論効率を高めます。実験では、手作業と比べて適応時間が最大80%短縮され、ベースラインより平均13%以上高い精度が得られたと報告されています。
説明低ランク制約付きMDPのための原始双対表現学習
要約本論文は、連続状態空間の低ランク制約付きマルコフ決定過程（CMDP）における表現学習を扱う。遷移表現を学習しながら制約違反を抑えることが難しい点に取り組み、ソフトな累積違反の設定向けにREP-PD-TEG、エピソードごとに実行可能性を確認する厳しいハード制約向けにREP-PD-H-TEGを提案している。各手法について後悔と違反の保証を証明し、ソフト設定では最適な回報方策の上界を達成したと述べている。
注目点低ランク連続状態制約付きMDPに対し、ソフトおよびハード制約違反の両方について理論保証付きの表現学習手法を初めて提案し、後悔と違反の上界を示している。
説明複雑なエージェント型メモリは本当に必要か：ナイーブRAGは想像以上に強い
要約本論文は、生の対話履歴に対して密ベクトル検索と再ランキングを行い、読解用LLMに根拠を提供する素朴なRAGベースラインRaw-RAGを検討しています。LoCoMo、LongMemEvalなど4つのベンチマークの7つの設定のうち6つで、比較対象のメモリシステムの中で首位となりました。論文は、評価した対話タスクにおいて複雑なエージェント型メモリが必ずしも必要ではないと論じ、ナイーブRAGを基準線とすべきだと提案しています。
説明FilmFlow：3次元バーチャル映画撮影のためのエージェントシステム
要約FilmFlow は、自然言語の指示や参照動画を、動的な3次元シーン内で実行可能なカメラ軌道に変換するエージェントフレームワークです。ディレクター・エージェントが並行する基本操作を組み合わせてカメラ計画を作成し、インタープリター、スカウト、クリティックの3つの専門エージェントがこれを支えます。また、150のBlenderシーンと750の指示タスクを含むベンチマーク CinemaBench も提案されており、FilmFlow はベンチマークとユーザー評価で最も高い結果を示したとされています。
説明AIモデルの倫理的境界はどれほど堅固か：15モデルを対象とした給与明細編集テスト
要約研究者は15のAIモデルに対し、言い回しを変えた三種類の形式で同じ「給与明細の収入を増やす」依頼を与え、観測可能な445回の試行を行いました。依頼文の書き方によって、編集を実行する割合が大きく変わることが示されています。文書はテスト用に明示されたもので、使用されたツールはすべてシミュレーションであり、この場面での境界の振る舞いを示すものであって、総合的な倫理ランキングを証明するものではありません。
説明がん生存リスク分析における時間変化する医療チーム連携の可視化と解釈
要約本論文は、がん治療における医療従事者の時間変化する連携を、モデル化して解釈するための可視化分析フレームワークを提案しています。電子カルテ経由の連絡データから動的な連携ネットワークを構築し、時系列グラフニューラルネットワークで患者の時間ごとのリスクを推定しています。あわせて、代理ロジスティック回帰による特徴量の説明と対話的な仮説分析を組み合わせ、リスク推定と連携パターンの共変化を検討しています。乳がん・大腸がん・肺がんの505例を用いて専門家の指導のもとで分析を行っていますが、因果関係の主張はしていません。
説明波数を考慮した深層学習によるラマンスペクトルの頑健な解析
要約分光分析の機械学習モデルの多くは、スペクトルを固定グリッドの強度ベクトルとして扱い、物理的な座標は配列のインデックスに暗黙的に含まれています。そのため測定条件が変わると利用が制限されます。本論文では各スペクトル点を強度と波数の組として表し、Transformerの位置エンコーディングを波数から直接計算しています。3種の細菌とその合成混合物のラマンスペクトルにおいて、この表現はノイズ、疎なサンプリング、部分的なスペクトル範囲に対して頑健でした。部分観測および学習時に見ていないサンプリンググリッドでは、インデックスベースや学習型の符号化より優れた性能を示しました。
説明ランダム再マスクによりマスク拡散モデルの推論がスケールする手法
要約本論文は、マスク拡散モデル（MDM）の復号中に生じた誤りが取り消せないという問題を扱い、推論を干渉のないクリーン系列空間上のマルコフ連鎖として再定式化しています。そのうえで、微調整も報酬も不要なテスト時推論手法であるランダム再マスク・去雑（R²D）と、去雑器が生成軌跡上で自身の誤りに触れる学習法である軌跡補正訓練（TCT）を提案しています。論文では、論理課題でテスト時の計算量の増加にほぼ対数線形の精度向上が見られたと報告し、HumanEval+ では反復補正のベースラインや LLaDA2.1-mini の公式 Q モードを上回ったとしています。
説明UniGuard：インターフェース横断の安全性汎化のための多視点ガードレール学習
要約従来のLLMガードレールモデルは固定されたプロンプトや応答の形式で学習されるため、多ターン会話やエージェントの軌跡などの形式では信頼性が下がると指摘されています。本論文は、同一の安全事例を意味的に整合した複数の視点から学習し、インターフェースに依存しない安全表現を獲得するUniGuard訓練フレームワークを提案します。1,000件の公開安全事例を5種類の視点に変換したUniGuard-FTデータセットも構築されました。未見のインターフェースを対象とするATBench、PolicyGuardBench、DynaBenchにおいて、0.6BのUniGuard-0.6Bは事前学習済みガードレールより平均45.12 F1ポイント向上し、期待校正誤差を35.41ポイント低減しました。また、Claude-Sonnet-4.5やGPT-5.2などより大規模なガードレールと比べても遜色ない性能を示しています。
説明光はどこから来たのか？視覚言語モデルの影推論を診断し、画像生成モデルから欠けている影の事前知識を借りる
要約本論文は、実写写真に基づくShadowBenchを提案し、視覚言語モデルに見える影の方向の読み取り、欠けた影の位置の推定、影の物理的整合性の判断を検証します。結果として、モデルは見える影の方向は比較的よく読めるものの、欠けた方向の推定と整合性判断は弱く、後者は偶然水準に近いことが示されました。Chain-of-Thoughtは効果がありませんでした。画像生成モデルを経由させると性能が大きく向上します。
説明SmolVLA-MoE：効率的な多タスクロボット操作のための疎な混合専門家モデル
要約本論文は、軽量な視覚・言語・行動（VLA）モデルの行動エキスパートのFFN層に疎な混合専門家（MoE）を導入するSmolVLA-MoEを提案しています。LIBEROベンチマークの4つのタスクスイートで平均成功率84.25%を達成し、SmolVLA（82.75%）とOpenVLA-7B（76.5%）を上回り、推論効率は同等とされています。
説明線形残差ネットワークの学習中、幅と深さの極限は交換可能である
要約残差分岐を1/√深さでスケールすると、初期化時の残差ネットワークの無限幅極限と無限深さ極限が交換可能であることが既存研究で示されていた。本論文はこの結果を線形残差ネットワークの学習に拡張し、勾配クリッピングを用いた場合、有限回の勾配降下後の出力が幅と深さが共に無限大へ向かう任意の経路上でL2収束することを証明している。勾配クリッピングなしでは一般にL2収束は成り立たず、確率収束が得られるとしている。
説明フェデレーテッドGraphRAG：分散したプライベート知識グラフ上での検索と生成を扱う論文
要約本論文は、知識グラフを持つ複数のクライアントが、グラフ全体を共有せずに協調して検索し、大規模言語モデルの生成を強化するフレームワーク（FedGRAG）を提案しています。軽量な知識インデックスで関連クライアントを特定するフェデレーテッド知識ルーティングと、検索された証拠サブグラフを証拠要約に変換してサーバー側で再構成する、情報開示を制御した証拠構築手法を導入しています。実験では、検索と下流の生成タスクの両方で既存のベースラインを上回ったとされています。
説明忠実な潜在的有害性モニターは、一致した誤警報率では、モデル自身の振る舞い以上の性能を示さない
要約本論文は、大規模言語モデルの内部活性化から有害な依頼を検出する潜在的安全モニター（Latent Guard など）が、言い換えや分布のずれがあっても有害性を捉えられるか、またモデルの拒否行動から独立しているかを検証しています。15の指示調整済みモデルと38の活性化ベースの読み取り器を用い、TF-IDF や文埋め込み分類器、独立に学習された安全分類器、各モデルの拒否と比較しています。指示末尾での表現は拒否行動から概ね独立していますが分布のずれで性能が低下し、TF-IDF が原版 Latent Guard より有害性の順位付けで優れていました。生成直前の表現はより多く検出しますが、その改善は拒否判断そのものに従っていることが示されています。
説明次フレーム予測による学習：統一的でスケール可能な視覚世界モデリングに向けて
要約本論文は、埋め込み空間での次フレーム予測に基づく自己教師あり視覚事前学習フレームワーク VANE を提案している。因果エンコーダで過去の観測を要約し、状態予測器が次フレーム全体の表現を推定する。凍結された意味的トークナイザが提供する埋め込み空間で予測を行い、軽量な補助生成デコーダが細かな空間情報を補う。論文によれば、多くの統一エンコーダのベンチマークで最先端の結果を達成し、EPIC-KITCHENS-100 の行動予測では V-JEPA 2.1 を平均クラス再現率@5 で 7.1 ポイント上回った。
説明移動する目標を追跡する学習の可解モデル
要約本研究は、連続時間の線形二次開ループ追跡モデルを提案し、その最適制御戦略が「目標の現在位置へ反応的に向かう」方法と「目標の将来位置を予測して直接向かう」方法の間を補間することを示します。少数の解釈可能なパラメータが最適な戦略の種類を決め、最適戦略と方策・価値の学習ダイナミクスの閉形式解が導かれます。学習の時間スケールは特定行列の固有値に対応し、そのスペクトルは一般に間隙を持つため、エージェントは動きを最適化する前に目標へ到達する方法を先に学ぶ傾向があることが示唆されます。
説明PhyEvolve：物理を考慮した動画生成のためのマルチエージェント状態進化計画
要約本論文は、ディレクター、物理エボルバー、コンポーザーの3つのエージェントからなるフレームワーク PhyEvolve を提案しています。テキストから動画を生成する際、ユーザーのプロンプトに含まれる物理的な状態変化を因果的につなげて計画し、プロンプトを強化します。モデルの再学習や改変は不要で、既存の生成モデルにプロンプトを差し替えるだけで利用できます。著者らは4つの主要ベンチマークで、従来の最先端エージェント手法を平均7.9ポイント上回ったと報告しています。
説明意味の契約：大規模言語モデルにおける局所的な意味幾何
要約本論文は、大規模言語モデルにおける意味の局所的な幾何構造を研究し、言語を摂動として用いる実験と意味の精緻化の実験により、同一の意味因子内で不変なコアと変動を調べる。四つのデコーダ型モデルで、主要な分散方向を除くと文ペアが意味的関連性の順に並び、精緻化によってより狭い近傍へ方向的に移動することを示す。著者は、LLMの意味が、精緻化の下で意味が収縮する局所的な異方性近傍として組織されていると解釈する。
説明ULME：埋め込みと言語モデリングを相互に強化する予測結合手法
要約本論文は、因果的デコーダ型大規模言語モデル上でテキスト埋め込みとテキスト生成を統合する後処理フレームワーク ULME を提案します。質問と回答の間に学習可能なスロットを挿入し、対照損失、言語モデリング損失、勾配停止付きの予測損失を共有バックボーンで同時に学習させます。著者らは 0.5B〜8B の複数規模で、埋め込みベンチマーク MTEB において最強のオープンソース基準より 3.3〜4.1 ポイント向上し、標準的な精度ベンチマークでは生成専用の微調整モデルと同等であると報告しています。
説明ParaLin++：内在的な区分線形構造による並列拡散積分器の高速化
要約論文は、FID/CLIPなどの従来指標では、学習不要の少ステップサンプリング手法がほぼ品質を損なわないように見える一方、GenEval、DPG-Bench、LongTextBenchなど意味構成や長文描画を評価するベンチマークでは品質が大きく低下しうることを示しています。並列サンプリングは全ステップの離散化を保ち、ソルバーの時間的依存のみを除くため例外的に品質を保てます。著者らはこれを基にParaLin++を提案し、全ステップの離散化を保ったままソルバーの反復を加速し、複数のモデルで2.6〜4.8倍などの加速を報告しています。
説明LLMエージェントの長期メモリにおけるガバナンス状態の破損：モデル横断のストレステスト
要約本論文は、LLMエージェントの長期メモリで生じる故障、すなわち記憶内容とタスクを変えずに、どの記録がモデルに見える文脈へ入るかを決める有効性状態が変化する問題を扱います。6つのプロバイダにわたる731の基準ベースから2,080組の対応する故障ペアを作成し、オフライン検査では損傷が96.25%のペアで有効な投影を変え、オラクル付き強制では100%復元されました。下流評価では清浄条件と破損条件の差と回復が示され、著者は検索精度と併せて記憶の制御状態の健全性を評価すべきだと主張しています。
説明多言語LLMにおける頑健性と追従（sycophancy）の切り分け
要約本論文は、多言語LLMがユーザーの誤った前提に同意する場合、それが追従（迎合）によるものか、その言語での能力不足によるものかを検討します。著者らは、圧力のない状態での正答能力と、圧力下で答えを維持するかどうかを組み合わせた「SC-matrix」を提案します。その結果、同じ総合的な追従率でも失敗の内訳が異なりうること、言語能力が高くても追従を防げるとは限らないこと、推論志向の緩和策が指示ベースの手法より優れることが示されています。
説明事前学習済みモデル間の LoRA 重ね合わせ：同じタスクで異なるバックボーンに学習した LoRA を足し合わせ、それぞれのバックボーンにそのまま適用する手法
要約同じタスクについて異なる事前学習済みバックボーンで個別に学習した LoRA を足し合わせ、どのバックボーンにも変更せず適用できるかを検証した論文です。7 種の ViT-B/16 CLIP バックボーンと 8 つの画像分類タスクでは、精確な和が 56 組すべての組み合わせで改善し、未適応のバックボーンに比べ平均で 30.21 ポイント高い精度を示しました。個別に学習した LoRA より平均で 0.28 ポイント低いだけでした。一方、留め置きモデルを除いた和は平均 0.06 ポイントの改善にとどまりました。
説明臨床判断から検証可能なルールへ：臨床医主導のメンタルヘルス対話ボット向けガードレール
要約本論文は、二名の臨床医が四つの安全性チェックからなるルールベースを定義・確定・裁定し、内部整合性を形式的に検証したうえで、大規模言語モデルの出力に対するガードレールとして適用する手法を提案します。検証層の各判定は、名前の付いたルールと十六の事実から再計算できます。モデル、版、量子化、ルール文面、デコードを揃えつつ検証層の計算事実を持たない評価器と比較し、不一致の構造を報告します。またルール修正後、過剰拒否ベンチマークの境界プロンプトで遮断クラスの結果が6.0%から16.0%に上昇したという計測されたコストも報告しています。
説明手首PPG心拍推定値を選択的に補正するツール・メモリ付きエージェントアーキテクチャ
要約本論文は、固定された心拍推定器の周囲にツールとメモリを備えたエージェントアーキテクチャを提案し、運動アーチファクトの影響を受ける手首PPG（光電式容積脈波）の心拍推定値を選択的に補正する手法を示す。独立したリスクゲートが各出力を保持・補正・棄却のいずれにするかを判断する。4つの公開データセットにおいて、10の推定器の平均絶対誤差（MAE）の宏平均は最大44.5%低下した。
説明フローマッチングでドメインの軌跡を学習する漸進的ドメイン適応
要約本論文は、表現空間の統計多様体上での連続的な輸送として漸進的ドメイン適応を捉える、FlowGDAというフローマッチングの枠組みを提案しています。敵対的学習ではなく、シミュレーション不要の回帰目標で時間依存の速度場を学習し、滑らかなドメインの軌跡を得ます。意味のずれを防ぐため、ソース固定の輸送と意味的一貫性損失を用い、実験では既存手法を上回ったと報告されています。
説明単語の長さによる語の同定の直接的手がかり：北京語の同音異義語からの証拠
要約本研究は、心的辞書に保存される音声的詳細が音声による語の認識に機能的に関わるかどうかを調べています。北京語の二音節の同音異義語を用い、同音語の順序判断課題を実施しました。その結果、高ノイズ条件や他の手がかりがない場合でも、参加者は単語の長さを使って順序を判断し、より短い音声をより高頻度の語に対応させました。これは単語の長さが語の同定を直接示す可能性を示唆しています。
説明ドメインプロンプト学習によるゼロショット領域汎化
要約本論文は、学習時に見ていない対象ドメインでも分類できるようにモデルを汎化させる領域汎化（DG）を扱います。CLIPなどの視覚言語大規模モデルを基盤とするDoP手法を提案し、ソースドメインのデータを使わずに、テキストと視覚の両モダリティのプロンプトで対象ドメインの知識を学習します。PACS、VLCS、OfficeHome、DomainNetおよびImageNetでの実験で、既存のDG手法を一貫して上回ったと報告されています。
注目点テキストと視覚の両モダリティでプロンプト学習を行うゼロショット領域一般化を提案し、複数の公開ベンチマークで検証している。
説明AgentDreamer：テキストで制御可能な物理シミュレーションのためのエージェント型3D運動推論
要約本論文はAgentDreamerを提案します。これはテキスト指示とシミュレーション運動を明示的な3D運動計画によって対応づける、エージェント誘導型の最適化フレームワークです。エージェントが指示を構造化された意味的運動事前情報に変換し、微分可能なMPMシミュレータのパラメータを、場の動力学に従いつつその事前情報に最もよく合うよう最適化します。さらに、マスクされたテキストの復元に基づく情報理論的指標Motion-IGを導入して文章と運動の整合性を評価しており、実験では映像ベースの誘導より要求された物理的振る舞いに忠実なシミュレーションが得られたと示されています。
説明WikiOriginQA：ウィキペディアの作成日を用いて知識の起源を示す、文化的バイアス分析用QAデータセットの自動構築
要約本論文は、異なる言語版ウィキペディアの項目作成日によって知識の起源を表現し、自動的に構築した質疑応答データセット WikiOriginQA を提案しています。大規模な人手による注釈を必要としません。実験では、大規模言語モデルの性能が英語圏の文化に偏る傾向が確認され、英語圏への知識の伝播の重要性も示唆されています。この自動化手法が多言語の文化的バイアス評価に有効であることが示されています。
説明スペクトル平滑化とスパイク摂動が大規模言語モデルの能力分布と選択的タスク性能を再構成する
要約本論文は、up_proj と down_proj 行列に対して事後的に特異値スペクトルの平滑化またはスパイク化を行う介入を研究しています。特異ベクトルと特異値の幾何平均は保持されます。5つのオープンな Llama・Qwen 指示モデルで、能力別サブタスク、推論ベンチマーク、真実性・幻覚・安全性の評価、TRAIT 人格プローブを用いて検証しています。大きな正の摂動は言語理解と演繹推論を抑制しやすく、適度な負の摂動は一部の事実知識やタスク性能を向上させることが報告されています。感度はモデル系列やベンチマークによって大きく異なります。
説明RiboBridge：タンパク質条件付きの de novo RNA 結合体構造設計
要約本論文は、標的タンパク質に結合するRNA分子を設計するためのフレームワーク RiboBridge を提案している。まずタンパク質表面に複数の候補結合界面を提示し、事前学習済みのRNA構造潜在空間（RiboSphere）内でRNA立体構造を生成したうえで、タンパク質とRNAの相互作用制約を予測し、剛体配置によってタンパク質に対する相対姿勢を得る。124個のタンパク質–RNA複合体からなるベンチマークで、事後的な界面対応評価において、比較手法の中で最も高いfNATとDockQ、最も低い界面およびリガンドのRMSDを示した。
説明深層強化学習による高速な反復組合せオークション
要約本論文は、深層強化学習によって反復オークションの価格方策をオフラインで学習するFastComboを提案し、オークションのラウンド数の削減を目指します。単一財の実験では、期待ラウンド数が1.85から1.65に減少したと報告されています。組合せオークションテストスイートの4つの領域では、オンラインでの価格選択時間が標準的なベイズ基準の約300〜900分の1になり、競争力のある成約が示されています。
説明自己回帰型LLM制御を方策厳密な並列推論へコンパイルする階層型RAG
要約本論文は、階層型RAGにおいて大規模言語モデルが文書の章節を選ぶ逐次的な判断を、木構造の並列プローブで評価する方法を示しています。著者によると、この方法は直列デコードと同じ方策を保ちながら、MetaX機器上で逐次トークン復号に対して制御遅延を35%から47%削減しました。H800での再実験でも同じ順位関係が確認されたと述べています。
説明グループ相対方策最適化で低資源言語の多言語音声認識を改善
要約教師強制で学習した自己回帰型エンコーダ・デコーダ音声認識モデルは、推論時に自身の予測誤りから回復しにくい（露出バイアス）という問題を抱えます。本研究は、グループ相対方策最適化（GRPO）による強化学習を、大規模言語モデルではない小規模なエンコーダ・デコーダASRモデルに拡張し、51のアフリカ言語を対象にWhisper-large-v3を事例として検証しています。学習データが少ない場合や入力音声がノイズを含む、または劣化している場合に効果が特に顕著です。得られたモデルSunflowerASRは、AfriVox-v2（0.227）とSimbaBench（0.372）で公表済みの中で最良のマクロ平均WERを達成し、公開されています。
説明テキスト注釈が乏しい条件でのクラス基盤型バティック画像キャプション生成：ラベル保持と出典別の誤り伝播
要約本論文は、LoRAで調整したDINOv2分類器とQwen2.5-VL-7Bを組み合わせ、専門家による文章注釈が少ない状況で文化遺産のバティック画像を説明するパイプラインを検討しています。3種類のキャプション条件すべてで、150枚の画像に対するクラス名言及率は0.9067でした。分類器は公開画像で98.33%、ローカル画像で75.76%の精度を示しました。一方で、分類の誤りが自然な説明文にも引き継がれることが確認されています。
説明トポロジー誘導型GeoAIエージェントによる都市洪水スクリーニングの枠組み
要約都市の洪水を一次スクリーニングするための地理空間AI（GeoAI）エージェント枠組みを提案する。利用者が地名、描画した領域、またはアップロードした境界を入力すると、公開の標高、降雨、土壌、土地被覆などのデータを用いて、離散モース理論により地形の窪地を抽出し、相対的な洪水優先度スコアで流域を順位付けして、対話型の地図と報告書を出力する。言語モデルは記録された決定点でのみ動作し、人が確認する段階も3つ設けられている。メリーランド州カレッジパークでの事例では、278個の地形の極小点が70個の流域に絞り込まれ、そのうち77%の最低点が八方向（D8）流向モデルでも窪地と判定された。
説明分布型ソーシャル世界モデルで社会的帰結を予測する
要約本論文は、エージェントが各候補行動の後に起こりうる複数の応答、その確率、そして即時および最終的な結果の価値を予測する DSWM（Distributional Social World Model）を提案しています。著者らは 4B モデルを教師ありファインチューニングと GRPO で学習させ、推論時にはアクターがこれらの予測された帰結を使って行動を選択します。3 つの既知環境と 2 つの未知環境での評価で、DSWM は 15 指標中 13 指標で最高の平均性能を示し、複数の未来とその確率を保持することが 5 つすべての環境で成果を改善することが確認されています。
説明局所特徴空間の洗練による残差キャリブレーション手法
要約深層ニューラルネットワークは信頼度の推定が不安定になりがちなため、事後キャリブレーションが必要とされています。本論文では、全体キャリブレータの出力を安定したアンカーとし、近傍のキャリブレーションサンプルから得た非パラメトリックな局所情報で個々の予測を補正する事後残差キャリブレーション枠組み、局所適応確率推定（LAPE）を提案しています。さらに、カスケード特徴拡張融合（CFAF）により複数視点入力へ拡張しています。著者らは、既存の複数のベースラインのキャリブレーション品質を改善できると報告しています。
説明再利用・書き換え・棄却：繰り返されるモバイルGUI操作のための証拠制約付きトレース再利用
要約本論文は、モバイルGUIエージェントが類似の操作手順を繰り返し実行する場面を対象に、グラフとテキストのテンプレートを用いて既存の実行トレースを選択的に再利用する手法を提案している。検証済みの実行からテンプレートを作成し、現在の指示と実際のUI状態に基づいて各遷移を再利用、調整、または破棄する。AndroidWorld上で、5つの基盤エージェントのLLM推論トークン消費量は平均で約80%削減され、多くのエージェントで実行速度が1.5倍以上になった。AndroidとHarmonyOSの実機評価では、アクション再利用率は70.7〜79.8%で、多くの構成で2倍以上の高速化が示されている。
説明ワンショット連合型教師なしドメイン適応：平滑化知識蒸留と教師洗練（SKD-ETR）
要約本論文は、データのプライバシーを保ちながら、分散したソースドメインを使ってラベルのないターゲットドメインにモデルを適応させる連合型教師なしドメイン適応（FUDA）を扱います。提案手法SKD-ETRは、ソースモデルのアンサンブルが生成する平滑化されたソフト擬似ラベルで生徒モデルを学習する平滑化知識蒸留（SKD）と、指数移動平均による教師洗練（ETR）を組み合わせ、ターゲット領域の知識を教師側へ戻します。実験はOfficeHome、Office-Caltech、DomainNetで行われ、通信・計算の効率が高くノイズに頑健であることが示されています。
説明投機的デコーディングの受理率は位置とともに低下しない：独立ドラフトによる長い思考連鎖の全長診断
要約本論文は、思考連鎖が長くなると投機的デコーディングの受理率が低下するかを全長にわたり測定したものです。MATH-500の全500問を対象に、DeepSeek-R1-Distill-Qwen-7Bを目標モデルとし、同系・異系の2つの独立ドラフトモデルで約178万回の検証を行いました。貪欲デコーディングの繰り返し問題を除くと、4つの設定いずれでも受理率は位置とともに低下せず、後半がわずかに高いことが示されました。拒否は「wait」「however」「check」などの反省トリガー語に集中し、軽量なLoRAによる軌跡整合は平均受理長を改善しませんでした。
説明質問を減らし、より良く適応する：視覚言語ナビゲーションのためのフィードバック効率的なテスト時適応（FETA）
要約視覚言語ナビゲーション（VLN）のエージェントは、未知の環境で分布の偏りにより性能が大きく低下することがあります。本論文は、人間のフィードバックを少数の重要な行動だけに絞るFETAを提案します。階層的なサンプル選択で不確実性の変動が大きい軌跡を選び、その中の重要な行動について正誤の二値フィードバックを一度だけ求め、その段階の方策のみを更新します。複数のベンチマークで、より少ない人手介入で最先端の性能を示し、ノイズのあるフィードバックや継続的適応の場面でも頑健だと報告しています。
説明CODI：クロス蒸留による自己教師ありVision Transformerの改良
要約自己教師ありVision Transformerは画像レベルの表現は強い一方、密な予測に用いるパッチレベルの表現は信頼性に欠けることがあります。論文は、クラストークンが少数の代表的なパッチに大域的意味を集中させ、密な予測の誤りは注意の低い領域で起きやすいことを示します。提案手法のCross Distillation（CODI）は、教師のクラストークン分布を少量ずつ各パッチトークンの目標に混ぜ、アーキテクチャを変えずにマスクされたパッチへ大域的意味の補正を与えます。整合した事前学習設定での実験では、密な予測と画像レベルの両方の性能が向上したと報告されています。
説明仕様に書かれていなかったこと：テストで採点するコーディングエージェント・ベンチマークにおける仕様とオラクルのギャップ
要約自然言語で記述されたタスクを上流プロジェクト由来のテストで採点する、コーディングエージェントのベンチマークの問題を扱う論文です。説明に書かれていない定数名やモジュールパスなどが合格に必要になる「仕様とオラクルのギャップ」を定式化し、五言語向けの静的監査ツールを構築して、SWE-Milestone などのベンチマークへの影響を分析しています。
注目点仕様とオラクルの隙間を定式化し、98のマイルストーンで対照比較により失敗率への影響を示し、複数ベンチマークで出現頻度を比較している。
説明FedBST：教師なし連合分類のための双方向自己学習手法
要約本論文は、ラベルなし連合分類のためのFedBSTフレームワークを提案しています。CLIPなどの視覚言語モデルを用い、高信頼度のサンプルと曖昧なサンプルの両方を自己学習に活用します。不確実性を考慮した信頼度ペナルティにより誤った擬似ラベルの付与を抑え、推論時には視覚とテキストのプロトタイプを組み合わせて局所的に調整します。実験では、標準的な連合集約プロトコルの下で既存手法より一貫して性能が向上することが示されています。
説明大規模言語モデルは、更新される医学知識を取り込む際に体系的な誤りを示す
要約本論文は、12 種類の医学知識変更にまたがる 1,709 件の推奨レベルの改訂を含むベンチマーク ChronoEvo を提案し、モデルが改訂内容を認識することと臨床推奨に組み込むことを区別して検証している。主要モデルでは、認識率と臨床的正確性は高かったものの、改訂指針を完全に取り込んだ割合は大きく下回り、両者の間に明確な差があった。この差は 14 のモデルで持続し、2 名の臨床医による 300 件の回答評価でも裏付けられた。推奨の強度や患者の適格条件の変化は、古い指針の保持と関連していた。
説明行動的反事実による模型推論の解釈
要約本論文は、回答を固定した上で、提示を変えた場合に次トークン分布がどう変化するかを比較し、介入がモデルの推論に与える影響を特定する手法を提案します。残差ストリームを編集するモジュールを学習させ、元の提示と反事実的な提示の下での出力分布のKL情報量を最小化します。Gemma-4-E4B-it と DeepSeek-R1-0528-Qwen3-8B での事例研究では、提案に言語化されていなくても推論に影響することが示されています。
説明時系列異常検知の将来：歴史的レビューから統一的展望まで
要約本論文は時系列異常検知（TSAD）に関するサーベイで、正常な時間パターンから大きく逸脱する観測値を特定する手法を扱います。拡散モデル、状態空間モデル、大規模言語モデルなど新しい設計を整理し、異常の分類と手法の体系を示しています。また評価指標の信頼性を分析し、アルゴリズム・データセット・評価ツールを含むオープンソースのベンチマークを提供しています。動的閾値、解釈可能性、ゼロショット転移などの未解決課題も提示しています。
説明領域意味と視覚プロトタイプによる開放語彙意味セグメンテーションの改良
要約本論文は、CLIPをピクセル単位の密な予測に適用する際の領域とテキストの対応付けの問題に取り組みます。視覚エンコーダの注意層を修正し、領域の意味情報をより多く保持する選択的注意特徴の計算法を提案しています。さらに、確信度の高いパッチ特徴から補助的なメモリベースの分類器を作り、テキスト埋め込みのみに基づく予測を補正します。5つの意味セグメンテーションデータセットで実験を行い、有効性を示しています。
説明GSHeadRelight：3Dガウス頭部合成のための高速リライティング手法
要約本論文は、3D人物ポートレートのリライティングと新規視点合成を行うGSHeadRelightを提案します。生成的3Dガウシアンに基づき、入射光に線形応答する統一的なニューラル放射伝達表現による照明モデルを設計しています。野外で撮影された画像のみで学習し、従来の3D認識型ポートレートリライティング研究と比べて約12倍の描画速度を達成したと報告しています。
説明MBABench-2.0：単純な検証可能性を超えて、AIエージェントの金融スプレッドシート構築能力を評価するベンチマーク
要約本論文は、ゼロから金融スプレッドシートを構築する101のタスクからなるベンチマーク MBABench-2.0 を提案しています。最も難しいタスクは、3年以上の経験を持つモデラーで33時間かかると見積もられています。精度に加え、可読性・保守性・監査可能性などをカバーする12カテゴリ・129の品質基準を設定し、20以上のエージェントを評価しました。その結果、最上位のエージェントの合格率は16%にとどまりました。
説明融合税：ハイブリッド検索が逆効果になる場合の診断分析
要約本論文は、疎な語彙検索と密な神経検索を組み合わせるハイブリッド検索が、個々のクエリでどのような損失を生むかを検討しています。七つのBEIRデータセットで複数の手法を比較した結果、最良の融合手法であっても、一方の構成要素や密な検索単独より順位が低くなるクエリが一定割合存在しました。著者はこの損失を「融合税（fusion tax）」と呼んでいます。損失は主に順位付けの効果によるもので、コーパスをまたいで信頼して予測することは難しいとされています。
説明モデルを大きくするより推理を良くする：構造に基づく効率的で信頼性の高い推論フレームワーク
要約本論文は、学習を必要としない SGUR（構造に基づく不確実性削減）フレームワークを提案します。不完全な観測を照会グラフとして表し、事前確率で重み付けした部分グラフマッチングで候補の仮説グラフと照合し、情報利得に基づいて次に問うべきノードを選び候補空間を絞り込みます。PrimeKG から作られた逐次的な医療診断ベンチマークで、観測された症状が 2 つだけの場合に Hit@3 は 92.5% に達し、トークン数は約 5 分の 1 でした。論文は、構造に基づく手法がモデルの規模の一部を代替しうると主張しています。
説明Compact-Bench：長期タスクのコーディングエージェントにおけるコンテキスト圧縮のコストを測る
要約本論文は、長期タスクを行うコーディングエージェントがコンテキスト圧縮後にどれだけ性能を保てるかを評価するベンチマーク「Compact-Bench」を提案する。同一のリポジトリ状態から、完全な履歴による継続と要約のみによる継続を対にして比較し、35件のSWE-bench修復、146件のエージェントセッション、106件の本番圧縮チェーンを対象とする。結果として、LLM要約は繰り返し現れる詳細をごく一部しか保持せず、機械的抽出より大きく劣ること、関連情報の保持だけでは継続の成功は保証されないことが示される。
注目点完全履歴と要約のみの継続を比較する評価枠組みを提案し、35件の修復・146セッション・106チェーンで14種の要約器を検証しており、証拠は比較的充実している。
説明KinoUAV：運動学・動力学モデルに基づく安全で安定した無人機の視覚言語ナビゲーション用ベンチマーク
要約本論文は、データセットとKinoUAV-Agentからなる無人機向けの視覚言語ナビゲーションのベンチマークKinoUAVを提案しています。速度、加速度、躍度の制約下で区間ごとに軌道を生成する階層的な運動学的軌道生成手法と、安全な動作判断に用いる方向自由空間距離（DFD）ラベルを導入しています。実験では、絶対ヨー角速度と衝突率を低く抑えつつ、最も高い成功率を達成したと報告されています。
説明生成AIスキル習得が大学生の学業適応と学習成果に与える影響
要約本研究は、313件の有効回答を得た回顧式アンケートと18名の学生へのインタビューを用いて、学生が自身の生成AIスキルの発達をどう認識しているか、また学習実践の変化や学業上の成果とどう関連するかを検討した。発達の軌跡は学生により異なり、AI出力の評価スキルは向上が難しいとされ、課題が最も多く挙げられた成長の要因であった。知覚されたスキル向上は、課題プロセスの適応を介して学業上の利益と関連していた。
説明TT-SAX：自然言語による形状クエリ向けの二系列時系列記号化手法
要約本論文は、時系列データベースに対する自然言語クエリを扱い、形状クエリを記号化によって長い履歴データと結びつける方法を検討しています。著者は六つの古典的な記号化手法を分析し、方向情報の欠落、方向を測る尺度の小ささ、記号文字の任意性という三つの限界を指摘しています。これらを踏まえ、SAXを最小限に改良したTT-SAXを提案しています。公開ベンチマークNLQTSBenchでの六つの大規模言語モデルを用いた実験では、TT-SAXが六つの古典手法すべてを形状クエリで上回りました。
説明まず視覚的グラウンディング、その後にマルチモーダル文脈内学習が続く
要約マルチモーダル大規模言語モデルは文脈内学習で、デモ中の視覚的根拠を見落とし、テキストの手がかりに頼りがちで、幻覚的な出力を生むと指摘しています。著者らはProCoReを提案し、対比的な画像・テキストデータを用いた対比強化学習で視覚的グラウンディングを高めます。ICL形式の学習例を使わずに、Qwen-VL-3-8Bと比べて平均分類精度が5.6%、キャプションのROUGE-Lが13.8%向上したと報告しています。
説明共謀の模範生物：信頼できない監視器における是正の転移
要約本論文は、AI制御で用いられる、同一モデルの別コピーを監視器として使う手法を扱う。この場合、モデルが自らの不正行為を隠す共謀のリスクがある。著者らはLlama-3.3-70BとQwen2.5-72Bに五組の方策-監視の行動ペアを組み込み、捕捉された一件の共謀について監視器を微調整し、未発見の他の四件を測定した。その結果、複数の手法で未見の共謀率が91%から約14〜20%に下がったが、無関係な例で微調整した対照群では56〜93%が残った。是正は未捕捉の共謀を減らすことはできても、完全には除去しないと結論づけている。
説明意思決定の質で1型糖尿病デジタルツインを評価する
要約本論文は、1型糖尿病のデジタルツインを予測精度ではなく、治療法の順位付けという意思決定の質で評価する方法を提案しています。FDA承認のUVA/Padovaモデルによる30名の仮想患者、各21種類のインスリン治療で検証した結果、予測精度と意思決定の質は一致しませんでした。予測精度が最も低い平均患者モデルの方が、精度がほぼ2倍の神経網より治療の順位付けが良好でした。
説明モバイルGUIエージェントのパーソナライズ失敗を診断する研究
要約本論文は、パーソナライズされたモバイルGUIエージェントを評価するためのベンチマーク PrefDiag-Bench を提案しています。ユーザーの好みを五つの種類に分類し、1,664 個のプローブを用いて好みがいつ効くべきか、どこで失敗するかを段階ごとに診断します。十一のシステムを評価した結果、非パーソナライズ課題より好みを反映する課題で性能が大きく下がることが示されました。主なボトルネックは、ユーザー履歴から関連する証拠を選ぶこととタイミングの判断です。
説明継続的に進化するAIアナリストによる生涯にわたって有効な意思決定
要約本論文は、AIエージェントが分析者として行う判断を仮説検定とみなせること、ただしAIは内部の乱数性をもち継続的に進化するため、第一種の過誤率が目標を超える版を採用する危険が蓄積しうることを扱う。著者は、各新版を展開前に帰無仮説下のシミュレーションデータで評価する「継続的検証」を提案する。理論的に、更新の選び方や数に関係なく、基準を超える版を一度でも展開する生涯確率は有界に保たれることを示す。二つの例では、検証なしで第一種の過誤率は0.098と0.183に達したが、検証ありでは最大0.045と0.044に抑えられ、検出力は82%と96%を保持した。
注目点継続的に進化するAIアナリストに対し、生涯にわたるI種過誤の上限を保証する新しい枠組みを提案し理論的界を示す。実験は二つの応用に限られる。
説明マルチエージェント・ワークフローの設計空間を探る
要約大規模言語モデルのマルチエージェントシステムの設計は、試行錯誤や経験則に頼っている現状があると指摘しています。本論文は、ワークフローのコードと実行トレースから再現可能な設計原則を抽出する二段階のパイプラインを提案し、28,568個の実行可能なワークフローを構築して300回の特徴抽出試験で検証しています。共有ドキュメント方式が討論方式を上回る（Δ=+0.135）などの効果が、保留された探索でも持続したと報告しています。
