PLE: Physical-Engineering's Last Exam
説明PLE：物理工学の「最後の試験」——専門技術者の実務成果物を対象とするエージェント評価ベンチマーク
要約本論文は、電気・土木・構造・機械工学の長期的な業務タスク85件からなるベンチマーク「PLE」を提案する。タスクは実務の技術者が作成したもので、請求可能な実際の設計成果物の完成が求められる。最も性能の高い構成でも平均スコアは50.6%にとどまり、1タスクあたり平均2,700万トークンと63分を要した。
IFC-MCQ: Automatically Generating Multiple-Choice Benchmarks for Evaluating LLM Agents on IFC Data Retrieval
説明IFC-MCQ：IFCファイルから選択式ベンチマークを自動生成し、LLMエージェントのIFCデータ検索を評価する手法
要約IFC（建築・エンジニアリング・建設分野の情報交換標準）のデータを、大規模言語モデルで自然言語により検索する需要が高まっています。本論文は、IFCファイルから選択式問題のベンチマークを自動生成するIFC-MCQを提案し、自由記述の回答を人手やLLMで採点する必要をなくします。モデルごとの生成カバレッジを検証し、ツールベースとコードベースの検索を用いた2種類のエージェント構成を評価した結果、カテゴリごとに異なる失敗パターンが見られ、性能は元のIFCモデルと検索インターフェースによって変わることが示されました。
Decision Making and Ride Comfort Evaluation Based on Lane-Change Prediction for Autonomous Vehicles
説明車線変更予測に基づく自動運転の意思決定と乗り心地評価
要約本研究は、知識グラフ埋め込みとベイズ推論に基づく車線変更予測を自動運転の意思決定に組み込む効果を検証しています。CARLAでシミュレーションした危険な合流場面で、反応的運転、予測に基づく縦方向動作、予測に基づく横方向動作の三つの戦略を比較しています。提案モデルは周囲車両の車線変更を約3〜4秒前に予測でき、自車が事前に行動を調整できます。評価した記録では両予測戦略が衝突を回避し、ISO 2631-1に基づく水平振動推定により乗り心地も評価されています。
LLM2Cert: LLM Synthesis of Certificates with SMT/Lean Verification
説明LLM2Cert：大規模言語モデルによる証明書生成とSMT/Leanによる検証
要約本論文は、非線形・高次元の動的システムにおけるLyapunov関数や障壁証明書を扱います。105件のインスタンスからなるベンチマーク「DynaCertBench」と、LLMが候補証明書を生成し、SMTソルバーまたはLean証明修復エージェントで検証するフレームワーク「LLM2Cert」を提案しています。著者らによれば、LLM2CertはDynaCertBenchの105件中81件を検証し、フィードバックなしの一回限りの提案より17.1ポイント高い結果を示したとされています。
NEST: Nested Embedding Representation for Multiscale Clustering
説明NEST：多尺度クラスタリングのための入れ子埋め込み表現手法
要約本論文は、Matryoshka Representation Learning に着想を得た教師なしフレームワーク NEST を提案し、単一の埋め込みの中に粗いものから細かいものへの階層構造を符号化します。入れ子になったプレフィックス部分空間上でクラスタリングと分離を同時に最適化し、ランクおよびクラスタ内の正則化によって埋め込みの崩壊を防ぎます。合成階層データでは、各階層のクラスタ数のみを与えた場合でも多尺度構造を復元でき、視覚・テキスト・単一細胞データにおいても多尺度の組織が見られると報告しています。
Unified Trajectory and 3D Pose Forecasting for Multi-Agent Sports Analysis
説明マルチエージェント スポーツ分析のための軌道と3D姿勢の統合予測
要約本論文は、チームスポーツにおいて密接に結びつく選手の全体軌道と3D身体姿勢を同時に予測する手法を扱っています。軌道と姿勢を入力段階で融合し、共有の因子分解アテンションで共同モデル化する社会時系列エンコーダを提案し、動的関節を重視する関節ごとの損失再重み付けと周波数領域の軌道平滑化項を加えています。また、重複するシーケンス構築による評価の偏りを修正し、非重複プロトコルを採用しました。WorldPoseと3DPWで既存の共同予測手法を上回り、特に姿勢精度で大きな改善を示しています。
Protegrity-PII Technical Report
説明Protegrity-PII テクニカルレポート：構造化・非構造化テキストの個人情報（PII）判定モデル
要約本論文は、構造化テキストと非構造化テキストの両方から個人を特定できる情報（PII）を判定するモデル Protegrity-PII を提案している。著者らが新たに提案したベンチマーク PII-SCOPE 上で、型別再現率 0.915、適合率 0.907 を報告している。また、処理速度とコストの数値を示し、分布外の汎化性能が比較対象の一部の先進モデルやデータセットより優れていると述べている。
Behind Aggregate Scores: What Systematically Varying Arena-Hard's LLM Judge Reveals
説明総合スコアの裏側：Arena-Hard の LLM 審判を体系的に変えると何が見えるか
要約本論文は、大規模言語モデルを審判として二つの回答を比較する際の安定性を調べたものです。著者らは Arena-Hard v2.0 の 500 件のプロンプトで、二つのモデルの回答を固定し、GPT-4.1 を審判として基準・出力形式・タスク設定の八通りの組み合わせで評価し、温度ゼロで繰り返し実行しました。既定設定を再実行しただけでも、勝ち・引き分け・負けの結果が 21.2% のプロンプトで変わったと報告しています。
Rethinking the Evaluation of LLM Fact-Checkers
説明LLMファクトチェック評価の再考：評価条件を明示する日本語ベンチマーク
要約本論文は、大規模言語モデル（LLM）のファクトチェック性能を評価する際、問い、判定条件、証拠源の三つの設計で結果が変わるにもかかわらず、既存のベンチマークがこれらを明示していないと指摘する。著者らは、日本のソーシャルメディアで拡散した誤情報に関する質問へのLLM回答から得た1,913件の主張を含む日本語ベンチマーク「JSFactCheckBench」を構築した。six個のLLMによる評価では、質問に直接答える主張の検証精度が補足的な主張より低く、この差は総合スコアでは見えにくいことが示された。
PhysibleMDM: Enforcing Inference-Time Physical Feasibility Constraints on Motion Diffusion Models via Noise Optimization
説明PhysibleMDM：ノイズ最適化によりモーション拡散モデルの推論時に物理的実現可能性を課す手法
要約本論文は、生成モデルを再学習せず、推論時に拡散ノイズを最適化して、モーション拡散モデル（MDM）が生成する人体動作を物理的に妥当なものに近づけるフレームワーク PhysibleMDM を提案しています。接地貫通、滑り、自己衝突などの運動学的チェックと、錐計画として定式化された逆動力学による動的検証を組み合わせ、Sep-CMA-ES で黒箱最適化を行います。SMPL ヒューマノイドの100種類の動作スタイルで、平均の地面貫通、自己衝突貫通、地面滑りが、最適化していない拡散出力に比べてそれぞれ75%、92%、74%減少したと報告されています。
Can LLMs Improve Their Own Harness? A Controlled Study on ARC-AGI-3
説明LLM は自分のハーネスを改善できるか？ARC-AGI-3 での統制実験
要約本論文は、対話型ベンチマーク ARC-AGI-3 のために、フロンティアモデルが自らハーネス（モデル呼び出しを統括し、知覚・記憶・ツール利用などを担うプログラム）を構築・改善できるかを検証しています。開発用の5ゲームで行動とコードの修正を2回行い、それ以外の20ゲームで評価しました。RHAE 指標で測定した結果、27 系統の性能差は大きく、2回の修正による held-out の平均スコア向上は 2.80 点にとどまり、開発段階の向上は汎化を過大評価することが示されました。
★★★★☆ 注目
From Prose to Properties: Testing Research Claims with ARATest for Agent-Native Science
説明散文から性質へ：エージェント・ネイティブ科学における研究主張のARATestによる検証
要約本論文は、研究主張に含まれる性質を実行可能なテストとして検査するプロパティベーステストライブラリ「ARATest」を提案している。33件のARA成果物にある243件の主張のうち54件を検証し、32件は成立、8件は違反、14件は判定不能だった。違反のうち2件は、論文の著者が誤りを確認したという。
注目点論文の主張を実行可能な性質テストに変換する枠組みを提案し、33件の成果物243主張で検証、公開論文の誤りを発見。
Optimal Multitask Representations Under a Rate Constraint: An Information Bottleneck Analysis
説明レート制約下の最適なマルチタスク表現：情報ボトルネックによる分析
要約本論文は、情報量の予算のもとでどの事前学習目的が下流タスクに最適な表現を与えるかを、相互情報量制約付きのマルチタスク情報ボトルネックとして定式化しています。ガウス入力とタスクについて最適表現を特徴づけ、低レートではタスクとの整合が弱い専門型が再構成型の汎用型を上回りうる一方、高レートでは逆転することを示します。CelebAとdSpritesでの実験では、圧縮の度合いによって最良の事前学習目的が変わることが示されています。
What the Trace Shows and What the Label Says: Auditing Behavioral Detectors in Agent Evaluation
説明トレースが示す内容とラベルの意味：エージェント評価における行動検出器の監査
要約本論文は、LLMエージェントの評価で実行トレースを正解性・ツール検証・障害伝播などのラベルに要約する際に生じる問題を検討します。GSM8Kに基づくツール利用の設定で、三つのトレースレベル検出器を六つのモデルについて監査し、それらのラベルが体系的に食い違うことを示しています。主な失敗として、破損したツール出力がモデルによって静かに上書きされる例が挙げられ、自動ラベルには根拠となるトレース証拠や実行制限の情報を併記すべきだと提案しています。
From Single-Actor Environments to Multi-Actor Event Worlds: Can LLMs Be Event World Models?
説明単独主体環境から複数主体のイベント世界へ：LLMはイベント世界モデルになれるか
要約本論文は、複数の主体が自ら判断し、エージェントが行動しなくても変化し、イベントログを通じて部分的にしか観測できないシステムを「イベント世界」として定式化し、大規模言語モデルがログとエージェントの提案行動から将来の観測を予測できるかを検討しています。人間の外交（Diplomacy）対局と実際の Polymarket 取引からベンチマークを構築し、階層的な評価を行っています。他の主体の行動が記録されている場合には微調整やデータ増加で予測が改善しますが、エージェントの行動しか与えられない場合、他の主体の影響が強いと予測精度は低下し、計画の成功率を過大評価する傾向があると報告しています。
Why Bother Me Again? Benchmarking Personal Agent Memory for Interaction Preferences
説明なぜまた邪魔するのか？対話の好みに関するパーソナルエージェントのメモリ評価ベンチマーク
要約本論文は、パーソナルエージェントのメモリを評価するための対話型環境「MemPABench」を提案しています。エージェントが明確化・確認・自律的な実行のいずれを行うかを判断する長期タスクを用い、4人のシミュレーションユーザーによる14の好み、4か月にわたる99セッションのフィードバックで検証しました。4種類のメモリシステムを4つのLLMで評価した結果、現在のメモリは好みの選択での改善が限定的で、好みの検索や変化への適応にも課題があることが分かりました。
AVAtt: A Free-Viewing Eye-Tracking Dataset and Benchmark for Visual Attention on Paintings
説明AVAtt：絵画における視覚的注意のための自由視聴アイトラッキングデータセットとベンチマーク
要約本研究は、絵画を自由に鑑賞する際の視線記録を集めた AVAtt データセットを公開しています。16 の美術運動と五世紀にわたる絵画が対象で、注視点、顕著性マップ、芸術メタデータなどを含みます。作者らはこのデータで既存の顕著性モデルを評価し、44 種類の走査経路類似度指標を比較しています。
FIGFLEX: A Mixed-Precision FP-INT GEMM Accelerator Co-Designed with Low-Bit LLM Quantization
説明FIGFLEX：低ビットLLM量子化と共同設計した混合精度FP-INT行列積アクセラレータ
要約本論文は、アルゴリズムとハードウェアを共同設計した混合精度アクセラレータFIGFLEXを提案します。重みのみを量子化した大規模言語モデルの浮動小数点-整数行列積を対象とし、精度が下がるほどスループットが向上する構成です。基数4のシフト加算による再定式化とINT3向けの最適化を含みます。LLaMA-2-7Bでは平均3ビットと2ビットでWikiText-2のパープレキシティが5.85と8.77と報告され、AxCoreとFIGLUTに対する面積当たりスループットの向上も示されています。
Externalise the Memory: A Pre-Registered Study of Where an Embodied Agent's Experience Should Live
説明記憶の外部化：身体性エージェントの経験はどこに置くべきか（事前登録研究）
要約本論文は、具身エージェントの経験を方策の重みに組み込むべきか、外部に保持して推論時に検索すべきかを比較する。記憶付き教師モデルの軌跡から LoRA 学生方策を蒸留し、統一プロトコルで評価している。重みへの記憶蒸留は行動のみの対照群を約1ポイント上回ったが有意ではなく、検定の検出力不足のため、重み内記憶の主張は反証ではなく撤回された。固定された学生重みに検索バッファを付与すると有意な改善が見られた。
Rethinking SAE Evaluation: An Atomic Interpretable Unit Framework Reveals Hidden Polysemanticity and Redundancy
説明SAE評価の再考：原子的な解釈可能単位フレームワークが示す隠れた多義性と冗長性
要約スパースオートエンコーダ（SAE）は当初、単義的な特徴を見つける目的で使われてきたが、特徴集合全体がどうあるべきかという目標は明確になっていなかった。本論文は、SAEの特徴が「原子的な解釈可能単位の基底」を形成することを評価の総合目標として定式化し、DAMEなどの指標を代理指標として位置づける。多数のアーキテクチャとモデルのSAEを評価した結果、既存指標では単義的に見えるSAEでも、最も支配的な特徴は解釈しにくく冗長であり、機能的には多義的であることが示された。
DiffLTM: Continuous Diffusions Large Tabular Models for Conditional Generation
説明DiffLTM：条件付き生成のための連続拡散型大規模表形式モデル
要約本論文は、大規模表形式モデルにおける条件付き生成のための連続拡散モデルDiffLTMを提案する。数値と高カーディナリティで偏りの大きいカテゴリ変数が混在するデータ、および稀な部分集団での生成の難しさという二つの課題に取り組む。カテゴリ変数にはクロスエントロピー損失を用い、その理論的根拠を初めて示し、稀な部分集団に焦点を当てた指標を導入した。労働データで学習したモデルが計量経済学の古典的知見を捉えられることも示している。
Learning to Incentivise: Using Reinforcement Learning for Sustainable Urban Mobility
説明インセンティブを学習する：強化学習による持続可能な都市モビリティ
要約本研究は、マルチエージェント強化学習により運転者へのインセンティブを動的に割り当て、代替経路への経路変更を促す手法を提案しています。無制限の予算で総移動時間を最小化する場合、動的利用者均衡（UE）と比べ総移動時間は16%減少しました。排出量の最小化を目標とした場合はCO2排出量が9%減少しています。総移動時間と排出量の間にはトレードオフがあり、多目的関数の重みの組み合わせによって両方を改善できることが示されています。
SplatLab: Autonomous Scientific Discovery for 3DGS Research
説明SplatLab：3DGS研究のための自律的科学的発見システム
要約本論文は、3D Gaussian Splatting（3DGS）研究向けの自律型研究システム「SplatLab」を提案する。研究プロンプト、対象論文のURL、または入力なしから出発し、公開されたベースラインの再現、拡張案の提示、Mip-NeRF 360とLLFFでの学習・アブレーション、論文執筆までを行い、報告される各数値は記録された学習実行に紐づけられる。PSNR目標の実行では、手稿が再現目標を0.18〜3.78 dB上回ったとされる。
Flow-based Spectral Kernel Learning for Nonstationary Attention
説明フローベースのスペクトルカーネル学習による非定常アテンション（FSKA）：類似度構造を柔軟に学習し、射影パラメータを減らす枠組み
要約本論文はFSKAという枠組みを提案し、正規化フロー（normalizing flows）で二変量スペクトル密度をパラメータ化することで、非定常なアテンションカーネルを学習します。この設計は線形アテンションの計算と両立します。さらに、表現力の高いカーネル学習により、クエリ・キーの射影を除去し、直交値射影を固定する簡略化された構造も示されています。原文によれば、分類などの実験で既存手法と同等以上の性能を示し、多くのベースラインと比べて射影関連の学習可能パラメータが削減され、線形アテンションのメモリ拡張性も良好に保たれています。
Short-to-Long: Detached Features for Long-Horizon Value Learning
説明短期から長期へ：長期価値学習のための分離された特徴量
要約本論文は、深層強化学習において長い時間地平での価値学習に用いる表現を扱う。提案手法 Short-to-Long（S2L）は、より小さい割引率で学習した源ネットワークの特徴量を、長い地平の行動学習器に供給する。分離された接続により、行動の価値損失が源ネットワークを更新しないようにしている。Atari、オンラインおよびオフラインの連続制御で全体的な性能向上が報告され、Atari の 57 ゲームのうち 40 ゲームで配対終端中央値が改善したとされる。
RubricCraft: Where Solutions Diverge, Criteria Emerge
説明RubricCraft：解の相違点から評価基準を導き出す手法
要約本論文は、自由記述で成果物を生成する言語エージェントを評価する手法RubricCraftを提案します。候補となる解答を課題要件と比較し、その差異をもとに自然言語による評価基準を作成し、見逃しや妥当な代替案の誤判定を修正します。SpreadsheetBench v2では、同じモデルが作成・適用したプロンプトのみの基準と比べ、誤った出力の合格数が減り、正しさに基づく順位付けがより多く一致しました。
aggmetrics: Aggregating Classification Performance Measures for Machine Learning
説明aggmetrics：機械学習の分類性能指標を集約する Python ライブラリ
要約本論文は、オープンソースの Python パッケージ aggmetrics を紹介しています。混同行列の 4 つの計数で表される任意の二値性能指標を、多クラス、多ラベル、順序、コスト考慮、ソフトラベル、交差検証の設定へ拡張し、一般的なライブラリの平均スイッチの代わりに 4 種類の集約演算子を用います。各指標の構造的性質も保存し、誤った用途に対して警告を出します。ライセンスは BSD-3 で、依存関係は NumPy のみです。
Same Beliefs, Different Policies: Learning Reusable Representations for Early Stopping in LLM Reasoning
説明同じ信念、異なる方針：LLM推論の早期停止のための再利用可能な表現の学習
要約推論型LLMは正しい答えに到達した後も推論を続け、計算を無駄にしたり正しい答えを誤答に置き換えたりすることがあります。本論文はBELT（信念ベースの終了）を提案し、結果予測と停止制御を分離します。凍結したLLMの隠れ状態から現在と将来の答えに関する信念を学習し、凍結特徴の上で線形の停止方針を当てはめます。五つの分布外数学ベンチマークの平均で、BELTはQwen3-1.7Bで41%、OLMo-3-7B-Thinkで51%の生成トークンを精度を落とさず削減しました。
A Three-Pillar Governance Framework for Safe and Trustworthy AI Agents
説明安全で信頼できるAIエージェントのための三本柱ガバナンスフレームワーク
要約本論文は、透明性、説明責任、信頼性を通じて安全で信頼できるAIエージェントを開発するための三本柱（3P）モデルとフレームワークを提案しています。段階的な検証、構造化された人間による監督、監査可能な運用管理によって、エージェントの自律性を段階的に高める進化の道筋を定義しています。さらに、企業環境におけるライフサイクル監視、意思決定の追跡、エスカレーション管理、人間とエージェントの協働をどう支えるかを説明しています。
Stability Analysis of Signed Graphs under Structural Perturbations
説明構造的摂動下の符号付きグラフの安定性解析（正負の辺をもつネットワークで、辺の追加・削除や符号反転後にグラフフィルタ学習の表現が安定かを調べる研究）
要約本論文は、辺の追加・削除および符号反転という摂動の下で、符号付きグラフフィルタの安定性を検討しています。既存の安定性解析は主に符号なしグラフを対象としており、符号反転は扱われていませんでした。著者らは理論解析により、符号付き辺の摂動とノード特徴量の相関が学習表現の安定性を共に決めることを示し、その理論に基づく摂動手法を提案しています。合成データと実データでの実験では、提案手法が基準手法よりも埋め込みのずれ、極性の変化、リンク予測性能の低下を大きく引き起こしたと報告されています。
SpecMAGIC: Specification-Guided Multi-Task Generalization in Multi-Agent Reinforcement Learning
説明SpecMAGIC：マルチエージェント強化学習における仕様指向のマルチタスク汎化手法
要約本論文は、マルチエージェント強化学習におけるマルチタスク汎化の問題を扱い、時相論理によるタスク仕様と協調要件を表す演算子を組み合わせた仕様言語を提案しています。タスク仕様のオートマトン構造を用いてサブタスクに分解する階層型フレームワークSpecMAGICを提案し、集中型の上位プランナーがサブタスク列を各エージェントに割り当て、分散型の下位方策が実行します。多エージェントのナビゲーションタスクの実験で、未知の仕様に対して既存手法を上回る結果が報告されています。
Towards Faithful Data Selection: Statistical Limits and Scalable Algorithms
説明忠実なデータ選択に向けて：統計的限界とスケーラブルなアルゴリズム
要約本論文は、学習データより桁違いに大きい検証集合へアクセスできない限り、部分集合で学習した分類器の母集団誤差を最小化する最適なデータ選択は情報理論的に不可能だと示します。そこで、部分集合による学習と全データによる学習の差を上から抑える、推定可能な「忠実性（faithfulness）」という片側保証を提案します。さらに、その上界を段階的に下げる交換型の局所探索アルゴリズムを設計し、CIFAR10およびCIFAR100の実験で既存の選択手法と同等の性能を示しました。
Secure Agentic AI and Multimodal Intelligence in 6G Communication Systems
説明6G通信システムにおける安全なエージェント型AIとマルチモーダル知能の解説
要約本論文は、6Gのクロスレイヤー通信システムに向けたマルチモーダル知能とエージェント型AIを、プライバシーとセキュリティの観点から概観するサーベイです。知覚、記憶、ツール利用、マルチエージェント編成を含むシステム全体像を示し、各層の脅威モデルと攻撃面を分析しています。既存の攻撃を構造化された分類に整理し、プロンプトや記憶の防御、エージェント間の信頼機構、安全な編成、プライバシー保護学習などの緩和策を検討しています。最後に、信頼できるマルチモーダル・マルチエージェント6Gシステムに関する今後の研究課題を挙げています。
Self-Assessment Reinforcement Learning for Search-State Awareness in Retrieval-Augmented Large Language Models
説明検索拡張大規模言語モデルにおける検索状態認識のための自己評価強化学習
要約本論文は、モデルが訓練中に自身の検索状態（得られた情報と不足している情報）を認識し、テスト時の追加評価なしに検索行動を改善する自己評価強化学習（SARL）を提案しています。評価の修正効果を捉えつつ過度な依存を罰する二重報酬設計を用います。原文によると、複数のベンチマークで最も強力なベースラインを上回り、長い検索期間でも訓練が安定したと報告されています。
AnalogPortBench: Benchmarking LLMs on Analog Circuit Porting
説明AnalogPortBench：アナログ回路移植タスクにおけるLLMの性能を評価するベンチマーク
要約アナログ回路設計は依然として専門家の知識に大きく依存しており、実績のある設計を新しいプロセスノードへ移植することが繰り返し生じるボトルネックとなっています。本論文はAnalogPortBenchを提案し、0.18 μmプロセスからオープンソースのSKY130 PDKへ10種類の回路を移植する54タスクを含みます。直接移植から供給電圧の低減、より厳しい仕様、実現不可能な仕様まで難易度は様々です。6つの最先端LLMを評価した結果、単純な回路は移植できるものの、電圧余裕に敏感な増幅器の再設計はほとんどできず、実現不可能な仕様もほとんど認識できないこと、また、サンプル数や推論の増加よりもシミュレーションのフィードバックによる改善が大きいことが分かりました。
The Path to NDE 4.0: A Review of Algorithms, Techniques, and Strategies for Autonomous Inspection
説明NDE 4.0への道：自律検査のアルゴリズム・技術・戦略のレビュー
要約本論文は非破壊検査（NDI）の現状を総説し、計算アルゴリズム、物理技術、産業応用、研究目標の四つの観点から分析しています。アナログな手作業の判読から、データ中心のデジタル化パラダイムであるNDE 4.0への進展を整理し、超音波と目視検査が主要な物理技術であること、欠陥の自動認識では深層学習や生成モデルへの移行が見られることを示しています。あわせて、標準化された公開データセットの不足やAIモデルのブラックボックス性といった課題を指摘し、説明可能なAI（XAI）や標準化されたデジタルツインのプロトコルなどの研究の方向性を挙げています。
RoleFlow: Self-Evolving Multi-Role Agentic Collaboration via Structural Adaptation
説明RoleFlow：構造適応による自己進化型マルチロールエージェント協調
要約本論文は、フィードバックに基づく構造の逐次編集と必要に応じた役割生成によって協調構造を改良する、マルチロールエージェントシステムRoleFlowを提案しています。また、各編集を同じ状態で編集を加えない場合と比較し、編集固有のトークンに的確に報酬を割り当てる手法SECPOを導入しています。著者らは、4つの領域にまたがる7つのベンチマークで平均性能が最良であったと報告しています。
Memory-Augmented Online Test-Time Adaptation for EEG Motor Imagery via Perturbation Consistency and Confidence Calibration
説明摂動一貫性と信頼度校正による記憶拡張型オンラインテスト時適応の脳波運動想像デコード
要約本論文は、脳波の被験者間分布のずれや信号の非定常性に対応するため、元データを必要としないオンラインテスト時適応フレームワークMOPCを提案している。ランダムマスク摂動で予測の一貫性を保ち、信頼度校正付き重み付け損失で擬似ラベルの不確実性やクラス不均衡を緩和し、軽量な記憶モジュールで既存パターンの忘却を防ぐ。BCI IV IIbおよびOpenBMIデータセットで最先端の性能を示し、1試行あたりの適応遅延は約40〜60ミリ秒としている。
High-Value Training Data from Noisy, Diverse Sources
説明雑多なデータ源から高価値の学習データを得る：メタ勾配による学習データ重み付け
要約本論文は、品質や出所の異なる学習データに重みを割り当て、学習への影響を制御する手法を扱っている。小規模な高品質の目標データセットを用いて、学習過程を通じたメタ勾配により、目標領域での性能を最適化する学習データ重みを求める。さらに、新しいデータや大規模モデルにも一般化するパラメトリックな重み付け規則を学習する。報酬モデリングを典型的な応用例とし、学習済み重みが検証データでの性能を向上させ、人間と合成データの混合が単独の情報源を上回ることを示している。
X-pressing Intimacy: Mental Health Disclosure After Twitter Acquisition
説明『Xという親密さ：ツイッター買収後のメンタルヘルス開示』：マスク氏による買収前後で、心の健康についての投稿の表現がどう変わったかを調べた研究
要約本研究は、イーロン・マスク氏が2022年10月にツイッターを買収した前後の、不安、うつ病、双極性障害、境界性パーソナリティ障害、自殺念慮などに関する約82万4千件の投稿を、約26万6千件の比較用投稿と併せて分析しています。言語分析ツール（LIWC）と大規模言語モデルベースの親密度分類器を用い、言語表現と開示の親密度の変化を検討しました。買収後は感情語と社会的な語が減少し、一人称単数代名詞と未来志向の表現が増加しました。親密度のパターンは病態によって異なりますが、ツイッター全体の議論と比べて統計的に有意だったのは境界性パーソナリティ障害で中程度から低い親密度の開示が減少した点のみです。
SIM-UT: A User Simulation based Evaluation Framework for Medical Triage Chatbots
説明SIM-UT：ユーザーシミュレーションによる医療トリアージチャットボットの評価フレームワーク
要約本論文は、マルチターンのユーザーシミュレーションに基づく評価手法SIM-UTを提案し、大規模言語モデルを用いた医療トリアージチャットボットの失敗パターンを特定します。インド、南アフリカ、ケニアの実在するWhatsAppベースの健康チャットボット3件について、MedGemmaとChatGPT、Claudeを、5,000ターン以上の多言語模擬対話で比較しました。両モデル系統で、ユーザーが症状を軽く見せた際に緊急性の判断を弱める「緊張緩和リスク」が確認されました。著者らは、この種のシミュレーション評価を運用前の標準的な手法とするよう勧めています。
AcoustiPrint: Physics-Guided Neural Design of Manufacturable Acoustic Structures
説明AcoustiPrint：製造可能な音響構造を物理ガイド付きニューラル設計する手法
要約本論文は、制約付き逆設計のための物理情報ニューラルアーキテクチャAcoustiPrint（音響構造の印刷可能性を考慮した設計手法）を提案しています。三次元形状を暗黙的ニューラル表現（INR）で表し、各候補を応答評価の前に印刷可能性演算子に通して、製造可能性を確保します。個別化された経頭蓋集束超音波への応用が示され、実験では基線手法より高い焦点精度の製造可能な構造が得られたと報告されています。
VisCurate: Evaluating Behavioral Equivalence of Visual Skills
説明VisCurate：視覚スキルの振る舞い的等価性を評価する研究
要約本論文は、候補となるスキルのペアを共有のプローブ群で実行し、名前や説明文ではなく観測された動作に基づいて視覚スキルライブラリを整理するフレームワーク兼ベンチマーク「VisCurate」を提案します。制御された割合で7種類の欠陥を注入した300件の再現可能なインスタンスを構築し、テキストベースの手法と比較しています。検証器は困難な負例では誤った統合を一つも受け入れず、真に統合可能なペアの51.2%を回収したと報告されています。
Escaping the Phylogenetic Trap: Persistent Homology Enables Cross-Species Ion Channel Classification via Multimodal Graph Neural Networks
説明系統発生の罠を回避する：持続的ホモロジーによる多モーダルグラフニューラルネットワークでの種横断イオンチャネル分類
要約この論文は、ランダムな学習・テストデータ分割では系統発生的な情報漏洩により、モデルの汎化性能が過大評価されることを指摘しています。毒液化合物のイオンチャネル標的分類を対象に、種を一つずつ除外する評価プロトコルで五つの構造的帰納バイアスを比較し、持続的ホモロジーに基づくPH-GNNが63.4%の精度を達成し、次点の手法を8ポイント以上上回ったと報告しています。
Soft Ontology Priors over Latent Concept Posteriors for Weakly Supervised Neuro-Symbolic Learning
説明弱教師あり神経記号学習のための潜在概念事後分布へのソフトオントロジー事前分布
要約タスクラベルのみで学習する神経記号（NeSy）モデルは、異なる概念対応が同じ最大尤度を与えるため、推論ショートカットに陥り、学習された概念が識別不能で再利用に危険です。本論文は潜在概念上のソフトなオントロジー事前分布を学習目標に組み込み、タスク制約とともに滑らかで分解可能な確率回路にコンパイルします。実世界の運転ベンチマークBDD-OIAの6概念版と制御されたNeSyタスクで、その理論的予測を検証しています。
Latent Space Jam: Layout Guided Video Synthesis
説明『Latent Space Jam：レイアウト誘導型動画合成』：追加学習なしで、大まかなレイアウトにより動画内の物体の配置と動きを制御する研究
要約本論文は、事前学習済みの動画拡散モデルを用い、大まかなレイアウトで物体の配置と動きを制御する、追加学習が不要な手法を提案しています。手法は二段階で、まずプロンプトによって導かれるクロスアテンションで粗い視覚的ガイドを生成し、次にそのガイドを同じモデルの条件として、レイアウトに沿った高品質な動画を生成します。実験では、重なりの精度、軌道の精度、視覚品質のいずれにおいても既存研究を上回ったと報告されています。
A Transformer-based Approach for Real-time Multi-agent Path Planning with Varying Initial/Final Conditions
説明初期・最終条件が変わるマルチエージェント経路計画のためのTransformerベース実時間手法
要約本論文は、与えられた初期・最終構成のもとでのマルチエージェントのリアルタイム経路計画を扱い、エージェント間の衝突回避と障害物制約を伴う高次元最適制御問題として定式化しています。著者らは、潜在空間で独立に動くエージェントを物理空間へ写す座標変換を学習するTransformerベースのOCFormerを提案し、PMPに基づくハミルトン常微分方程式の残差と境界一致項からなる物理情報損失で訓練します。二次元・三次元のナビゲーション実験で最大128エージェントまでの拡張性と効率性を示しています。
Text-Only LLM Correctors Break Correct Transcripts: A Repair-Damage Analysis of Audio Grounding in ASR Error Correction
説明テキストのみのLLM修正器は正しい書き起こしを壊す：ASR誤り訂正における音声根拠の修復・損傷分析
要約本論文は、大規模言語モデルで音声認識（ASR）の出力を修正する効果を調べたものです。単語誤り率（WER）の変化を修復された語、損傷された語、挿入された語に分解し、元の音声の有無で修正結果を比較しています。Gemini 2.5 Flashでは、テキストのみの修正で正しかった書き起こしが相当数壊れ、音声を加えるとその割合が下がりました。医療口述の場合、残った挿入語が正味のWERの改善を打ち消すことも示されています。
Bayesian Fixed-Confidence Best-Arm Identification with Abstention
説明棄権を含むベイズ固定信頼度の最良腕同定
要約本論文は、学習者が最終的な推奨を行わない（棄権する）ことができるベイズ固定信頼度の最良腕同定問題を扱う。目標誤り確率と棄権予算の制約のもとで、Screen-and-Confirm（S&C）を提案し、その期待停止時間を解析する。また、これらの制約を満たす任意のアルゴリズムの最小期待停止時間を導出する。ガウス事前分布と報酬の場合、接戦に近い事例がサンプリングコストを支配することが示される。棄権を認めない場合、S&Cは最適な Θ(1/δ) の依存性を達成する。
MemPlan: Memory-Conditioned PDDL Planning for Partially Observable Text Environments
説明MemPlan：部分観測テキスト環境向けの、メモリ条件付き PDDL プランニング手法
要約本論文は、大規模言語モデルを言語と記号的プランニングの間の制約付き橋渡し役として用いる MemPlan フレームワークを提案します。正のグラフメモリは候補仮説に関連性に基づく行動コストを与え、負のメモリは実行で否定された仮定を除外制約に変換します。TextWorld、ALFWorld、Robotouille での実験では、既存の手法と比べてタスク完了率とステップ効率が向上し、ReAct などの LLM プランニング手法に比べてオンラインのトークンコストも大幅に削減されたと報告されています。
Climbing the Ladder: Automating Data Pipelines and Reproducing Baselines in Low-Resource Settings
説明はしごを登る：低リソース環境におけるデータパイプラインの自動化とベースラインの再現
要約本論文は、シチリア語の低リソース機械翻訳を対象に、対訳雑誌のPDFから平行テキストを抽出する処理を保守可能なソフトウェアで再構築し、元のシステムの分かち書きと部分語分割をPerl非依存の実装へ移植しています。小規模Transformerを一から学習させた場合と、低ランク微調整を施した事前学習済みNLLBモデルを比較し、段階的学習を用いました。事前学習済みモデルが明らかに優れており、段階的学習はシチリア語への翻訳をより大きく改善したと報告されています。また、多言語アダプタは学習していない方向の性能を低下させると述べられています。
Probing and Steering for Safety-Relevant Behaviours in Large Language Models
説明大規模言語モデルの安全関連行動に対するプロービングと操舵
要約本論文は、言語モデルの残差ストリーム上で計算される活性化プローブ（方向ベクトル）を用い、欺瞞、高リスク状況の認識、追従（シコファンシー）といった安全関連行動を検出し、さらにその方向を加えて出力を操舵する手法を検討しています。Llama-3.1-8B-Instruct において、2種類の推定法と3種類のトークン集約方式を組み合わせ、検出能力と操舵能力をそれぞれ評価しています。その結果、欺瞞と高リスク場面では「読み取りと書き込みの分離」の傾向が見られる一方、追従では傾向が逆転し、最適な層や集約方式は行動やデータによって異なることが示されています。
CTRL-FM: Inference-Time Structural Control for Flow-Based Virtual Sensing under Long-Horizon Node Outages
説明CTRL-FM：長期間のノード障害に対するフローベース仮想センシングの推論時構造制御
要約本論文は、センサーノードが長期間停止して生じるデータ欠損に対し、CTRL-FMという手法を提案しています。推論時に、実際の障害ごとに残存測定値から作成した自己教師ありの代理障害を用いて、グラフと時系列の構造ガイダンスを選択し、局所的に調整します。制御は欠損箇所のみに適用されます。PeMS08、METR-LA、Air-36、AQIのデータセットで、30%と60%のノード障害下において全体として最も高い性能を示したと報告されています。
CiteAnchor: Source-Aware Grounding for Hallucinated Citation Detection and Resolution
説明CiteAnchor：幻覚的引用の検出と解決のための出典認識型フレームワーク
要約この論文は、大規模言語モデルが生成する架空の引用の問題を扱っています。こうした引用は情報源の追跡や科学的主張の根拠確認を困難にします。著者らは423件の実際の幻覚的引用に、出典を回収できるかどうかの注釈を付けたベンチマーク CiteResolve を構築しました。さらに、出典の種類ごとに検索と項目単位の検証を調整し、引用の有効性と一意の出典を回収できるかを別々に判定する CiteAnchor を提案しています。
Route-and-Generate: KL-Regularized Router Improvement for Reasoning Routing in LLMs
説明Route-and-Generate：LLMの推論ルーティングのためのKL正則化ルーター改善手法
要約大規模言語モデルは、単純な問題にも難しい問題にも一律に複雑な推論を適用しがちで、簡単な課題では考えすぎ、難しい課題では考え不足になることがあります。本論文は、各入力に対して推論が必要かどうか、どの程度必要かを適応的に決めさせる階層的学習フレームワークRoute-and-Generate（Rouge）を提案しています。固定のサンプリング予算を複数の推論形式に配分するルーティング方針を用い、基盤モデルはサンプルごとの報酬を用いたGRPOで最適化されます。複数の推論ベンチマークで、正確さと効率のより良いトレードオフが得られたと報告されています。
Consistency Is Not Validity: Self-Rewarded Moral Argumentation Makes Language Models Decisive but Pliable
説明一貫性は妥当性ではない：自己報酬型の道徳的議論は言語モデルを断定的にするが、影響を受けやすくもする
要約本論文は、言語モデルが自ら判定する議論トーナメントで良い道徳的論証を行うよう学習させ、古典小説から抽出した実際のジレンマで検証しています。その結果、モデルはより断定的になり、選択肢の提示順序に対しても不変になりましたが、追従（おもねり）や問題の言い換えへの対応は妥当性の課題として残りました。著者は、順序変更に対する一貫性は、道徳的判断の改善を伴わずに最適化できると結論づけています。
FiLM-CAM: Keyed Feature Modulation for Conditional-Access Watermarking
説明FiLM-CAM：条件付きアクセス透かしのための鍵付き特徴変調手法
要約本論文は、鍵によって特徴変調（FiLM）を制御する条件付きアクセス型画像透かし手法FiLM-CAMを提案しています。ペイロードはピクセル単位ではなく特徴レベルで鍵と結び付けられ、正しい鍵でのみ正しく復号できます。また、既存の透かしに依存しない残差推定により、秘密鍵を知る場合に限り除去が可能です。複数のエンコーダー・デコーダー基盤で有効性が評価されています。
AQL-Lite: Enabling Efficient Knowledge Acquisition for Arabic LLMs via Data-Centric Continual Pretraining
説明AQL-Lite：データ中心の継続事前学習によるアラビア語LLMの効率的な知識獲得
要約本論文は、多言語LLMを現代標準アラビア語に適応させるためのAQL-Liteフレームワークを提案している。高品質なデータ選別と、RS-LoRAアダプタ、最後の8層のTransformerブロック、埋め込み行列のみを学習する部分パラメータ継続事前学習を組み合わせている。同じ10億トークンの条件で、選別データによる学習は生のWebテキストより平均3.51ポイント向上した。400億の現代標準アラビア語トークンに拡張した12Bモデルは、OALL v2の7ベンチマークで75.3点を記録した。
Before the Ticket: Grounding HPC User Support in Documentation and Resolved Tickets with an Agentic LLM Assistant
説明チケットの前に：文書と解決済みチケットに基づくエージェント型LLMによるHPCユーザー支援（HPC利用者サポート向けの補助システム）
要約本論文は、スーパーコンピュータ利用者からの質問に、利用者向けドキュメント（検索拡張生成、RAG）と過去のチケットから抽出した11,244件の質問・解決ペアでQLoRAファインチューニングしたLlama-3-8Bの両方から回答し、その結果を統合する支援システムを提案しています。パデュー大学Rosen高度計算センターの400件の未使用チケットで評価したところ、ファインチューニングされたモデルが中心の解決策との一致度で最良でした。一方、システム全体では個々のツールを上回らず、両者は相補的であることが示されています。
Foundation4D: Towards a unified perception and reconstruction model for autonomous vehicles
説明Foundation4D：自動運転向けの統合型知覚・再構築モデル
要約本論文は、マルチカメラ走行映像から幾何推定、3D検出、セマンティック占有、ガウシアン再構築を一括で行う順伝播型モデル Foundation4D を提案している。共有バックボーンが分解型の時空間注意機構を用い、位姿グラフ最適化でカメラ軌跡を精緻化する。さらに 1,253 クリップの稠密深度と占有ラベルを含むベンチマーク PAI-Foundation4D を公開している。
Spike-Aware Gradient-Based Mixed-Precision Quantization of Spiking Neural Networks for Vision Applications
説明視覚タスク向けスパイキングニューラルネットワーク：スパイク認識型勾配ベース混合精度量子化
要約本論文は、低精度での展開時に精度を保つことが難しいスパイキングニューラルネットワーク（SNN）に対し、一次勾配情報でビット幅を適応的に割り当てる、スパイク認識型の混合精度量子化フレームワークを提案しています。HAWQ-V2（Hessianベース手法）と異なり、高コストな二次のHessian計算を避けています。VGG、ResNet、Vision Transformerで、CIFAR10/100、ImageNet、DVS-CIFAR-10を用いて評価しています。ImageNetのResNet-34では、4.78倍の圧縮で73.30%の精度を達成し、HAWQ-V2と同等であるとしています。メモリ消費は2.31倍、ビット割り当ての実行時間は100倍削減されたと報告しています。
MoRE: Motion-Regularized Encoding for Articulated 3D Generation
説明MoRE：可動部を持つ3D物体生成のための運動正則化エンコーディング
要約本論文は、単一画像から可動部（関節）を持つ3D物体を生成する手法MoREを提案します。関節を座標に揃えた関節線として、軸の分類と軸に直交する2つのプリュッカーモーメント係数で表現し、学習時には復号された関節仮説で3次元アンカーを動かして注釈付き関節の運動と比較します。PartNet-MobilityとACDでの実験では、部品ボックスの一致、可動状態の形状、視覚的類似度が比較手法より高く、関節の軸・原点・可動範囲の誤差はArtiLatentより小さいと報告されています。
MPBRS: Multi-Potential-Based Reward Shaping for Unified Reward Configuration in Humanoid Locomotion
説明MPBRS：人型ロコモーションのための統一報酬設定向け多重ポテンシャル報酬整形
要約本論文は、人型ロボットの歩行・移動を強化学習で学習させる際の報酬関数の設計と調整の難しさに取り組みます。ポテンシャル関数の差分で報酬を整形し、最適方策を変えずに探索を導く多重PBRS（MPBRS）を提案し、同一の報酬構造と重みを9種類の人型ロボットで評価しました。ロボットごとの報酬の再設計は不要で、関節・リンクの対応やデフォルト姿勢などのメタデータのみを用います。実験では、標準的な整形と比べてロボット間でのスケーリングが安定し、調整への感度が低いことが示されています。
R4DGS: Referring Segmentation in 4D Gaussian Splatting
説明R4DGS：4D ガウススプラッティングにおける指示表現セグメンテーション（自然言語で動的シーン中の対象を特定）
要約本論文は、4D ガウススプラッティング（4DGS）で表現された動的シーンにおいて、時間とともに変化する対象を自然言語の指示表現から特定するタスク R4DGS を扱います。構造化された問い合わせ注釈を持つベンチマーク R4D-Bench-QA を構築し、マルチモーダル大規模言語モデルで複雑な問い合わせを分解して制約に基づき定位する ReferGaussian を提案しています。シーン固有の意味最適化は不要で、R4D-Bench-QA と 4D LangSplat の評価プロトコルで、時間的な対象選択の改善と競争力のある時空間定位が示されています。
Self-Distilling Future Video Representations for World Action Models
説明ワールドアクションモデルのための自己蒸留による将来映像表現学習（FRED）
要約本論文は、ワールドアクションモデル（WAM）を学習させ、単一のデノイジングステップで将来映像表現の品質を高めるFREDフレームワークを提案する。過去の観測を時間的文脈として与え、将来表現の予測精度を向上させる。実世界の多様な操作タスクで既存のWAMを上回り、ゼロショット環境汎化の長期タスクや領域外タスクで大きな改善を示した。人間の映像のみで示されたタスクでは成功率50.0%に達し、最良の比較手法は19.4%であった。
★★★★☆ 注目
TerraTransfer++: Demonstration-Free End-to-End Planner
説明TerraTransfer++：人間のデモ不要のエンドツーエンド・プランナー
要約本論文は、人間の運転デモを使わずに自動運転のエンドツーエンド学習を行う手法を提案しています。まず大量並列のシミュレーションでセルフプレイにより方策を事前学習し、その軌道をフローマッチングの教師モデルに蒸留したうえで、凍結された視覚バックボーンに軽量アダプターを学習させます。著者らは、閉ループ評価ベンチマークHUGSimで模倣学習ベースの既存手法を上回る方策を示し、NAVSIM navhardで59.4 EPDMS、navtestで95.5 PDMSを達成したと報告しています。
注目点人手による示範を使わず自己対戦で端到端運転を学習し、HUGSimとNAVSIMで既存手法を上回ると報告しており、新規性は高い。
Collaborative In-Context Learning for Indoor Radio Map Estimation
説明室内電波マップ推定のための協調型インコンテキスト学習
要約本論文は、室内の電波マップ推定を複数クライアントが協調して行うインコンテキスト学習の枠組み Poly-Ripple を提案します。各クライアントは大規模自己回帰視覚モデルを用い、モデルを更新せずに自身の非公開のデモンストレーションを与えて予測を行います。送信機から外側へ広がる電波伝搬の因果構造を捉えるため、リップル順の自己回帰モデリングを採用し、重要度を考慮した集約によってクライアント間の異種の文脈知識を活用します。公開の室内電波マップベンチマークでの実験により、代表的な基線手法より優れた性能が示されています。
SciFusion: Physics-Guided Compositional Diffusion for Multimodal 3D Scientific Image Generation
説明SciFusion：多モーダル3D科学画像生成のための物理誘導型合成拡散モデル
要約本論文は、潜在拡散モデルを基盤とし、3D科学画像を統一的に生成する多モーダルフレームワーク SciFusion を提案している。各モダリティをドメイン、対象、コントラストの表現に分解して共有し、異なる画像領域間の知識転移を可能にするとともに、推論時にこれらを組み合わせて未学習の組み合わせを零ショットで合成できるとしている。さらに、MRI にはフーリエスペクトル一貫性、CT にはラドン投影一貫性、電子顕微鏡には多層回折一貫性という物理的制約を導入している。著者らは、15 種類の医療・科学画像モダリティでの実験により、単一モダリティ向けや平坦化された多モーダル条件付け手法より生成の忠実度と領域間汎化が向上したと報告している。
★★★★☆ 注目
Gender, Sexual Orientation, and the One-Year Refugee Bar: A Computational Study of Bill C-12 and Canadian Refugee Adjudication
説明性別、性的指向と1年の難民申請期限：C-12法案とカナダの難民審査に関する計算研究
要約本論文は、2026年3月のC-12法により導入されたカナダの1年申請期限を検討します。最初の入国から1年を超えて申請された難民請求は難民保護部門へ付託されず、代わりに書面記録に基づき移民官が審査するPRRAに回されます。著者らは人工知能ツールを用い人間による検証を経て、2006年から2025年までの約29,000件の公開決定を分析しました。その結果、ジェンダーおよびSOGIE関連の請求が期限後の申請に多く、これらの拒否は他の請求より上訴や司法審査で覆される傾向があることが示されています。
注目点AIツールと人手検証を組み合わせ約2.9万件の判決を分析し、遅延申請でSOGIE・性別理由が過剰に現れ、その却下が審査で覆されやすいことを示した点が新しく、政策的影響も大きい。
Measuring Research Progress and Linguistic Inclusion in Low-Resource Languages
説明低リソース言語における研究の進展と言語的包摂の測定
要約本論文は、2020年から2025年に発表された査読済みのオープンアクセス論文1,158件を分析し、低リソース言語への研究の注目度と、言語話者集団ごとの代表性を検討している。著者らは、論文数以外で言語的包摂を評価するため、研究の成長、代表性の拡大、代表性の継続性、分布の公平性という4つの次元からなる言語包摂フレームワーク（LIF）を提案している。研究数は増加したものの、その成長は既に代表されている言語に集中しており、アジア言語の代表性シェアは話者比率を下回ると報告されている。
EgoHand: Monocular 3D Hand Reconstruction from Egocentric Video
説明EgoHand：一人称視点動画からの単眼3D手部再構成
要約本論文は、単眼の一人称視点（egocentric）動画から3D手部を再構成するモデル EgoHand を提案している。合成データ、実環境動画、多カメラのモーションキャプチャを組み合わせた約1,400万枚の学習画像を整備した。HOT3D、ARCTIC、H2O でのゼロショット評価では、関節位置・根元の平行移動・加速度の誤差が比較手法より小さく、推論遅延は約9.69ミリ秒である。盲検のユーザー調査では、参加者が EgoHand の手部姿勢を好んだと報告されている。モデルとソースコードは OpenMDW ライセンスで公開されている。
GAV: A scientific experimentation environment for PDE agents
説明GAV：偏微分方程エージェント向けの科学実験環境。検証可能な新問題を自動生成し数値フィードバックを与える
要約本論文は、偏微分方程式（PDE）の解法プログラムを作成するコーディングエージェントに信頼性の高いフィードバックを与えるため、GAV（Generator-Agent-Verifier）という枠組みを提案しています。生成器は数値シミュレーションや実測データから参照解の分布を学習し、製作解法（method of manufactured solutions）によって対応するPDE問題を別途の数値求解なしに構成します。検証器は精度と計算コストに関する数値フィードバックを返します。Navier-Stokes方程式およびVlasov-Poisson型方程式での実験では、既存の3つのPDEエージェントについて、数値Navier-Stokesタスクの平均テスト誤差を元の設定に比べて1桁以上削減したと報告されています。
Generalizing Metropolis-Hastings for DAG Sampling
説明有向非巡回グラフのサンプリングのためのMetropolis-Hastings法の一般化
要約本論文は、ベイジアンネットワーク構造学習において有向非巡回グラフ（DAG）の事後分布を近似することの難しさに取り組みます。複数ノードの親を同時に再サンプリングするマルコフ連鎖モンテカルロの新しい移動を提案し、その中核にデュエットサンプリング（duet sampling）というMetropolis-Hastingsの一般化を導入しています。各反復で二つの提案分布を選び、一方で候補状態を生成し、他方で現在の状態への戻りを評価します。論文は、計算コストを増やさずに混合が改善し、従来手法より優れた結果が得られたと報告しています。
Tradeoff-Aware Territory Design: A Multi-Objective Decision System for Enterprise Customer-to-Seller Allocation
説明トレードオフを考慮した担当領域設計：企業の顧客と営業担当の割り当てを行う多目的意思決定システム
要約本論文は、企業の顧客を営業担当に割り当てるための多目的意思決定システムを提案しています。顧客価値のスコアリング、反事実フレームワークによる取引関係の継続性の評価、多目的最適化の三つの要素を統合しています。過去データによるバックテストでは、最適化で生成されたシナリオが割り当ての遵守率を大きく高め、営業担当者ごとの商機の分布も同程度に保たれました。本番の計画では、採用されたシナリオが従来の基準より遵守率と商機のバランスの双方を改善しました。
SWE-VERIFIER: Selective Verification for Cost-Efficient Coding Agents
説明SWE-Verifier：低コストなコーディングエージェント向けの選択的検証手法
要約本論文は、コーディングエージェントが行動を実行する前に、候補行動のサンプリングと検証を必要なときだけ選択的に行う軽量な生成モデル SWE-Verifier を提案しています。Qwen3.5-4B を基に学習されています。MiniMax-M2.7 では解決率が 75.47% から 77.20% に、コストは約 1.09 倍に向上しました。DeepSeek-V4-Flash にも、その行動で学習せず汎化し、解決率を 72.60% から 74.27% に、コストは約 1.13 倍にしています。検証されるステップは 4% 未満です。
Astro2Method: Benchmarking LLMs on Machine Learning Method Selection in Astronomy
説明Astro2Method：天文学における機械学習手法選択についてLLMを評価するベンチマーク
要約本論文は、346本の天文学論文（2024年1月〜2026年6月）から作成された500問の専門家査読済み二択問題からなるベンチマーク Astro2Method を提案している。直接プロンプティングの精度は、易しい問題で87.50〜92.55%、難しい問題で58.87〜64.52%だった。検索拡張生成やReAct、Self-Ask、CRITICなどのエージェント手法は一貫した改善をもたらさず、Web検索は元論文を見つけた場合にのみ精度を高めた。手法名を隠した上で元論文の処理手順を与えると、難しい問題の精度が向上した。
A Quadratic Lens on Muon's Polar Update: Benefits, Pitfalls, and the Role of Newton-Schulz
説明二次関数から見たMuonの直交化更新：利点・欠点・Newton-Schulzの役割
要約本論文は行列の二次関数上で、Muonオプティマイザの中核的な更新であるPolarGDを勾配降下法と比較して解析しています。勾配が低ランクから遠く、最大特異方向の曲率が大きい場合に直交化の利点が現れる一方、反復行列の極小特異値のため遅くなる場合があると述べています。また、Muonで用いられる少数回のNewton-Schulz反復は、厳密な直交化より速く収束しうると示しています。
★★★★★ 注目
Breaking the high-degree barrier in Lehmer's problem with a human-AI discovery loop
説明人間とAIの発見ループでLehmer問題の高次数の壁を破る
要約Lehmer問題（1933年提唱）は、整数係数多項式のMahler測度を任意に小さくできるかを問う。これまで小さなMahler測度をもつ既約多項式は偶数次数d≤180でのみ体系的に構成されていた。高次数ではBoydの一パラメータ族がしばしば因数分解し、目標次数のほぼ半分が飛ばされていた。著者らは数値パイプライン、厳密な記号検証器、大規模分散探索を組み合わせた人間とAIの発見ループを用い、五パラメータのGeneralized Boyd構成法を導出した。これにより全ての目標次数でBoyd の極限点より厳密に小さいMahler測度の既約多項式が得られ、2000以下の全偶数次数で6件の既発表値を改善し、既知最良記録の99.6%を維持した。検証済みデータセットも公開されている。
注目点五パラメータの一般化Boyd構成を提案し、次数の飛び越えを解消してBoyd限界を全偶数次数で下回ることを示した。2000次までの検証と6件の改善で裏付けられる。
Edit, Don't Imitate: Minimal-Edit On-Policy Distillation for Multimodal Reasoning
説明「模倣ではなく編集」：多モーダル推論のための最小編集オンポリシー蒸留法
要約本論文は、視覚言語モデルが図を誤読すると、その後の数学的推論が誤った前提から進んでしまう問題を扱い、特に小型モデルで顕著だと指摘しています。提案手法は、訓練時のみ図の説明と検証済みの参考解答を用い、教師モデルが誤った生成結果のうち教師が好まないトークンだけを修正損失の対象とする最小編集型の蒸留です。正しい生成結果にはタスク報酬による強化学習を適用します。テスト時に説明は不要で、外部の数学・知覚ベンチマークへの転移も報告されています。
LongZero: Enhancing Long-Context Reasoning in LLMs from Zero Data
説明LongZero：外部データなしで大規模言語モデルの長文脈推論を高める手法
要約本論文は、大規模言語モデルが外部データを一切使わず、自ら生成した学習課題で長文脈推論を向上させるLongZero手法を提案しています。モデルはまず問題・解答・根拠を構造化された形で合成し、その後根拠を長い複数文書の文脈に展開します。自己生成の多段階推論課題と多段階検索課題をGRPOで学習させ、2つのモデルと5つのベンチマークで評価した結果、実タスクへの汎化と両ベースラインを上回る性能が示されました。
★★★★☆ 注目
Rethinking Video Autoencoders for Interactive World Models
説明対話型ワールドモデルのための動画オートエンコーダの再考
要約本論文は、対話型動画ワールドモデルでどのように映像表現を圧縮すべきかを検討しています。時空間の複数の圧縮率にまたがる因果的拡散表現オートエンコーダ群 CADRE を提案し、操作とナビゲーションの2分野、各2環境で同じワールドモデルを学習して比較しています。CADRE は遅延と画質のトレードオフの大部分のフロンティアを形成し、デコーダや時間・空間圧縮に関する知見も示しています。
注目点多様な時空間圧縮に対応する因果的拡散表現オートエンコーダ族を提案し、圧縮が世界モデルに与える影響を二領域四環境で体系的に比較している。
Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation
説明重要な箇所により多く計算：系列推薦のためのアイテム単位の適応的再帰手法
要約既存の系列推薦モデルは、ユーザー履歴の各アイテムに一律の計算量を割り当てています。本論文は、アイテムごとに必要な計算量が大きく異なり、一律の割り当ては無駄が多く推薦精度も損なうと指摘します。提案手法LoopRecは、同じ重みのブロックを再帰的に適用し、各再帰の境界で軽量なゲートがアイテムごとに終了か継続かを判断します。4種類のバックボーンと公開ベンチマークで、同条件の固定深度モデルを上回ったと報告されています。
VoxProg: 3D Spatial Reasoning through Voxel Programming
説明VoxProg：ボクセルプログラミングによる3D空間推論
要約本論文は、言語モデルが空間指示を実行可能なプログラムに変換し、シーン表面の局所ボクセル表現上で関連領域を特定して目標姿勢（SE(3)）を計算する手法VoxProgを提案しています。実行結果の視覚的・数値的フィードバックを用いて、モデルはコードを反復的に修正します。著者らは71タスクからなるVoxProg-Benchを構築し、複数のベンチマークで既存のベースライン手法を上回ったと報告しています。
PhysiCalWorld: In-Context Physics Calibration for World Models
説明PhysiCalWorld：世界モデルのための文脈内物理キャリブレーション
要約既存の世界モデルは、現在の映像フレームや短い履歴だけからシーンを捉えることが多く、質量分布、関節の減衰、表面摩擦など遷移のダイナミクスを決める物理特性を反映しきれません。そのため予測が経験的な事前分布に引き寄せられ、新しいシーンで大きくずれることがあります。本論文は、テストシーン内で収集した探索的な相互作用クリップを、コンパクトな物理記述子トークンに符号化して世界モデルを校正するPhysiCalWorldを提案します。微調整も解析的な物理モデリングも不要で、学習に物理ラベルは使いません。四つの多様な物理条件の環境で評価し、ロールアウト予測精度と視覚的計画の成功率の向上を示しています。
★★★★☆ 注目
A Quasipolynomial Algorithm for ℓ_∞ Contractions
説明ℓ∞ 縮小写像のための準多項式アルゴリズム
要約本論文は、ℓ∞ノルムに関する任意のd次元非拡大写像のε近似不動点を、時間 log(1/ε)^{O(log² d)} で計算するアルゴリズムを提示する。中核となるのはブースティング論法で、探索領域を幾何級数的に縮小する。また、このアルゴリズムから、単純確率ゲーム（simple stochastic games）を準多項式時間で解けることも導かれると述べている。
注目点ブースティング論証で探索領域を幾何級数的に縮小し、ℓ∞非拡大写像の準多項式時間不動点アルゴリズムを与え、単純確率ゲームの準多項式解法を導く。
ALPS: Visual State Encoders for World Models
説明ALPS：世界モデル向けの視覚状態エンコーダ
要約本論文は、物理状態情報、言語整合、ピクセル再構成を一組のパッチトークンに統合した事前学習済み視覚状態エンコーダALPSを提案します。著者らは静止画とテキストのみを用いてViT-B/16を一から事前学習し、クロスビュー自己蒸留で改良しました。15の公開エンコーダとの統一評価では、ViT-Bモデルの中でLIBERO状態プローブ誤差が最も低く、方策の成功率も高い結果となりました。
★★★★☆ 注目
Self-normalized Bernstein Inequalities for Regenerative Processes and Applications to Learning Without Independence
説明再生過程に対する自己正規化ベルンシュタイン不等式と、独立性を仮定しない学習への応用
要約本論文は、有限の平均周期長をもつ独立同分布のマーク付き周期からなる再生過程上の有界関数に対する自己正規化ベルンシュタイン不等式を証明する。この界は観測された周期長を用い、打ち切り項と観測期間の終了後に終わる周期に対応する明示的な項を保持している。有限の決定論的集合からチューニングパラメータを選ぶことで、再生時刻の裾に関係する一項を除き、すべての項が経験的な量となるベルンシュタイン不等式が得られる。非独立同分布の再生データに対する分類の汎化誤差界を示し、サンプルサイズと期待再生時間の観点で極小極大最適であることを示す。さらに、再生強近似と観測可能なブロック分散推定量を組み合わせ、ガウス近似も得ている。
注目点再生過程に対する自己正規化Bernstein不等式を導出し、非独立データの学習汎化誤差界に応用。理論的に新しく、最小最適性も示され、分野への影響は中程度。
The role of locality and weight sharing in convolutional neural networks
説明畳み込みニューラルネットワークにおける局所性と重み共有の役割：教師-生徒モデルによる研究
要約本論文は教師-生徒モデルを用い、確率的勾配降下法で学習する畳み込み生徒と局所結合生徒の学習ダイナミクスを比較し、それを記述する常微分方程式を導出している。位置間の相関がない場合、畳み込み生徒は P 倍速く学習し、局所性はサンプル複雑度に影響することが示される。位置間に相関がある場合、空間相関が重み共有の利点を弱めることが述べられている。
★★★★☆ 注目
Environment Duels: A Microcosm of LLM Co-Evolution
説明環境デュエル：LLM 同士の共進化を映す縮図
要約本論文は、複数の最先端 LLM が互いに特権ヒント付きのインタラクティブ環境を作成し、他モデルの出題を解く動的エージェントベンチマーク「Environment Duels」を提案しています。解答能力と出題能力は別のスキルであり、小型モデルの方が他者の解き方から多くを学ぶことが示されています。また、対戦結果は推移的で安定したランキングになり、強化学習の実験では環境の学習効果が推論などのベンチマークに転移することも報告されています。
注目点問題作成と解答を分けて評価する対戦型ベンチマークを提案し、強化学習実験で学習効果と作問者の関係を検証しており、分野への示唆が大きい。
★★★★☆ 注目
The End of Consensus Research?
説明コンセンサス研究の終わりか？——AIが発見した新プロトコル A-greement の紹介
要約AI の支援により発見された、地理的に複製された状態機械向けの新しいコンセンサスプロトコル A-greement を紹介しています。5台または9台のレプリカを用いた6種類の配置で、平均レイテンシは最速のベースラインに比べ、書き込み中心の負荷で12.2%、読み取り中心の負荷で33.3%削減され、読み取り専用の負荷では最速のベースラインと同等でした。また、AI-greement というエージェント基盤を提案し、人間の専門家が依然として不可欠だと論じています。
注目点A-greement合意プロトコルを提案し、Lean形式検証で既存プロトコルの脆弱性を発見。6構成で最速ベースラインより遅延を低減しており、根拠は比較的充実している。
Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research
説明Quant-Arena：量的取引研究を行うLLMエージェントの評価ベンチマーク
要約本論文は、実際のA株市場データを用いて大規模言語モデルが量的研究を一通り行えるかを評価する、ベンチマーク兼公開ランキング「Quant-Arena」を提案しています。モデルは特徴量と銘柄スコアリングのコードを作成し、2022〜2023年のデータでのみフィードバックを受け取り、封印された2024年での評価用に一つの戦略を固定します。評価では取引制約と取引コストを適用し、実現超過収益を中心に、信号の質と特徴量の多様性も加味します。九つの最先端モデルを評価した結果、GPT-6 Astraが最高得点となりましたが、2024年に等ウェイト市場を上回ったモデルはありませんでした。
★★★★★ 注目
Minimax Optimality of the NPMLE for Gaussian Mixtures in Hellinger Distance
説明ガウス混合分布に対するNPMLEのHellinger距離における ミニマックス最適性
要約本論文は、非パラメトリック最尤推定量（NPMLE）を用いて単変量ガウス混合密度を推定する問題を分析する。真の混合測度がサブガウス型の場合、制約なしのNPMLEは二乗Hellinger距離でミニマックス最適速度 log(n)/n を達成することを示す。真の混合測度がコンパクト台を持つ場合には、コンパクト区間に制約したNPMLEも、やや速い log(n)/(n log log n) の最適速度を達成する。さらに、有界事前分布を持つガウス経験ベイズ問題において、NPMLEに基づくg-モデリング手法が後悔最適性を持つことを示す。
注目点ガウス混合のNPMLEが二乗Hellinger距離で最小最大最適率に達することを示し、局所括弧エントロピーの鋭い評価を与えた。理論的進展は大きいが影響は統計理論と経験ベイズに限られる。
Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use
説明マルチモーダル身体性エージェント：コンピュータ利用からロボット利用までを貫く能力中心の統一的視点
要約本論文は、多モーダルなタスク推論と物理的行動を結びつけ、その結果のフィードバックに応じて判断を修正する目標指向型システムとして、マルチモーダル身体性エージェント（MMEA）を定義しています。著者らは、知覚・行動効果の予測・計画・実行・結果の検証という五つの機能からなるPAPAVフレームワークを提案し、コンピュータ利用型エージェントとロボットシステムを比較します。64のベンチマークを調査した結果、評価は主に実行に集中しており、予測と検証を評価するものは少ないと指摘しています。
Velocity Ambiguity Profiles: Time-Resolved Bayes-Risk Diagnostics for Flow Matching
説明速度の曖昧さプロファイル：フローマッチングの時刻別ベイズリスク診断
要約フローマッチングは通常、補間時刻で平均した損失のみを報告するため、本質的な曖昧さに制限される領域とデータ不足に制限される領域を区別しにくい。本論文は、時刻ごとのベイズリスク下限である速度曖昧さプロファイル（VAP）を導入し、時刻別損失を下限と、データ増加や推定器の変更で減らせる超過項とに分解する。ガウス混合の制御実験とCIFAR-100の特徴量フローの実験で、この診断により両種類の制限領域を特定できることを示している。
Asymmetric On-Policy Distillation Learns In-Context Exploration
説明非対称なオンポリシー蒸留による文脈内探索の学習
要約本論文はASTEROIDという、部分観測下の逐次意思決定でテスト時の探索を学ぶ学生・教師型の教師あり学習フレームワークを提案します。学生はまず自身の履歴から同方策の文脈を集め、特権的な専門家がその文脈に条件づけた行動ラベルを与えます。論文によれば、十一の環境で強化学習のベースラインや最先端モデルを上回り、シミュレーションで学んだ方策を視覚のない実機ロボット操作に転移できたとされています。
BatchBench: Benchmarking AI Robustness to Batch Effects and Domain Shift in Biomedical Images - A JUMP Cell Painting Leaderboard
説明BatchBench：生物医学画像におけるバッチ効果とドメインシフトへのAIの頑健性を測るベンチマーク（JUMP Cell Painting リーダーボード）
要約本論文は、未知の実験バッチやデータソースに由来する生物医学画像に対して、AIシステムの頑健性を評価・比較するリーダーボード「BatchBench」を提案している。基盤となるのは公開されている大規模な生物医学画像データセットJUMP-CPで、Cell Painting法により生成され、顕著なバッチ効果とドメインシフトを示すため、分布変化への頑健性を評価する挑戦的なテストベッドとなる。
Did the Problem Actually Get Harder? Testing LLMs on Paired P and NP-Complete Problems Hardened by Adversarial Multi-Agent Rewriting
説明問題は本当に難しくなったのか？敵対的マルチエージェント書き換えで難化させたPとNP完全の対問題によるLLM検証
要約論文はP2NPCBenchを提案し、多くのNP完全問題に、わずかな構造の違いしかない多項式時間（P）問題を対応させています。敵対的マルチエージェント枠組みAgentGANで教科書的な手がかりを除くように問題文を書き換え、2,114件の問題を作成しました。12のモデルの評価では、NP完全問題の正答率（pass@1で35.4%）がPの対問題（63.8%）より低いことが示されています。論文は、この差の一部が複雑度の違いではなく教科書的表現への慣れによるものだと述べています。
Implementation of Dynamic Microsegmentation for a Multi-Robot Network
説明マルチロボットネットワークにおける動的マイクロセグメンテーションの実装：実験室での実証
要約本報告は、商用のソフトウェア定義マイクロセグメンテーションツールを用いて、マルチロボットのIoTネットワークに動的マイクロセグメンテーション機能を実装した実験室での構成を説明するものです。資産の機能や健全性のタグに基づいてセグメントを調整する細粒度の動的ポリシーを定義し、その実装も自動化しています。指摘された脅威をリアルタイムで自動的に隔離しつつ、影響を受けていない運用は維持されることが示されています。
Benchmarking Model Compression Techniques Across Heterogeneous Edge Platforms: A Predictive Maintenance Use Case for Rotating Machinery
説明異種エッジプラットフォームにおけるモデル圧縮技術のベンチマーク：回転機械の予知保全への応用
要約本論文は、産業用エッジ機器のハードウェアの多様性や、モデル圧縮の効果が分かりにくいという課題に対し、回転機械の予知保全向け畳み込みニューラルネットワークに4種類の最新モデル圧縮技術を適用して比較分析したものです。圧縮モデルは、制約の大きいエッジ機器から高性能プロセッサまで9種類の計算プラットフォームで評価されました。その結果、知識蒸留（ナレッジディスティレーション）が最も効果的で、全機器で推論速度が90%以上向上し、平衡F値は91.22%、モデルサイズは98.9%削減され、予測性能の低下はわずかであったと報告しています。
Differentially Private Sparse Reward Estimation with Preference Feedback
説明選好フィードバックを用いた差分プライバシー付きスパース報酬推定の研究
要約本論文は、人間フィードバックによる強化学習（RLHF）において、利用者のプライバシーを守りながら報酬モデルを推定する方法を扱う。人間の選好は少数の関連特徴によって決まると仮定し、Bradley-Terry-Luceモデルのもとで、サンプルレベルとラベルレベルの差分プライバシーに対応する効率的なアルゴリズムを提案している。理論的にはパラメータ推定誤差の上界と下界を示し、感情生成と安全性整合のベンチマークで稠密なベースラインより優れた結果を報告している。