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。
説明シャープネス認識直交化モメンタムアルゴリズム（SOMA）：大規模言語モデル学習向けの最適化手法
要約本論文は、シャープネス認識最小化（SAM）の敵対的摂動と Muon オプティマイザを組み合わせた、シャープネス認識直交化モメンタムアルゴリズム（SOMA）を提案しています。摂動には過去の確率的勾配ノイズを用いることで、追加の計算コストを抑えています。著者らは、SOMA のサンプル複雑度が摂動方向に依存しないことを理論的に示し、重い裾を持つ勾配ノイズに対する頑健性を検討しています。また、大規模言語モデルの学習後量子化による品質低下と、ファインチューニング時の破滅的忘却への効果も調べています。
説明層の間を読む：視覚Transformerにおけるクロスモーダル整合と表現の階層
要約本論文は、Transformerベースの視覚エンコーダがテキストとその意味をどのように処理するかを、レンダリングされた文字と視覚概念のクロスモーダル整合、ならびに探索と検索による分析を通して調べています。層ごとの分析では、強いクロスモーダル対応は最も深い層にのみ現れ、単一モダリティの物体・文字認識が発達した後に、表層から意味表現へと進むことが示されています。この階層は対照学習で訓練されたモデルで最も明確であり、より大規模な自己教師ありモデルやテキスト豊富な学習データは、明示的な言語監督がなくても類似の振る舞いを部分的に支えます。
説明DualGSL：事前情報に導かれるグラフ構造学習とノード適応型予測融合
要約本論文は、トランスダクティブなノード分類のためのDualGSLを提案しています。これは、ノードごとに学習した重みで二つの伝播経路の予測を組み合わせる手法です。事前分岐は特徴グラフに仮想クラスノードを加えて訓練ラベル情報を取り込み、構造分岐は学習された類似度グラフと特徴グラフの事前情報を組み合わせます。AMG18マルウェア帰属データセットおよび20News、USPS の各ベンチマークで七つのベースラインと比較した結果、データセット横断の平均正解率とMacro-F1が評価手法中で最も高くなりました。AMG18での アブレーション実験も、logit融合による事前情報と学習伝播の組み合わせの有効性を示しています。
説明MDMR-Bench：複数参照画像生成のための多次元ベンチマーク
要約本論文は、複数の参照画像と指示文から画像を生成するモデルを評価する多次元ベンチマーク MDMR-Bench を提案している。実体融合と属性転写、単一画像からの複数要素抽出、インフォグラフィックの操作、視覚推論を要する生成の4つの評価サブセットで構成される。また、全体的な採点だけでなく、大域的および原子的な質問からなるチェックリストで生成品質を細かく評価する手法を導入し、オープンソースとプロプライエタリなモデルの両方で検証している。データセットとコードは公開されている。
説明AutoMIL：全スライド画像分類のための自動化マルチインスタンス学習フレームワーク
要約本論文は、自動機械学習の考え方を用いて前処理、学習、評価などの工程を自動化するオープンソースのフレームワークAutoMILを提案しています。既定設定でのベンチマークでは、UBC-OCEANでROC-AUC 0.94、PCamで0.99、TCGA-NSCLCの一部で0.93～0.96を達成し、関連研究の専用パイプラインと同程度でした。アンサンブルは主に不均衡データで性能を改善したとされ、自動化パイプラインがデータセットの特性に適応する必要があると示しています。
説明DIGOM：マルチモーダル医療における転帰予測のための分離型相互作用グラフ（患者データ間の関係をモデル化する手法の提案）
要約本論文は、患者内のクロスモーダル、患者間の同一モーダル、患者間のクロスモーダルという3種類の相互作用をグラフで同時に扱うDIGOMフレームワークを提案しています。微分可能な仕組みで疎な隣接行列をサンプリングし、MIMIC-IVとNIH-TBの2つのデータセットにおける5つの臨床予測タスクで評価しています。論文によれば、5タスクすべてでAUROCが最高値を示し、欠損モダリティに対しても頑健だとされています。
説明POSEIDON：コードリポジトリから科学エージェント用の学習環境を大規模に生成する手法
要約本論文は、科学コードリポジトリから多様で検証可能な学習環境を自動生成するパイプライン POSEIDON を提案します。科学ワークフローを再現、サブフロー、補完、修正の4種類のタスクに分解し、失敗した候補を再帰的に改善する仕組みも備えています。これを用いて構築された Pearl は、10の科学分野にわたる7110の公開リポジトリfrom得た97659の環境で構成されます。Pearl で学習した Qwen3.5 モデルは、6つの科学エージェントベンチマークで一貫した向上を示しました。
説明患者ペルソナと臨床ワークフローの分離：現実的な医療対話生成のためのデュアルエージェント手法
要約本論文は、診察前の医療対話を合成するための制御可能なデュアルエージェント枠組みCoRPS-Dialを提案します。ペルソナに基づく患者エージェントとプロセス誘導型の医師エージェントの対話により生成し、役割の一貫性、ワークフローの完全性、テキストの一貫性について品質管理を行います。冠動脈疾患を対象とした実験では、情報の網羅性、臨床的遵守、対話の自然さの点で実際の対話との整合性が向上し、下流の微調整実験でも有用性が確認されました。
説明マルチモーダル蒸留により、テキストを特権情報として用いる細粒度視覚分類の学習
要約本論文は、非常に似たカテゴリを区別する細粒度視覚分類（FGVC）のための FG-LUPI フレームワークを提案します。学習時にテキストの属性記述を特権情報として利用し、ゲート付きクロスアテンションでマルチモーダル教師モデルを学習したうえで、多層的な蒸留により画像のみを入力とする生徒モデルへ知識を移します。複数のベンチマークで分類精度が強力な ViT ベースラインを上回り、予測校正誤差（ECE）も改善されました。推論は画像のみで行えます。
説明SCI-AGENT-EXAM：科学研究タスクにおけるエージェントのベンチマーク
要約本論文は、研究ワークフローを軸にしたベンチマーク SCI-AGENT-EXAM を提案します。11 の科学分野と 7 種の研究タスク類型にまたがる 120 件の専門家作成タスクを含みます。評価では、実行可能な成果物に対する決定的なプログラム検証と、専門家による検証を経た LLM 判定器を組み合わせています。10 の最先端 LLM エージェントによる実験では大きな性能差が見られ、最高総合スコアは 80.9 ですが、その実行の 26.0% のみが成功閾値 0.95 を超えました。
説明PROVE：パッチ単位の証拠に基づく視覚言語モデルの確率的視覚的グラウンディング
要約本論文は、凍結したCLIPモデルの上に載せる後処理アダプタPROVEを提案します。各画像パッチをBeta分布に写像し、定位結果とともに不確実性も出力します。各パッチが指示対象に属するかを証拠学習で判定し、対象が存在しない場合は事前分布に近づく学習を行うことで、不確実性を対象不在の指標として用います。著者らは、定位性能が既存のCLIP手法と競合し、不確実性が定位誤差と対応し、対象の完全な不在も検出できると報告しています。
説明長期LoRaWANネットワークのデータ品質監査と温湿度の二変量解析
要約本論文は、パリのTour Perretで運用された長期LoRaWAN環境IoTデータセット（約42万フレーム、2021年から2023年）を対象に、C++17による処理パイプラインを提案する。分析前に各変数のカバレッジを監査した結果、CO2は完全に欠落し、気圧は1つの基地局からのみ得られたため、温度と湿度の組に分析を絞った。異常検知、主成分分析、クラスタリング、多層パーセプトロンを組み合わせ、相関係数は-0.662、交差検証のR²は0.672であった。
説明スペクトル最適化された陰的ニューラル表現による頭蓋内4D Flow MRIの画質トレードオフ緩和
要約本論文は、頭蓋内4D Flow MRIにおける分解能、撮像時間、ノイズの間のトレードオフに対し、調整可能なスペクトルバイアスを持つ陰的ニューラル表現（INR）による教師なし再構成フレームワークを提案しています。健常者と中等度から重度の頭蓋内動脈硬化症を含む9症例で評価され、コホート全体で最適なスペクトル設定が個別最適値と比べわずかな誤差増加で被験者間に一般化することが示されました。データ駆動型INRは数分で物理情報を用いた手法に近い性能を達成し、撮像ノイズや一定程度のVENC依存エイリアシングに対しても頑健でした。
説明対話と発話の階層的報酬を用いた強化学習によるプロファイル駆動型ユーザーシミュレーション（タスク指向対話向け）
要約本論文は、金融マーケティングの架電などの高付加価値な場面に向けて、タスク指向対話データの不足を補うためのユーザーシミュレーション手法ProfileSimを提案している。人口統計属性とビッグファイブ性格特性からなるユーザープロファイルと、実際の通話記録から逆算した業務プロファイル（意図）を共同でモデル化する。対話レベルと発話レベルの階層的報酬を用いたGRPOで最適化しており、評価された他のユーザー生成器と比べ、口語的な自然さとプロファイルへの忠実性で優れているとされる。
説明Tempo-Zero：実行可能な世界での再帰的自己対戦による動画推論手法
要約本論文は、動画推論のための自己改善フレームワーク Tempo-Zero を提案します。モデルは実行可能なプログラムで生成された動画環境の中で自ら問題を作成して解答し、多数決のような合意ではなく、実行結果に基づく報酬で学習します。さらに、タスクや難易度、環境のルールも段階的に調整されます。12の実世界動画ベンチマークで、基礎モデルや最近の自己対戦手法を平均して上回り、時間的定位タスクで特に大きな向上が見られたと報告されています。
説明いつ行動へのペナルティをやめるか？VLA強化学習のためのマルチンゲールGRPO
要約本論文は、視覚・言語・行動（VLA）のロールアウトが失敗しても、すべての行動が失敗の原因とは限らないと指摘します。従来のGRPOでは一つの軌道レベルの優位性がすべての行動に割り当てられ、誤りを修正するための有益な回復試行まで罰せられてしまいます。著者らは成功確率と方策スコアのマルチンゲールを用いて失敗フィードバックの理想的な停止条件を示し、その上でMART-GRPOを提案します。これは微調整された視覚言語モデルで最後に観測された誤りを特定し、その区間だけで失敗フィードバックを保持する手法です。RoboTwin 2.0上でOpenVLA-OFTを用いた実験では、完全軌道のGRPOより成功率が向上したと報告されています。
説明Async-RBench：LLMエージェントの非同期タスク実行を評価するベンチマーク
要約本論文は、LLMエージェントがサブエージェントの結果を非同期に受け取る場面を評価するベンチマーク Async-RBench を提案している。200 個の実行可能なタスクを 8 つのシナリオで構成し、結果の到着を制御する仕組みと、応答の内容を規定する事象応答契約（ERC）を導入している。動的再計画スコア（DRS）はタスク成功率とは別に報告され、9 つのエージェントの評価では DRS が 19.2 から 45.1 の範囲となった。非同期配信のタスク成功率は、一括配信より平均で低いと報告されている。
説明Cycle-of-Thought：文書画像における表の視覚質問応答のための自己評価型反復推論
要約本論文は、視覚言語モデル（VLM）が表などの構造化された内容で推論すると、空間的なずれや論理的な幻覚が生じて不安定になる問題を扱っています。提案手法Self-RefineVQAは、追加の学習データやモデル更新を必要とせず、推論時に自己修正を行う枠組みです。単一のモデルが生成者、批評者、修正者として反復的に動作し、単一言語および言語横断の表質問応答ベンチマークで精度向上を示し、特に小規模モデルで効果が大きいとされています。
説明時変有向グラフ上の確率的 Push-Pull における線形高速化の限界
要約本論文は、確率的 Push-Pull（Stochastic Push-Pull）アルゴリズムが時変有向ネットワーク上でもネットワーク規模 n に対する線形高速化を維持できるかを検討している。周期 2 のネットワーク上の二次の分散型問題を構成し、時変有向グラフでは線形高速化が得られない場合があることを示している。周期 p のネットワークについては有効ノード数 n_eff≤n を定義し、滑らかな非凸目的関数に対して上界と対応する下界を示し、主要項は Θ(1/√(n_eff T)) となる。
注目点周期的ネットワーク上の反例と一致する上下界を示し、時変有向グラフで線形高速化が失われることを明らかにした。子分野への影響は中程度。
説明LLM アノテーターは人間の一致性に匹敵するか？人間の合意度ベンチマークと対照的知識によるマルチエージェント最適化
要約本論文は、7 つの分野・モダリティにまたがるデータセットからなる ANT-A ベンチマークを提案し、各事例に 5 名の独立した人間ラベルを付与しています。Fleiss kappa を用いて、モデルの注釈が人間のラベル分布にどれだけ近いかを評価します。さらに、正負のフィードバックから対照的な判断ルールを抽出してプロンプトを改善する多エージェント注釈フレームワーク ANT-OR を提案しています。実験では、ANT-OR が agreement@>=2 精度で最強のベースラインを上回り、Fleiss kappa で人間の分布と最も高い一致を示したと報告されています。
説明動力学のランダム化は文脈推論をいつ検証できるか？
要約本論文は、動力学をランダム化した環境で明示的な文脈推論が有効かどうかを検討しています。残りの一段先予測情報を「予測ヘッドルーム」と定義し、離散・連続環境で分析しています。核の差が小さい場合や訪問により文脈が既に分かる場合にヘッドルームは低く、状態要素のリセットで増加すると報告しています。ランダム化パラメータとともにこの値を示すことが提案されています。
説明AlphaAnything：事前学習済みRGB生成器をRGBAに拡張する手法（透明度付き画像）
要約本論文はAlphaAnythingという軽量な枠組みを提案し、RGBA再構成の追加事前学習なしに、事前学習済みRGB生成器を元の潜在空間のままRGBA生成へ拡張します。生成Transformerに LoRA モジュールを挿入し、凍結したRGB VAEデコーダに透明度分岐を付加するとともに、固定された潜在変数に対するRGB復号結果は変わらないようにしています。さらに端点認識型アルファ損失（EA Loss）を導入し、テキストからRGBA、画像からRGBAの両タスクで競争力のある結果を報告しています。
説明LeafSkill：再帰型大規模言語モデルエージェント向けの効率的な葉ノード行動接地手法
要約再帰型大規模言語モデル（LLM）エージェントは、原子的なサブタスクを実行する際に、同じ大型モデルを繰り返し呼び出して既知の指示を実行可能な行動に変換することが多いと論じています。著者らは、モデルの外部で関連する接地経験を検索し、行動テンプレートを現在の対象に結び付け、1.7Bの選択器で結び付いた行動を採用するか元のエージェントに委ねるかを決めるLeafSkillを提案しています。200件のRobotouille課題の独立確認セットでは、LeafSkillは137件を完了し、ReCAPは121件でした。両方が完了した106件では、Qwen3.5-27Bのトークン消費と呼び出し回数が減少しています。
説明マルチモーダルLLMの検索ヘッドをより広く見る
要約本論文は、長い入力から関連する根拠を見つけるマルチモーダル大規模言語モデルの仕組みとして、少数の検索アテンションヘッドを検証しています。音声・映像を新たなモダリティとして加えると、検索ヘッドは疎なまま多くがモダリティ間で共有されることが示されています。これらのヘッドを無効化すると音声・映像の検索はほぼ消え、さらにランキング目的で最適化すると文書検索が改善しています。
説明TIE：学習不要の CLIP 埋め込み誘導による構成的テキスト画像整合手法
要約テキストから画像を生成する拡散モデルは、属性の不一致や物体の欠落を起こすことがあり、その原因として CLIP テキストエンコーダの細かな意味情報を捉える能力の限界が指摘されています。本論文は埋め込みレベルの分析に基づき、推論時に一度のテキスト埋め込み更新で意味の整合性を高める TIE を提案しています。多概念の場面で、サンプリングの追加負荷を小さく抑えつつ意味の忠実度を向上させたと報告しています。
説明第3回 WEAR チャレンジにおけるシャッフル済みマルチモーダル窓の誤差予算：スタッキング、回数制約、接続点マッチング
要約本論文は、第3回 WEAR データセットチャレンジで構築されたシステムの実証分析です。このチャレンジでは、未知の4名の参加者について、順序がシャッフルされた1秒ごとの窓に活動ラベルを付与します。システムは窓分類器のスタッキングと、動画近傍グラフに基づく特徴量を組み合わせ、活動ごとのソフトな回数制約を持つ平均場デコーダで参加者の全窓を同時にラベル付けします。シミュレーションでは、スタッキングによりマクロF1が約0.051向上し、回数制約により約0.011向上しました。一方、接続点距離は効果がほぼありませんでした。非完全帰納的な推定である点も明記されており、最終的な Kaggle 非公開リーダーボードのスコアは 0.9231 でした。
説明補助タスクからのテスト時逆伝播を用いた対話型画像診断
要約本論文は、補助タスクのテスト時逆伝播を利用する多タスク勾配補助（MGA）法を提案し、追加学習なしで多タスクモデルに対話性を持たせるものです。放射線科医が補助タスクの予測にフィードバックを与え、CADに追加の診断提案を求めることができます。マンモグラフィとCTの2つのデータセットで、MGAは様々な補助タスクへのフィードバック後に診断精度を向上させ、順伝播のみを用いる既存手法より頑健であり、組み合わせるとさらに精度が上がることが示されています。
説明機械学習におけるロバスト性の測度幾何学的理論
要約本論文は、機械学習のロバスト性を測度幾何学の観点から体系化する基礎理論を提案します。ロバスト性は、参照測度、摂動ゲージ、許容される実現機構のもとで、保持されたタスク状態からの「逃避」として定式化されます。理論は、参照多様体上での逃避の構造的可能性と、観測可能な読み出しに依存する実際の実現を区別し、脆弱な質量、有限スケールの形態、実際の進展、分岐の一貫性を明確な法則で記述します。
説明PULSES：自律的な励起状態モデル構築と動力学のためのマルチエージェント AI システム
要約本論文は、励起状態の分子シミュレーションで機械学習モデルを構築する工程（コンフォメーションサンプリング、量子化学によるラベル付け、学習、検証、動力学計算）を自動化するマルチエージェントシステム PULSES（Paired agents for Unified Learning and Simulation of Excited States）を提案しています。システムは専門家が承認した範囲内で動作します。15 の計算化学タスクで評価され、ペリレンの励起子ハミルトニアン、溶媒依存のビフェニル緩和、10-ヒドロキシベンゾ[h]キノリンの励起状態プロトン移動への適用例が示されています。
説明PASTA：指定した余白領域を保ちながら画像を生成する、プロンプト認識型のアニーリング拡散サンプリング手法
要約拡散モデルは高品質な画像を生成できますが、実際のデザインでは見出し、ロゴ、UI要素のために一部の領域を空けておく必要があります。既存のレイアウト対応手法では、その領域を厳密に保つことが難しく、不要な内容が入りがちです。PASTAは学習を必要としない枠組みで、サンプリング中に物体の配置を許可する領域にだけ意味的なガイダンスを適用します。マスクによって誘導される共有潜在軌道上で、全体プロンプトと文脈プロンプトのガイダンスを統合します。実験では、全体の写実性と知覚的一貫性を保ちつつ、余白領域の忠実度が向上することが示されています。
説明KnitTrans：大規模言語モデル強化学習のための協調型トラジェクトリ転送システム
要約本論文は、大規模言語モデルの強化学習において、ロールアウトから訓練へのトラジェクトリ転送を最適化するKnitTransシステムを提案しています。制約を保つミニバッチ受け入れ、オンデマンドのデータアクセス、マルチモーダルエンコーディングの重複排除という3つの設計で転送経路を協調させます。実験では、訓練バッチ単位の受け入れと比べてアーキテクチャ上の陳腐化が最大93%低減し、マルチモーダル処理では転送遅延が2桁減り、転送と訓練を合わせて最大5.8倍の高速化が報告されています。
説明学習者の母語識別における音響と語彙の信号の比較
要約本論文は、英語学習者の音声とそれに対応する書き起こしテキストから母語を識別する方法を研究している。WavLMベースの音声分類器と、書き起こしを用いるゼロショットGPT-4o分類器を比較し、CEFRレベルごとに予測結果を分析している。完全な書き起こしがある場合は全体として音声分類器が優れるが、その強みは学習者の習熟度によって異なる。テキストの正確さは習熟度とともに上がり、音声の性能は比較的安定している。
説明UniWorld：リアルタイム視覚世界シミュレーションのための統一世界モデル
要約本論文は、共有の動画生成モデル内で深度軌跡と参照外観を統合し、連続的な視覚世界シミュレーションを行う統一フレームワークUniWorldを提案する。ノイズ整合の重なり継続とローリング深度潜在状態により、生成済みの履歴を保持しつつ、活性な深度状態をウィンドウサイズに抑える。著者らは、定常状態のDiT実行経路でリアルタイムの生成スループットを達成し、キャッシュ版と増分版の出力がビット単位で一致すると報告している。
説明DealsFlow：証拠ゲート付きのエージェント型ベンチャーキャピタル案件トリアージ枠組み
要約本論文は、英国の初期段階ファンドに導入された、人間が関与するエージェント型フレームワーク DealsFlow を紹介しています。大規模言語モデル（LLM）がピッチデッキを読み、証拠を引用して各カテゴリを評価し、コードがその評価を統合・上限設定し、引き下げのみを行います。結果が記録された243件の投資のうち、3年以上経過した142件で評価したところ、完全なパイプラインの評点は、制約のないLLMより総価値倍率との相関（Spearman ρ=0.45）と、償却（損失）案件の識別（AUC 0.71）がわずかに高くなりました。ただし、検索に日付制限がなかったため、スクリーニング能力は過大評価されている可能性があると著者らは指摘しています。
説明Sam-Correction：医用画像セグメンテーションのための完全適応型ラベルノイズ低減法
要約医用画像セグメンテーションでは、アノテーションの不一致により正解マスク（GT）にノイズが含まれやすい。本研究はSAM-Correctionを提案し、基盤モデルSegment Anything（SAM）を用いて、人手で高品質なマスクを用意することなく、ノイズを含むGTマスクを段階的に補正する。SAMへのプロンプトは、同時に学習させる別のセグメンテーションネットワークから与えられる。実際の人手アノテーションに由来する各種ノイズでの実験では、精度の高いノイズ低減と高性能なセグメンテーションモデルの学習が示され、クリーンなラベルが全く利用できない場合にも有効であるとされている。
説明固有値ベースのEigenGradCAMとAugSmoothによる多段階アルツハイマー病検出の説明可能性と精度の向上
要約本論文は、二次元の軸位MRI画像を用いてアルツハイマー病を4段階に分類する、説明可能な深層学習手法を提示しています。固有ベクトルに基づくGrad-CAMと勾配平滑化を組み合わせ、WGAN-GPで合成サンプルを生成して中等度認知症クラスのデータ不均衡を補正しています。Best Alzheimer MRI Datasetでのテスト精度は97.2%、マシューズ相関係数は0.944で、ヒートマップは海馬と嗅内皮質を強調しました。著者らは、さらなる臨床的検証が必要であると述べています。
説明過去は状態、現在はアテンション：長期的な音声連動モーション生成のための持続状態ブロック単位フローマッチング
要約本論文は、音声に合わせて人体の動きを生成する長時間の音声連動（co-speech）モーション生成を扱います。提案手法PASPAは、ブロック間の持続状態で過去の動きのスタイルを要約し、ブロック内の双方向自己注意で現在のセグメントの細かな動きを捉えます。分块フローマッチングの枠組みで実装され、公開ベンチマークではFGDで最先端の性能を示し、長い系列でも動きのスタイルを維持したと報告されています。
説明応答が運転履歴とともに変化する科学機器をマルチモーダルエージェントで適応制御する研究
要約本論文は、ショットごとに調整が必要な科学機器の制御問題を扱い、磁場閉じ込め核融合装置の中性粒子ビーム入射（NBI）イオン源の調整を代表例としています。物理量と波形画像の証拠を抽出する決定論的アルゴリズム、履歴を保持する二層メモリ、マルチモーダル大規模言語モデルによる候補動作の生成、そして実行前の独立した実行可能性チェックからなる枠組みを提案しています。5つのイオン源での監督付き運転では、409ショットのうち86.80%でビーム引出しに成功したと報告されており、論文はこの枠組みの工学的な実現可能性を示したとしています。
説明CPAB変換が微分同相写像となるための正則性条件
要約本論文は、分段アフィン速度場の積分で得られるCPAB（連続分段アフィン基底）変換について、元論文で見落とされていた数学的な点を扱います。CPAB変換は常に双Lipschitz同相写像ですが、必ずしも微分同相写像とは限りません。著者は、変換が微分同相写像であることを保証する十分な正則性条件を示し、一次元と二次元ではこの条件を容易に満たせること、一般的な分割では標準的なサンプリング仮定のもとでほぼ確実に成り立つことを述べています。三次元でも同様の振る舞いが期待されています。
説明臨床AIに潜む隠れたサブグループ間の性能差の検出と検証：アルゴリズムで患者群ごとの性能の偏りを見つけ、その有効性を検証する研究。
要約臨床で使われる機械学習モデルは、患者群によって性能が体系的に異なることがあります。本研究は、アルゴリズムによるサブグループ発見手法が性能監視に有効かを、22万枚超の胸部X線写真の心拡大分類を例に評価しました。発見されたサブグループは、従来のメタデータに基づく分析より大きな性能差を示し、多くは患者・撮影・モデルのメタデータで解釈できました。さらに概念実証として、学習されたサブグループの注釈を用いて、それらが明らかにした偏りを軽減できることが示されました。
説明FOCUS：脳波ベースの認知負荷分類のための軽量 Mamba-2 モデル
要約本論文は、限られたデータ条件下で脳波（EEG）による二値の認知負荷分類を行う、Mamba-2 ベースの小型モデル FOCUS を提案する。モデルは五つの代表的な脳波帯域を固定の FFT 分解で符号化し、パラメータ数は約 0.04 百万である。11 名を対象とした試験的研究で、全データセットに対する正解率は 74.75% であった。この管理された試験的設定の中で、性能と計算コストの好ましいバランスが示されている。
説明視覚言語モデルのモダリティ感度を探索型テストで検証する手法（MoST）
要約本論文は、画像のみ、テキストのみ、両方の同時摂動を比較し、視覚言語モデル（VLM）のモダリティ感度を明らかにするブラックボックス型テストフレームワーク「MoST」を提案している。多目的探索により摂動を選択・組み合わせ、その強度を調整して、入力の変更を抑えつつ予測の劣化を探る。ImageNetと運転画像での物体位置推定に対し4つのVLMで評価を行い、モデルごとに敏感なモダリティが異なること、一部の設定では同時摂動が単一モダリティ摂動と同等以上の効果を示すことを報告している。
説明全二重音声モデルは長い会話でなぜ崩壊するのか
要約全二重音声モデルは話しながら同時に聞けるため、自然な自由会話に有望ですが、聞いている間も毎フレーム トークンを生成するので、数分でコンテキストウィンドウを使い切ってしまいます。著者らは長時間対応のベンチマークFD-LHBを提案し、5つの最新モデルを長い再生会話とLLMとのリアルタイム会話で評価しました。その結果、すべてのモデルが最終的に劣化するかコンテキストを使い果たすことが分かりました。スライディングウィンドウ型では、最初のKVエントリが破棄される初期化アンカー退避が乱雑な出力と無音に関係すると論じ、再学習なしの二つの修正で一時間の再生まで会話崩壊を大幅に減らしたと報告しています。
説明任意のラベル空間における多クラスオンライン学習の最適リグレット
要約本論文は、任意（無限を含みうる）のラベル空間における不可知的多クラスオンライン学習の最適リグレットを確定する。多クラス Littlestone 次元が有限の任意の仮説クラスについて、T ラウンドにわたるリグレット上界 O(min{T, √(dT)}) を証明し、既知の下界と一致することを示す。これは Hanneke ら（2023）の問題に答えるとともに、Alon ら（2021）の最適二値リグレット界を拡張するものである。
注目点任意ラベル空間の多クラスオンライン学習で最適な後悔を確定し、二値分類の最適界を一般化して下界に一致する上界を示した。
説明TENET：多変量時系列異常検知のための時点エンコーディングネットワーク
要約本論文は、教師なし多変量時系列異常検知において、局所的な変動が再構成・予測誤差を膨らませ、観測空間の差分が異常を示す指標として不安定になる問題を扱います。著者らは単クラス異常検知を現在時点のシステム状態との適合性推定として捉え直し、現在時点を中心とした潜在表現を構築するTENETを提案しています。ベンチマークデータセットで最先端の性能を達成したと報告されています。
説明最終結果を超えて：マルチエージェントLLM相互作用における主張レベルの情報動態の定量化
要約本論文は、複数のLLMエージェントが相互作用する際に情報が繰り返し共有・拡張・忘却される過程を研究し、出力を原子的な主張に分解して収束・探索・保持の三つの次元で評価するRIVERを提案している。40件の制御されたニュース生成事例で五つの相互作用戦略を比較し、繰り返しプール型の相互作用は収束を促すが情報空間を狭めること、分散リレー型はより広くあまり共有されない情報を生むことを示している。集団的な情報動態は単純な下流性能よりも、基礎にある情報フローの仕組みで説明される方がよいと結論づけている。
説明4DMemory：ハーネス拡張エージェントによる長期時空間メモリの評価
要約本論文は、約900時間の動画と5,000問以上の人手確認済み質問からなるLongVideoデータセットと、4DMemoryBenchを提案する。あわせて、4種の補完的スキル、22以上の専用ツールモデル、モデル別の検索拡張生成システムを統合した4DMemory Harnessを開発した。13の主要モデルを評価したところ、単体の基盤モデルは長期タスクで苦戦し、本ハーネスはそれらの性能を向上させることが示された。
説明記憶をいつ信頼するか：分布シフト下での検索誘導型確率的時空間予測
要約本論文は、分布シフト下での確率的時空間予測のためのREMINDフレームワークを提案します。検索によって現在の観測が過去のパターンでどの程度裏付けられるかを推定し、時空間メモリバンクと二分岐構造を用います。検索類似度とメモリの分散に基づくゲートで両分岐を調整し、実データ実験で予測精度と確率予測の質の両方で既存手法を上回ったと報告しています。
説明TGR-EvoDAG：生成型推薦向けのDAGベース・マルチエージェント コード進化フレームワーク
要約本論文は、大規模言語モデルのエージェントを用いてコードを自動進化させるフレームワーク TGR-EvoDAG を提案します。対象は、トークナイズ、事前学習、アライメントを段階的につなぐ生成型推薦（GR）のパイプラインです。有向非巡回グラフ（DAG）で複数の進化ブランチを管理し有益な改良を統合するほか、段階別のコスト計画と下流との協調適応を組み込んでいます。公開の Amazon データセットでは、オフライン指標が最大37.4%向上しました。腾讯（Tencent）の商用メディアプラットフォームへの導入では、オフラインの Hit@1 が相対で12.16%、オンラインのクリック率が統計的に有意な0.40%向上したと報告されています。
注目点DAG型の多分岐コード進化と生成推薦パイプライン向けのステージ認識コスト計画を提案し、新規性は明確である。Amazonデータと腾讯の実運用でオンラインCTR向上を示している。
説明ChoreoStudio：音楽駆動のグループダンスで、隊形・変更タイミング・担当ダンサーを計画する手法
要約本論文は、音楽に合わせてグループダンスを生成する ChoreoStudio を提案します。音声を節奏特徴と構造特徴に分解し、導演（Director）モジュールが隊形の点集合、隊形変更のタイミングを決めるゲート、変更を担うダンサーの割り当ての三つの決定を出力します。これらを条件として拡散生成器が動きを生成します。著者らは AIOZ-GDance 上で、動作品質、群の組織化、隊形の動的変化において最先端の性能を報告しています。
説明視覚的関連性から学習クレジットへ：マルチモーダル強化学習における結果条件付き視覚クレジット割り当て
要約本論文は、検証可能な報酬による強化学習（RLVR）のマルチモーダル推論において、応答単位の優位性をすべてのトークンに一律に割り当てると、視覚観測と後続の推論の役割の違いが無視される問題を扱います。著者らは、視覚関連性の測定とトークン単位のクレジット割り当てを分離するプラグイン型フレームワーク OVC（Outcome-Conditioned Visual Credit）を提案し、補助的な報酬モデルや過程アノテーションを必要としません。GSPO-token に実装した場合、3 つのモデルで 6 つのベンチマーク平均精度が GSPO より 1.86〜2.39 ポイント向上したと報告されています。
説明「効果の大きさを超えて」：エージェントのスキル退役のためのスキル内在化の測定
要約論文は、公開スキルハブにある技能について、あるモデルがそれを内在化して退役させてよいかを判定する必要性を指摘しますが、既存の「効果の差」に基づく規則は信頼性が低いとしています。著者らは、スキルを提示せずにそこから合成したタスクでモデルを評価し、他のモデルがそのスキルから利益を得る場合にのみ高いスコアを信頼する手法を提案しています。四つのモデルでの実験では、既存の規則が未カバーのスキルの半数以上を誤って除去することが示されました。あわせて1,251件のスキルとタスク、スコアのデータを公開しています。
説明DeformStruct：点教師あり時系列行動定位のための変形可能構造モデリング手法
要約この論文は、各行動インスタンスに時刻を1つだけ付与した点教師あり時系列行動定位（PTAL）向けのDeformStructを提案しています。構造アンカーの発見、変形を考慮した部位アライメント、部位間の相対的時間関係のモデリングという3段階で行動インスタンスの構造を構築します。THUMOS14、ActivityNet-v1.3、GTEA、BEOIDでの実験により、定位性能の一貫した向上が示されています。
説明System One 決定モデルは優れたリランカーではない
要約本論文は、System One（決定）モデルが通常のリランカー微調整より良い再ランキングを行えるかを検証しています。Qwen の 0.6B から 27B までの 6 つのモデルと、TREC DL および BEIR の 10 のデータセットで比較しています。結果として、0.6B から 9B では重排序微調整が決定微調整を上回り、27B では両者が同等でした。
説明双曲空間で時間的証拠を整理し、動画の該当区間を検索する手法
要約本論文は、未編集の動画から質問に対応する時間区間を特定する動画モーメント検索を扱います。提案手法HTEOは、時間表現をポアンカレ球に写像し、径方向と角方向の調整によって時間的証拠を整理します。整理された表現は接空間へ戻されて軽量な残差更新でデコーダに注入されます。複数のベンチマークで時間的な位置特定が改善され、解釈可能な幾何学的整理が得られたと報告されています。
説明SKG の実践：4分野における分布外汎化の事例（SKG推論フレームワークの応用事例）
要約本論文は、SKG推論フレームワーク（SKG）の工学的な実装方法を紹介し、4つの分野での事例研究を示します。事例は、二次元の散逸力学系、物体検出のシミュレーションから実機への移行、正弦波から矩形波への系列モデリング、分子動力学 MD17 で、それぞれ基準手法と比較されています。単一実行の分散、単一シードの結果の限界、パラメータ化の不一致による負の更新についても、正直に報告されています。
説明GeoLEON-CLIP：グラフを錨とした地理領域の多モーダル対照学習
要約本論文は GeoLEON-CLIP を提案し、H3 領域ごとに OpenStreetMap から得たグラフ埋め込み、衛星画像の切り出し、テキスト記述の三つの視点を整合させる。凍結した LEON グラフ埋め込みを、視覚と言語を結ぶ意味的な錨として用いる。グラフと画像、グラフとテキストの整合は強く、チェーン型のクロスモーダル再現率 R@A@B を提案し、R@1@1 ではグラフを経由する検索が直接の画像・テキスト検索を 4.8 ポイント、4.4 ポイント上回った。下流タスクでは Airbnb と北京の住宅価格で改善が最も大きかった。
説明ハイブリッドTransformerによる電気自動車車内騒音の教師あり音源分離
要約電気自動車の車内音は、風切り音、タイヤ音、電動駆動系（駆動ユニットとインバータ）の音、補機駆動音が重なったものです。本研究はこの分解を、4つの対象音源を扱う教師あり両耳音源分離問題として定式化し、もともと音楽の分離向けに開発されたハイブリッド時間-スペクトログラムTransformerを適用しています。電動機の回転数と負荷、車速、補機の回転数などの運転状態を条件として用い、物理に基づくパラメトリックデータ生成器で学習データを合成しています。合成音と実測の車内音の両方で検証が行われています。
説明多様な摂動、共通の失敗ダイナミクス：言語モデルにおける方向依存の摂動影響の追跡
要約本論文は、意味を保つ言い換えが正しい答えを誤りに変えることがある理由を調べます。著者らは、読み出しに対して相対的で方向に敏感な枠組みを提示し、Qwen3-32BとGemma 4 31Bで、コンパクトな予約・伝達モデルによって失敗を予測しました。結果は、要素間に共通の関係があることを示す一方、方向の因果的影響は文脈に依存することを示しています。
説明Solvent：多段階レトロ合成のための長期的推論モデル
要約多段階レトロ合成では、目標分子を順次反応させて購入可能な基本原料まで分解する必要があり、近年は大規模言語モデル（LLM）の推論を活用する研究が始まっています。本論文は、80億パラメータのLLM「Solvent」を提案し、長期的推論を多段階レトロ合成へ拡張します。二段階の事後学習カリキュラムにより、反復的な合成計画、外部での入手可能性検証、適応的な経路修正を交互に行うことを学習します。実験では、強化学習後に性能が2.1倍向上し、4つのベンチマークで61.86%のスコアを達成しました。これは同規模のモデルや従来の探索ベース手法を上回り、兆パラメータ級の最先端LLMに匹敵します。
説明DMAIC-Bench：多段階分析タスクにおけるエージェントの自己反省から自己抑制へ
要約本論文は、LLMエージェントが中間的な証拠に基づいて続行・方向転換・停止を判断できるかを評価する DMAIC-Bench を提案する。リーン・シックスシグマの統計的前提に基づく、4分野15の産業事例の97タスクを用い、13モデルで検証した。GO判断では経路選択の正答率が平均92%、NO-GO判断では19%だった。盲検の専門家レビューでは、到達したNO-GO判断のうち47%で無効な証拠に基づく報告が行われていると推定されている。同じ枠組みは16の生命科学タスクにも適用された。
注目点自己抑制という新しい能力を定義し、対照的反事実タスクと13モデル・専門家盲検評価で検証、NO-GO判断の低い正答率を示し影響も中程度以上。
説明CoPiT：非構造格子上の空力場予測のための条件付き位置誘導型Transformer
要約本論文は、位置誘導型Transformer（PiT）を幾何学的バックボーンとし、多段階の特徴線形変調（FiLM）で大域条件ベクトルを注入するCoPiTモデルを提案します。非構造格子上で流れ場を予測する代理モデルとして、二次元AirfRANS翼型データと三次元BlendedNet++翼胴融合体データで評価されています。AirfRANS全データのテストセットでは、Transolverと比べて表面損失と体積損失がそれぞれ約54%と約24%低減したと報告されています。
説明記憶とスキルの双方向学習による生涯的なコンテキスト適応（MemCryst）
要約本論文は、凍結された大規模言語モデルを用いるエージェントが、限られたコンテキストウィンドウ内で継続的に学習するためのMemCryst（メムクリスト）フレームワークを提案します。記憶は過去の経験を保存し、スキルの作成と改訂を支援します。スキルに導かれた対話は、さらに新たな記憶を生みます。検索された記憶とスキルが共同で文脈を構成し、タスクの結果は、書き換えずに実際に提供された記録の将来の検索影響度を調整します。具身制御、長文読解、対話、数学、コードにわたる10の設定のうち、報告された7つの比較で首位となりました。ALFWorldでは、併用時の成功率は63.17%で、記憶のみの59.83%、スキルのみの50.50%を上回りました。
説明OlmoEarth v1.3 埋め込み：リモートセンシングデータ向けの新モデル
要約本論文では新モデル OlmoEarth v1.3 を訓練し、マルチモーダルかつ多時点のリモートセンシングデータを 64 次元または 128 次元の単一ベクトルに圧縮できるようにしました。著者らは、その埋め込みが最先端の性能を示し、エンコーダのバックボーンとしては v1 および v1.2 に匹敵しつつ、学習に必要な GPU 時間はそれぞれ 18% と 53% だと述べています。さらに、このモデルを用いて全球・年次の 10 メートル埋め込みを作成し、OlmoEarth 成果物ライセンスの下で公開しています。
説明DINO特徴に画像構造を補い部品を発見する手法
要約本論文は、前景の物体を意味的な部品に分割する、学習不要の手法Part-DINOを提案します。DINOの固定されたViTパッチ格子では部品境界が不正確になるため、低レベルの画像分割による境界で画像を領域に分け、各領域内でDINOの特徴をプーリングしてクラスタリングします。CUB、CelebA、PartImageNet-OOD、PartImageNet-Segの4つのベンチマークで、学習不要の基準手法を上回り、弱教師あり・教師なし手法とも競合する結果が報告されています。
説明ReLEAP：横断的タスク統合と半教師あり注釈による視覚データセットの再利用
要約本論文は、データソースの抽象化、学習タスク間での注釈の再利用、共通の階層的分類体系へのラベル対応付けによって異種画像データセットを統合する、拡張性のある Python フレームワーク ReLEAP を提案している。精密農業分野で、多様な植物種と注釈形式を含む 15 のデータセットを統合して適用性を示した。さらに、クロスデータセット実験と微調整実験により、教師なし・弱教師あり・半教師あり設定で、より高次の注釈を自動生成する方法と、データセットの特性が有効性に与える影響を検討している。
説明「Trial by Trace」：AIエージェント実行基盤（harness）の信頼性と障害原因特定をベンチマークする研究
要約本論文は、大規模言語モデル（LLM）エージェントを支える実行基盤（harness）の信頼性を評価するベンチマーク「TraceTrial-Bench」を提案しています。信頼性を文脈、実行、ガバナンス、ライフサイクル、可観測性、ツール、検証の7つの要素に分け、標準解答付きの95課題を構築しました。4つの基盤、9つのモデル、3,420回の実行で評価した結果、基盤の宏平均スコアは59.8％から72.0％でした。また、基盤の基準を少なくとも1つ満たさなかった実行の31.1％が、それでもタスクを達成していました。
説明Polyp-VSSD：ポリープ領域分割のための事前学習Transformerと局所・大域統合VSSDデコーディング
要約本論文は、大腸ポリープの高精度な領域分割を目的に、事前学習済みTransformerバックボーン上に構築された局所・大域統合デコーディングフレームワークPolyp-VSSDを提案しています。大規模視覚事前学習による特徴表現力を活用し、大域的な意味モデリングと局所的な細部再構成を統一しています。複数の公開内視鏡データセットでDiceとIoUの両面で最先端手法を上回ったと報告され、EndoSceneではmIoUが0.903、mDiceが0.946に達したとされています。
説明「否定」は翻訳で失われない：多言語LLMにおける否定表現の因果分析
要約本論文は、多言語大規模言語モデル（LLM）が否定をどのように表現しているかを調べたものです。6つのオープンモデルについて、英語・フランス語・ベトナム語・中国語を対象に、合成の対比データセットとFLORES-200由来の否定翻訳データセットを用いた因果的介入実験を行っています。結果として、否定表現は因果的に制御可能で、言語間でおおむね共有されていることが示されています。
注目点因果介入により否定表現が言語間で共有され制御可能であることを示し、単一のスパースオートエンコーダ特徴で極性を制御できる点が、多言語解釈性の分野に有用である。
説明実データで較正した微分ゲームによる運転者間インタラクションのシミュレーション
要約本論文は、都市交差点における車両間のインタラクションを記述する一般和微分ゲームモデルを提案し、ワシントンD.C.の4交差点で記録された実走行データで較正している。較正に使われなかった96台の車両では、経路のみが既知の条件で平均位置誤差7.42mと、比較対象のモデルの中で最も高い精度を示した。
注目点差分ゲームを実データで較正し、留保車両でSUMOや逆強化学習を有意に上回り、近似均衡も検証しており証拠は充実している。
説明RootDown：エッジデバイス上でのテンサイ検出モデルの展開と評価
要約本研究は、収穫・貯蔵後のテンサイの品質検査を自動化するため、積込コンベア上で部分的に遮蔽されたテンサイを検出する画像ベースのエンドツーエンド手法を提案しています。専用のベンチマークを構築し、SAM 3基盤モデルで境界ボックスを自動生成する注釈手法を用いて、手動注釈とのモデル比較を行いました。精度、推論時間、消費電力の観点から複数の推論構成を評価した結果、基盤モデルのラベルは精度の低下を小さく抑えつつ手動注釈の大部分を代替でき、Hailoアクセラレータを搭載したRaspberry Pi 5は屋外の移動展開に実用的であることが示されました。（SAM 3：Segment Anything Model 3）
説明RVG-Bench：推論駆動型の視聴覚時間的グラウンディングのベンチマーク
要約既存の動画時間的グラウンディング（TVG）ベンチマークは、視覚内容を記述するテキストクエリに基づいて対象区間を特定するものが中心です。本論文は、クエリの背後にある意図を推論しなければ対象区間を特定できないよう構築された RVG-Bench を提案します。1,255 本の動画と 8 種類の推論タイプにわたる 1,890 組のクエリ・区間ペアを含みます。評価した 22 モデルのうち最も高い Qwen3.8-Omni-Flash でも 49.6 mIoU にとどまりました。
説明ハイパーパラメータ不要の境界・内部分離型 t-vMF Dice 損失による医用画像セグメンテーション
要約本論文は、医用画像セグメンテーションにおけるクラス不均衡と解剖学的境界付近の誤りに対処するため、自己調整型の境界認識 t-vMF Dice 損失（STB-tvMF Dice）を提案しています。境界領域と内部領域それぞれについて、前エポックの平均予測-正解コサイン類似度から t-vMF 関数の形状パラメータを決定し、検証に基づく調整を必要としません。3 つのデータセットとアーキテクチャでの実験により有効性が示され、Synapse と U-Net では平均 DSC が 70.75%で、Adaptive t-vMF Dice Loss の 63.03%を上回りました。コードは近日公開予定とされています。
説明無限メモリをもつ連鎖に対する経験的集中不等式
要約本論文は、無限メモリをもつ定常連鎖（時系列）に対する集中不等式を扱う。まず、和が有限となるWasserstein収縮条件の下で、有界Polish距離空間上の有界差分不等式を確立する。次に単一の軌道から依存係数を推定し、有限状態空間では遷移回数を、連続状態空間ではカーネル条件付き密度推定の微分を用いる。固定の乗法的安全係数により、経験的集中境界が得られる。
説明Tokamak-SI：ラベル付きカタログによるトカマク放電の解釈
要約本論文は、従来の複数研究のラベルとラベリング手法を統合し、時間整列された拡張可能なカテゴリ型データセット「Tokamak-SI」を紹介する。DIII-Dトカマクにおける閉じ込め、デタッチメント、アルフヴェン固有モード（AE）、エッジ局在モード（ELM）、鋸歯状振動、テアリングモード（TM）、抵抗性壁モードの観測を対象とする。このデータセットに基づくモデルは新しい放電ショットへラベルを拡張でき、AE、ELM、TMの検出を含め、先行の検出器と同等かそれ以上の性能を示した。
説明LapaFM：多段階継続学習による腹腔鏡手術の基盤モデル
要約本論文は、2万分を超える手術動画で学習し、多段階の継続学習により破局的忘却と課題間干渉を抑える腹腔鏡手術向け基盤モデルLapaFMを提案しています。煙の除去、手術段階の認識、器具とポリープのセグメンテーション、病変の同定などの複数課題に対応します。複数の回顾性・前向きコホートで専用モデルや既存の基盤モデルを上回り、消化管内視鏡の課題にも適用できたと報告しています。
説明パターンマッチングを超えて：3D MLLMにおける部品レベルの機能推論による汎化可能な認識（PFIR）
要約本論文は、3D多モーダル大規模言語モデルが形状の類似した物体（例：ドレッサーとワードローブ）を区別するためにパターンマッチングに頼り、機能的推論が必要な場面で失敗することを指摘する。著者らは部品レベルの機能推論を取り入れたPFIRを提案し、部品分割データから機能的思考連鎖付きの質問応答データを生成して、二重目的の強化学習で学習させる。厳密なドメイン外評価でゼロショット精度は60.5%から66.7%に向上し、幾何学的に曖昧なサンプルで改善が集中したと報告している。
説明異種宇宙データセンター：将来の非地上・軌道上サービスの鍵となる方向性
要約本論文は、計算能力・サイズ・電力予算が異なる大小のノードからなる異種宇宙データセンターを提案し、地上・空中・軌道上のユーザーにAI中心の計算・通信サービスを提供する構成を検討している。低軌道の晨昏軌道構成に着目し、太陽光発電の可用性、可視時間帯、遅延を考慮したカバレッジを分析する。典型的なシナリオの基準ワークロードで遅延とサービス信頼性を評価し、ノード規模や配置ごとの消費エネルギーを定量化している。
説明MedCaseAgent：多モーダル臨床エビデンスから希少疾患の症例報告を生成
要約本論文は、非構造化された臨床記録から根拠に基づく希少疾患の症例報告を生成する、エンドツーエンドのエージェント型推論フレームワーク MedCaseAgent を提案しています。医学文献や知識ベースを動的に照会しながら反復的に推論し、症例の新規性も評価します。あわせて大規模な症例コーパス MedCase-150K と評価セット MedCase-Bench を公開し、自動評価と専門家による盲検レビューで既存モデルを上回ったと報告しています。
説明複合部分空間フローマッチングによる表現学習：識別と生成を両立する自己教師あり手法
要約本論文は、スペクトル・色・照明の部分空間にわたる決定論的な劣化の過程を、分散最小化の逆変換として捉える複合部分空間フローマッチング（CSFM）を提案しています。CIFAR-10、CIFAR-100、STL-10での実験では、線形プロービングと少数ショット分類で標準的な最適輸送フローを上回り、生成と軌道補間も可能であることが示されています。
説明反コヒーレンス正則化付き絶対スケーリング：分布外検出のための事後処理手法
要約本論文はAIの安全性における分布外（OOD）検出の課題を扱い、SCALE手法を改良しています。活性化値の絶対値で比率を計算する絶対修正と、予測クラスの最大ロジットへの寄与のうち符号が一致しない割合でスケーリング係数を抑える反コヒーレンス正則化を提案しています。訓練データもラベルも不要で、OpenOOD v1.5プロトコルのCIFAR-10とImageNetにおいて、AUROCとFPR@95で訓練データに依存する手法と同等以上の結果を示しています。
説明RSIHub：エージェント進化手法を組み合わせて構築するためのフレームワーク
要約本論文は、実行フィードバックを用いてプロンプト、スキル、ツール、オーケストレーションを改善するエージェント進化手法を、共通基盤上で構築・比較・拡張するためのオープンソースフレームワーク RSIHub を提案します。研究者は進化ポリシーに集中でき、評価は可変部分の外側に置かれます。著者らは Terminal Bench 2 と τ³ Banking で MiniSWE と Codex を用い、AHE、Hyperagents、A-Evolve、GEPA を評価し、全体の pass@1 で最大 13.5 ポイントの向上を観測しました。手法の順位は設定により異なり、最適化による改善が未見のタスクに常に移るとは限りません。
説明Easy-3Dfy：単一画像からの3Dシーン構築のための物体レベル幾何学的合成手法
要約本論文は、物体生成とシーンレイアウト推定を分離し、それぞれ専用モデルに担わせる Easy-3Dfy を提案しています。RPF ベースのアライナが物体ローカルメッシュと部分的なシーンポイントマップの幾何対応を確立し、シーン合成のための物体配置を復元します。Scene-Maker と 3D-FUTURE200 の複数の幾何指標で SAM-3Dfy を上回り、完全なシーンレベルの教師データは必要としません。
説明ループ型言語モデルの停止ヘッドは本当に計算を節約するのか？
要約ループ型言語モデルは、各トークンを同じ層に何度も通します（1回を反復と呼びます）。作者たちは最大13億パラメータのモデルを一から事前学習し、停止ヘッドの学習に二つの問題があることを見つけました。ヘッドはトークンが半分未満の反復で足りると予測しても、標準の停止規則では実際にはほぼすべての反復を実行していました。すべての反復を採点すると解決しますが、早期停止を強く優遇する罰則が必要でした。また、バッチ生成では停止ヘッドがないモデルとコストがほぼ同じになり、平均反復数は節約を過大に見せるおそれがあります。
説明最小記述長で科学エージェントの知識を法則級と統計級に教師なしで分離し、その発見の86%が統計的であることを明らかにする研究
要約論文は、MDL（最小記述長）圧縮比を教師なしの認識論的評価指標として用いる手法を提案しています。自己改善型の科学エージェントの知識台帳を分析したところ、発見の86%は圧縮を行わず（圧縮比約1）、統計的な規則性にとどまることが示されています。
説明BiLoCo：学習後量子化のための二値低ランク補正
要約本論文は、FP4 へ学習後量子化された大規模言語モデルの精度低下を補う低ランク補正手法 BiLoCo を提案している。補正因子を BF16 の数値ではなく ±1 の符号ベクトルとして保存するため、ランク 1 成分あたりの記憶量は 16 分の 1 となり、FP4 テンソルコアの行列積と並行して CUDA コア上で実行できる。4B から 72B のモデルでは、同じメモリ量の SVDQuant と同等かそれ以上の結果が報告されている。B300 上の融合カーネル実装では、速度低下の上限が原文に示された範囲にとどまるとされている。
説明空間ヒューリスティック戦略に基づく拡散強化学習によるオンライン三次元ビンパッキング手法
要約本論文は三次元ビンパッキング問題を対象に、古典的なパッキングのヒューリスティック規則と拡散強化学習を組み合わせた手法を提案している。行動の事前スクリーニングで行動空間を圧縮し、グラフニューラルネットワークで空間構造をモデル化し、平坦度を含む複合報酬関数で空間の断片化を抑制する。抜粋には実験結果への言及があるが、具体的な数値は示されていない。
説明正解なのに選べない：複数候補推論に潜む隠れたインターフェース税
要約論文は、複数候補を生成して再ランク付けする推論方法では、正解が候補群に含まれていても、不完全さ、解析不能、選択器が想定する解答形式との不一致によって選ばれない場合があることを指摘しています。著者らは、候補の供給元と固定された選択器の間に入るインターフェース層「CACC」を提案し、両者を再学習せずに断片の修復や解答形式の整合を行います。数値推論タスクやGPQA Diamondでは最終精度の向上が報告されていますが、MMLU-Proでは元の選択器のもとで最終精度が低下したとされています。
説明MS-TTRL：複数解のテスト時強化学習における頻度の衝突を解消する手法
要約この論文は、科学・工学・数学の推論タスクで複数の有効な解が存在する場合を対象に、ラベルなしで使えるテスト時強化学習手法MS-TTRLを提案しています。生成頻度が正しさの推定と結果の多様性の維持で相反する点を指摘し、結果レベルの自己検証により頻度に依存しない正しさの推定を行い、頻度は多様性の維持のみに用いています。2つのベンチマーク、4つの複数解タスク、3つのバックボーンモデルでの実験では、最良のラベルなしベースラインより再現率が平均19.13ポイント向上し、教師あり手法IPS-GRPOに近い性能が報告されています。
説明TileShare：学習不要で重なり付きタイル化ViT復号を高速化する手法
要約固定窓のViT復号器は、重なり領域のトークンを複数のタイルで重複して処理します。本論文のTileShareは、各タイルの注意機構を保ったまま、それ以外の演算をトークンごとに一度だけ行います。学習なしで最初の6層をタイルごとに保つ設定では、DAVISの動画において元の復号器と同等の画質を保ちつつ、1.38〜1.51倍速く復号できると報告されています。
説明マルチビューBEVベースの自動運転3D認識に対する、効果的かつ転移可能な物理的カモフラージュ攻撃に関する研究
要約本論文は、マルチビュー鳥瞰図（BEV）に基づく3D認識モデルを狙う敵対的カモフラージュを生成するフレームワーク「BEVCA」を提案しています。BEV特徴量に基づく敵対的損失と多視点ニューラルレンダリングモジュールを組み合わせ、異なるモデルやタスク間で有効かつ転移可能な攻撃を目指します。デジタルおよび物理環境での実験により、既存の手法より優れ、実世界条件下でも高い頑健性を示したと報告されています。
注目点多視点BEV感知に特化した敵対的迷彩を、BEV特徴損失と多視点ニューラルレンダリングで実現し、単一視点2D攻撃の空白を埋める。デジタルと物理の両方で比較実験を行う。
説明MXFP4 で MoE 型大規模言語モデルを学習：BF16 との差を縮めた方法
要約本論文は、MXFP4 の低精度形式で GPT-OSS-20B（200 億パラメータの混合エキスパートモデル）を学習するためのオープンソース手法 ALTO を提案しています。既存のブロック量子化、ランダム化アダマール変換、確率的丸めに、簡略化した重みの振動抑制手法を組み合わせています。C4 検証セットでの検証損失は 3.3350 で、BF16 基準（3.3283）との差は 0.007 です。
説明RoboCode：ロボット操作のための再利用可能なアクションプリミティブの学習
要約本論文は、複数タスクから集めた動作チャンクを用いて共有のソフトゲート型プリミティブを学習し、短期的な動作を複数プリミティブのソフトな組み合わせとして表す RoboCode を提案しています。ManiSkill の5つの操作タスクで、再構成の平均 MSE は 0.0187、クローズドループの平均成功率は 75.6% で、ACT の 68.8%、Diffusion Policy の 41.6% を上回りました。著者らは、この表現が有効で解釈しやすい中間表現だと述べています。
説明正解でも扉は閉じたまま：検証の壁に挑む GUI エージェント SolveBind
要約本論文は、CAPTCHA などの自動化対策が正答だけでなく操作の軌跡やタイミングも見ている点に着目し、正しく解くだけでは操作を完了できないと指摘します。提案手法 SolveBind は、階層的な求解と実行時の監督を組み合わせたフレームワークです。九種類の CAPTCHA タスクと九つのバックボーンモデルで試験され、八つのモデルで最高の成功率を示し、最強のベースラインを 13.3〜34.5 ポイント上回りました。
説明ACWM-RM：参照動画を使わず、補完的なミスマッチ選好から学習する報酬モデル
要約本論文は、行動条件付き世界モデルの強化学習に向けて、正解動画を使わずに映像品質と行動追従性を同時に評価する報酬モデルACWM-RMを提案しています。評価用のAVM-Eval（67.2k組）と学習用のAVM-Pref（506.3k組）を構築しました。実験では、生成動画に対する逆動力学モデルの信頼性が限定的であることが示され、ACWM-RMは下流の強化学習で両指標とも基準の報酬を上回りました。
説明RxnExBench：科学文献から構造化された化学反応情報を抽出するための視覚言語モデルのベンチマーク
要約本論文は、高インパクトの化学誌から作成された、細粒度の反応レベル評価のためのマルチモーダルベンチマーク RxnExBench を提案する。専門家が注釈した3,565件の反応と2,361個の分子構造を含む。9種の視覚言語モデルを評価した結果、スキーマの複雑さと推論の要求が高まるにつれて性能が大きく低下することが示された。Oracle-MolRec の設定では、分子認識の精度だけでは不十分であり、マルチモーダル統合と化学的推論が主なボトルネックであることが明らかになった。データとコードは公開される予定である。
説明自己回帰型視覚言語モデルにおける視覚的物体グラウンディングのための角度監督
要約自己回帰型の視覚言語モデル（VLM）は、生成した文章を画像内の正しい領域に結び付けるのが難しく、既存の説明手法は空間的な説明が不十分です。本論文は、視覚トークンの埋め込みと出力語彙行列の行との余弦類似度に基づく角度関連性（Angular Relevance）を提案し、視覚トークンを対応する物体概念の方向に揃える補助損失AOLを導入します。AOLを用いた微調整で物体の位置特定が鮮明になり、参照表現セグメンテーションの性能が向上し、汎用VQA性能は低下しないと報告されています。
説明PEAR：大規模視覚言語モデルの知覚と探索のための適応的アドバンテージ再形成
要約本論文はPEARという手法を提案し、マルチモーダル推論における視覚的知覚と推論経路の探索を改善します。視覚的依存度を基本信号とし、高エントロピーの位置にのみエントロピーに基づく探索利得を加えます。視覚的依存度が低いほど追加利得は大きくなります。融合された信号は正のトークン単位の重みに変換され、系列全体のアドバンテージを再形成します。Qwen2.5-VL-3B/7Bでの実験では、マルチモーダル推論ベンチマークの平均性能が評価したベースラインの中で最も高く、テキスト推論と汎用マルチモーダルベンチマークでも優れた結果が示されました。
説明エッジを活用した大規模言語モデル学習の民主化：課題、システム、今後の展望
要約本論文は、地理的に分散し、ハードウェアが不均一で接続が不安定な環境における分散型大規模言語モデル（LLM）の学習を扱い、フェデレーテッド学習、スプリット学習、分散型アプローチを取り上げています。クラウド上のパラメータサーバーが、アウトバウンドの gRPC 接続を通じて異種クライアントを調整する統一システムアーキテクチャを提案しています。複数の大学拠点で GPT-2 Medium と Llama3-1B の事前学習を行い、現実的な条件下で安定した収束が得られたことを示しています。最後に、フロンティアモデルへの対応、弾力的な耐障害性、プライバシーと信頼などの未解決課題を挙げています。
説明DIAL-S2ST：同時音声音声翻訳における遅延制御の学習
要約本論文は、同時音声音声翻訳モデルの推論時遅延制御を学習する後学習手法 DIAL-S2ST を提案している。先読み予測からの自己蒸留により事前学習済みの翻訳能力を再利用し、大規模なテキスト蒸留損失の影響を抑える。さらに、スケールをまたいで単一の LoRA アダプタを共同学習し、推論時に出力タイミングを調整できるようにしている。Hibiki を用いたフランス語から英語への実験では、10 時間分の原音声でこの適応が可能であり、品質と遅延のバランスの良い柔軟な遅延制御が得られたと報告している。
