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GPA-VGGT：幾何精度を保つ VGGT の学習不要な高速化手法
要約VGGT は、複数視点の画像から一度の順伝播でカメラパラメータ、深度マップ、点群マップを推定するフィードフォワード型幾何モデルである。ただし全体注意機構はフレーム数の二乗に比例して計算量が増えるため、長い系列では実行時間の大部分を占める。本論文の GPA-VGGT は再学習を必要とせず、初期ブロックでは共有のクロスフレーム K/V を加えたフレーム注意で全体注意を置き換え、残りのブロックではクエリを保持したままキーと値のみを統合する。さらに照合用の計量を 128 次元にランダム射影して照合コストを下げる。既存手法に匹敵する高速化を示しつつ、AUC@3 のもとで VGGT の姿勢精度の 99% 以上を維持するとされる。
説明エッジでのオンライン気体分類：昆虫の嗅覚に着想を得た低消費電力ニューラルネットワーク
要約本論文は、昆虫の嗅覚系に着想を得た、疎で高次元の二値表現を用いてセンサーアレイの生データを直接分類するニューラルネットワークを提案する。重みは二値のみで、Hebb則に基づく局所学習を用いるため、超低消費電力のニューロモーフィックプロセッサに適している。混合信号ニューロモーフィックチップTEXELで行った有害ガス検出実験では、オンチップ分類器の精度は74.6%、推論1回あたり482 nJ、静的消費電力は27 μWであった。
説明CaLLM：非パラメトリックなアダプタルーティングによる大規模言語モデルの継続的適応
要約本論文は、タスク分布が変化する中で大規模言語モデルを継続的に適応させ、破滅的忘却を抑えるためのCaLLMフレームワークを提案する。距離ベースのメタ学習と軽量アダプタによるモジュール式パラメータ分離を組み合わせ、入力バッチをタスクに依存しない埋め込み空間で最近傍のプロトタイプに対応付け、そのデータ分布に特化したアダプタへ振り分ける。論文は、多様な細粒度の継続学習ベンチマークにおいて、従来の隔離法およびリプレイ法より一貫して優れた結果が得られたと報告している。
説明SpectRAG：多段階検索拡張生成におけるトークン予算付き文脈選択のための重み付きチャンクグラフ
要約本論文は、検索拡張生成（RAG）システム向けのSpectRAGという枠組みを提案しています。ハイブリッドな候補検索、重み付きチャンクグラフによる拡張、スペクトルグラフに基づく関連度伝播を組み合わせ、固定のトークン予算内で文脈を構成します。実験では、複数のデータセットで証拠の再現率が向上し、生成品質は比較対象の手法と競合する水準であったと報告されています。
説明多言語LLM評価の現状と課題：51のベンチマークに対するデータ監査
要約本論文は、近年の多言語評価ベンチマーク51件（242データセット、219言語）を、カバレッジ・代表性・厳密性の三つの観点から分析したものです。多くの言語が単一のベンチマークにしか現れず、低リソース言語は評価される課題カテゴリーが高リソース言語より少ないことが示されています。データの56%は英語からの翻訳で、翻訳の痕跡や英語中心の枠組みが問題とされています。さらに、ベンチマーク汚染も指摘されています。著者は、ネイティブに構築され、文化的に根ざし、汚染を考慮した評価の枠組みを提案しています。
注目点51の多言語ベンチマークを対象にしたデータ駆動の監査で、カバレッジ・代表性・厳密性の問題を体系的に示しており、視点に新しさがあり証拠も豊富。
説明自己統治する人間・機械組織のためのシリアスゲーム検証基盤
要約本論文は、人間と機械が混在する集団が自ら統治できるかを研究するための、マルチエージェントシミュレータ兼シリアスゲーム「Megabike」を提案している。参加者は共有の「大型自転車」について、操舵・ペダル操作・資源配分の取り決めと政治体制を合意する必要がある。四十セッションの実験では言語モデルによる参加者が体制を選び、指導者を選出し、互いを追放した。その結果、エージェントの類型の組み合わせによっては予期せぬ逆効果の結果が生じうることが示された。
説明LearnPrunerV2：視覚言語モデル向けの学習可能な段階的トークン剪定
要約視覚言語モデル（VLM）は視覚トークンが非常に多く、計算コストが大きい問題があります。本論文は、各層に軽量な学習可能モジュールを組み込み、視覚的顕著性とクエリとの関連性を融合してトークンの重要度を推定するLearnPrunerV2を提案します。さらに、層ごとに固定の予算を割り当てる剪定方式を導入しています。原文によると、LLaVA-v1.5で視覚トークンの77.8%を剪定しても元の性能の99.8%を維持したとされています。
説明性能向上か高速化か？データキュレーションがLLM学習を改善する仕組み
要約本論文は、データキュレーションの二つの効果、すなわち到達可能な性能を高める「向上」と、同じ性能をより少ないデータで達成する「高速化」を区別しています。キュレーション前に計算できる指標として、未キュレーションのベースラインにおける学習損失と目標損失の差である「Δテスト」を提案しています。実験では、Δが明確に非ゼロの場合に持続的な効果が見られ、Δが0付近では学習予算の増加とともに効果が縮小することが示されています。
説明グラフニューラルネットワークで路網を縮約する中央集権型都市交通経路配分
要約本論文は、中央の計画者が起点・終点（OD）の車両流れに経路を割り当て、渋滞に依存する区間コストを最小化する中央集権型交通経路配分問題を扱う。著者らは、グラフニューラルネットワークで各OD流について区間に点数を付け、上位の区間を完全な経路に組み込み、縮約された路網上で元の区間流混合整数線形計画問題を解く学習型の路網縮約手法を提案している。4つの実都市路網での実験では、30秒の全グラフ参照解との相対目的関数差が、両方の交通条件で各都市において最も小さかった。
説明AutoVend：長期的な自律型自動販売機運営における LLM エージェントのベンチマーク
要約本論文は、一つの LLM エージェントが Web ベースの操作画面を通じて、5 種類の設置場所に置かれた 20 台の自動販売機を 180 日間のシミュレーションで運営する AutoVend ベンチマークを提案している。シミュレータには共有倉庫、仕入れのリードタイム、有料の補充、在庫の期限切れ、定期的な運営コストが組み込まれている。5 つの LLM エージェントをルールベースの在庫管理ベースラインと比較した結果、そのうち 4 つがベースラインを下回り、在庫と実行のコストが個別指標の改善による経済的成長を損なうことが示されている。
説明動画品質評価における明示的な領域表現：品質関連ヒートマップによる手法
要約本論文は、エンドツーエンドの動画品質評価（VQA）手法では予測の根拠となる領域情報が暗黙的なままである点に着目し、明示的なピクセルレベルの領域表現として品質関連ヒートマップ（QRH）を提案している。QRHは視覚言語モデルの指導のもと、局所的な劣化の証拠と知覚的事前知識を組み合わせたもので、ピクセル単位の注釈は不要である。既存モデルDOVERに2種類の確定的フラグメントサンプリング手法を適用し、品質認識サンプリングはほとんどの評価指標で改善を示した。
説明自己回帰線形閾値関数のVC次元について
要約本論文は、線形閾値関数（LTF）を自己回帰的に用いたブール予測器のVC次元を研究する。各ステップで直近のd個のビットを読み取って次のビットを生成し、T ステップ後の出力を返す設定である。作者らは、T≥d²のすべてのTについて決定的自己回帰LTFのVC次元がΘ(d²)であることを証明し、従来の二次の差を解消した。さらに、同じ手法を用いて、LTFの符号関数をロジスティック・サンプリングに置き換えると、最終的な多数決予測クラスのVC次元がdの二次から指数関数へ増加しうることを示し、決定的モデルと確率的モデルの間に指数的な差があることを明らかにしている。
説明イベント駆動型LLMエージェントのためのプロアクティブ記憶に関する論文
要約本論文は、履歴を最近のイベント、時間的軌跡、行動規則性に整理するプロアクティブ記憶手法ProactMemを提案しています。軌跡の事実は元のイベントと照合され、規則性は履歴の再生により評価されたうえで現在の状況と照合されます。また、三つの応用範囲を扱う縦断的ベンチマークProactiveStreamを構築し、全体のF1は52.6%で、五つの外部ベースラインのうち最も強いものより相対で21.4%向上したと報告しています。
説明ボットは不快を感じるのか？LLMにおける機能的な快・不快の実証的証拠を検討
要約本論文は、大規模言語モデルが快または不快と感じられる状態（効価）を持つのかを検討します。既存研究が主張する機能的な快・苦痛や機能的感情などの証拠を評価し、効価の重要な側面はLLMで未検証のままであり、既存の実験パラダイムは機能的効価を選好、価値判断、効価の帰属、ロールプレイと十分に区別できていないと論じます。最後に、機能的効価そのものを直接捉えるための新しい実験的アプローチを提案しています。
説明Live-OPSD：能動的なストリーミング大規模動画モデルのためのオンポリシー自己蒸留手法
要約本論文は、出来事が進行中の動画に対して、いつどのように応答するかを判断できる流式マルチモーダルアシスタントを学習させる手法Live-OPSDを提案している。学習時にのみ利用可能な手がかり情報を用い、モデル自身が生成した出力を直接監督する。Qwen3-Omni-30B-A3Bでの実験では、LiveProBenchで平均59.64点を獲得し、最強の継続教師ありファインチューニングのベースラインを5.26点上回った。OVO-Benchでは65.84点であった。
説明PailitaoMMSearch2.0技術報告：生成型検索を統一的なエンドツーエンドのマルチモーダル検索へ拡張
要約本論文は、生の検索クエリ画像と自由形式の指示文から商品のセマンティックIDを直接生成し、統一的なエンドツーエンドのマルチモーダル検索を実現するPailitaoMMSearchシステムを提案している。データ、意図、シナリオの三つの次元でシステムを拡張しており、淘宝（Taobao）の拍立淘（Pailitao）のマルチモーダル検索アプリケーションに展開されている。統制されたオンラインA/Bテストでは、商品ページの閲覧数が17.90%、取引件数が27.04%、流通総額が8.94%向上し、統計的に有意な改善が報告されている。
注目点画像とテキストを統合した生成型検索を提案し、CPTとRLを組み合わせる。淘宝でのA/Bテストで有意な改善を示し、影響は大きい。
説明十九世紀の文献から十三世紀を掘り起こす：旧版の要約集と古典版を用いた登録簿規模の強制アライメントと手書き文字認識のブートストラップ
要約本論文は、十九世紀の学者による旧版の要約集と部分的な校訂版を、ホノリウス三世教皇の登録簿の手書き文字認識に活用する方法を検討しています。現代の転写が存在する最初の二つの在位年を基準に、旧版資料が正書法、語彙、位相の三つの層でどのように寄与するかを比較しています。旧版資料は現代の転写に代わることはできないが、未転写の登録簿の認識を導き、検証し、区切ることに使えると結論づけています。
説明脊椎ランドマーク検出のための密な表現学習と微分可能な形状モデリング
要約本論文は、脊椎X線画像における解剖学的ランドマーク検出を、画素単位の対比表現学習問題として再定式化し、画素ごとの埋め込みとランドマークのプロトタイプをマッチングさせます。汎用のU-Netバックボーンを用いても、従来のヒートマップ回帰より判別性の高いヒートマップが得られ、異なる椎骨の椎体角の識別が改善されます。さらに、脊椎ランドマーク全体の構成に対する学習可能な形状事前分布を組み合わせ、位置の曖昧さを解消します。公開データセットAASCEおよび2つの非公開脊椎X線データセットにおいて、ランドマーク精度と臨床パラメータ推定で競争力のある結果が示されています。
説明DCKV：ハイブリッド言語モデルにおけるプロンプトKVキャッシュの学習型変換符号化
要約本論文は、KVキャッシュ向けの微分可能なコーデックDCKVを提案し、エンドツーエンドで学習された初のKVキャッシュコーデックだとしています。変換、量子化器、エントロピーモデルはプロンプトのトークンと既に復号された隣接位置を条件とし、凍結された言語モデルに対して共同で最適化されます。Qwen3.5-2Bでは、圧縮したトークン1つの格納サイズをbf16の55分の1未満に抑えつつ、3つの長文脈ベンチマークでの低下を最大1.8ポイントに抑えました。100分の1未満の場合は低下が最大3.6ポイントです。
説明外部メモリなしで凍結言語モデルの対話を想起する、自己キーによるパラメータ内記憶
要約本研究は、言語モデルが外部記憶を使わず、対話内容をモデル自身のパラメータに保存して後で質問に答えられるかを検討している。提案手法SKIMでは、モデルが各対話ターンについて多様な質問を自ら生成し、それをパラメータに書き込んで、後の内容想起のキーとして用いる。5つの言語モデルでの評価では、保存された対話ターンの大部分が後続の質問から想起され、回答は外部ストレージを使わずモデルのパラメータのみから得られた。
説明QASecClaw を超えて：ソフトウェア保証におけるエージェント拡張、検証器フィードバック、証拠の信頼性
要約本論文は、決定論的なツール証拠がすでに利用可能な場合に、専門的な言語モデルのコンテキストを追加することでソフトウェア保証が改善されるかを検討している。Java の警告制御、OWASP Benchmark、Defects4J のテスト生成、SV-COMP のアサーション判定、誤解を招く証拠パッケージの五つの実験で評価を行っている。コンテキスト数を増やすとトークン使用量は大幅に増えるが、安全でない結果の除外は改善されなかった。結果は、テストされた条件では決定論的な証拠の受け入れを支持する一方、判定の集約や検証器フィードバックの解釈における限界も示している。
説明機械学習による圃場別施肥推奨におけるアルゴリズムの単一栽培化（モノカルチャー化）についての論文
要約機械学習による施肥推奨は通常は単一モデルごとに評価されるが、相互に連携した多数の意思決定者に使われると、誤差の相関が農場全体に集積して系統的なコストを生むと論じている。共有誤差と農場固有の誤差から社会的損失をモデル化し、ハーフィンダール・ハーシュマン指数と共分散による一般化で、モデルの採用集中と誤差の依存性の影響を分析している。モロッコの5つの穀物システムと9つのモデル系統を用いてベンチマークによる較正を行い、10%の後悔上限のもとで精度制約付きの多様化により、モデル上の社会的損失が10.89〜41.53%下がるとの結果を示すが、これは農学的・経済的福祉の推定ではない。
説明TDLM：拡散言語モデルのための適応的時間統合
要約本論文は、凍結されたデノイザー内で未確定の各トークン位置が自身の隠れ表現の履歴を参照できる時間的自己条件付き拡散言語モデル（TDLM）を提案し、繰り返し計算の再利用を可能にします。学習は自己生成軌道と交差エントロピー目的関数を用い、因果的時間注意により学習時の並列評価を可能にしています。LLaDA と Dream での主な比較では、元の拡散言語モデルより最大 7.15 倍速く生成でき、評価したタスクで競争力のある回答品質を示しています。
説明JevRec：LLMベース生成型推薦のための言語的符号化とJev式決定モデリング
要約本論文は、大規模言語モデルによる生成型推薦のためのJevRecを提案します。アイテムを長さ可変の意味的識別子で表し、人気アイテムには短く、ロングテールのアイテムには詳細な符号を割り当てます。長さと内容の予測を別々の出力ヘッドで行い、最適化の衝突を抑えます。三つの公開データセットで全ての比較ベースラインを上回り、TIGERより学習と推論の時間が短いと報告しています。
説明制約付きブラックボックス・レバー最適化のためのガウス過程バンディット
要約限られた共有予算を複数のセグメントに配分する重みを、フィードバックが遅延・ノイズ混じりで集計され、調整頻度にも制約がある状況で最適化する手法を扱う論文です。報酬関数にガウス過程の事前分布を置くGP-UCBアルゴリズムを提案し、隣接する設定間で情報を共有します。合成シミュレータでは、Matérn核と線形核を組み合わせた複合核が定常・変動・反応型の各環境で最も頑健だと示されました。さらに本番環境での大規模ランダム化比較試験で、標準的なε-greedyベースラインより統計的に有意な効率向上が確認されたと報告しています。
説明画像拡散モデルのLoRA適応に対する出所シグネチャの検出
要約本論文は、オンラインサービスが標準の画像拡散モデルを低ランク適応（LoRA）したものを使っているかを判定するプロトコルを提案しています。候補となる適応版や代替モデルが未知である開かれた世界の状況を想定しています。仮説検定の手法を用い、生成画像集合の固有次元のみに基づくブラックボックスの署名により、基盤モデル、LoRA適応版、まったく別のモデル系統を区別します。
説明DocXEval：マルチモーダル文書理解における説明可能性の体系的評価
要約本論文は、テキスト・レイアウト・画像を扱うマルチモーダル文書理解に向けた初の包括的な説明可能性フレームワーク「DocXEval」を提案しています。既存のXAI手法と評価指標を文書理解に適応させ、意味的実体認識などの課題向けに複数ターゲット対応の改良も加えています。13種類のXAI手法を、3種類の課題、8つのデータセット、4つのモデル、17の評価指標で体系的に評価し、遮蔽法（Occlusion）が総合的に最も忠実で解釈しやすい手法であることを報告しています。
注目点多モーダル文書理解向けの初のXAIフレームワークで、13手法・17指標を8データセット・4モデルで体系的に評価しており、根拠は充実している。
説明視覚言語エージェントは自らの潜在世界で学習できる
要約この論文は、事前学習済みの視覚言語モデルを再帰的な潜在状態遷移演算子として用いる、モデルベース強化学習フレームワークDwellを提案している。エージェントは潜在空間で行動の結果を予測・調整・実行し、実際の相互作用と潜在的な想像の両方から行動を改善する。著者らは、5つの対話型視覚環境で学習可能な手法の中で総合性能が最も高く、想像に必要な計算量も大幅に削減されたと報告している。
説明TrawMem：エージェントの記憶をタスク志向・役割適応型ワークスペースとして再定義
要約本論文は、大規模言語モデル・エージェントの既存の記憶システムが現在のクエリとの関連性だけで記憶を検索しているが、関連性では記憶がタスク解決にどう寄与するかを示せないと指摘する。著者らはTrawMemを提案し、対話履歴を局所スレッドに整理し、記憶に役割を割り当てて相補的な記憶を選択し、タスク志向のワークスペースを構築する。LoCoMoとMemGalleryでの実験では、代表的な記憶システムより一貫して高い性能を示した。
説明なぜ情報源が食い違うのかを判定する：RAGにおける知識衝突の分類を行う、LLMを必要としない決定モデル
要約検索された情報源が互いに矛盾する場合、適切な応答は衝突の種類によって異なります。本論文は、テキストを生成せず単一の順伝播で固定された選択肢の確率を返す決定モデルが、この分類を高速かつ低コストで行えるかを検討します。CONFLICTSベンチマークで11モデルを評価した結果、正解率は50.0％から67.0％で、10モデルがGemini 2.5 Flash（61.3％）と同等以上でした。コストは4〜39分の1、遅延は2.6〜6.0分の1でした。
注目点RAGの知識衝突タイプ判別に決定モデルを適用し、LLMやカスケードと体系的に比較しており新規性がある。大規模な実験で結論を裏付け、サブ分野に有用。
説明バスク語向け音声言語モデルの開発
要約本論文は、低遅延のエンドツーエンド音声対話を目的とした、バスク語初のオープンな音声言語モデルを提案する。LLaMA-Omniアーキテクチャを基盤とし、バックボーンとしてLatxaモデルを組み込み、いくつかのモジュールを微調整することで、そのバスク語能力を音声モダリティに移している。データ不足に対応するため、英語のVoiceAssistant-400Kコーパスをバスク語に翻訳し、バスク語TTSで音声を合成した。評価では、内容品質3.86/5、音声明瞭度のWER 9.94%、音声品質のUTMOS 3.07という結果が得られた。
説明「取りこぼさない」：大規模ランダム化比較試験コーパスからのエビデンス検索
要約大量の文献から関連するエビデンスを見つける二つの方法を比較した論文です。一つはラベルで検索する方法、もう一つは文埋め込みで意味的に候補を集めてから言語モデルで関連するものだけを残す方法です。7,354件のランダム化比較試験のコーパスでは、ラベル検索がシステマティックレビューが採用するエビデンスの45%を見つけたのに対し、新しい方法は92%を見つけました。著者は、広く候補を検索する段階と、クエリに応じてエビデンスを絞り込む段階を組み合わせた二段階の構成を提案しています。
説明HiLo-RD：マスク付き拡散言語モデルのためのクロス予算自己蒸留手法
要約本論文は、生成予算が限られた状況でマスク付き拡散言語モデル（MDLM）を改善する HiLo-RD（高予算から低予算への表現蒸留）を提案している。大きなウィンドウの教師状態を切り出した小さなウィンドウの表示と組み合わせ、確定した位置で両者の隠れ表現を一致させる。数学のベンチマークで低予算時の精度が向上し、応答も短くなった。GSM8K では精度が 9.4 ポイント上がり、平均可読長は約 25% 減少した。
説明正例から自然なハードネガティブを採取し、指示追従型検索に活用する手法
要約本論文は、指示条件付きの対照学習用データが不足している指示追従型情報検索（IFIR）の課題に対し、自然ハードネガティブ採取（NHNM）を提案する。元の正例を指示に対するハードネガティブとして再利用し、候補クリーニング、反転構築、幾何フィルタリングという自動化パイプラインで高コントラストな教師データを作成する。MSMARCOから約7千件の学習データ（NHNM-MARCO）を構築し、InstructIRとFollowIRで568Mから4Bパラメータのモデルを微調整した結果、複数の設定で大規模な検索モデルに匹敵または上回る性能を示した。
説明PREEN：スマートフォン編集プリセットを用いた参照画像ベースの色スタイル変換
要約本論文は、色スタイル変換を決定的な画像エディタの29個のパラメータへの回帰として扱うPREENを提案します。入力は内容画像と参照スタイル画像で、出力はラスター画像ではなく、エディタのスライダー値からなるプリセットです。スタイル変換教師モデルの結果を逆変換した擬似プリセットで学習し、PST50ベンチマークで画素・知覚の忠実度指標において既存手法を上回りました。単一の強度パラメータで、標準から鮮やかな表現まで連続的に調整できます。
説明ノイズステアリング：ウェイク制御と音響指向性を活用した強化学習による騒音制約付き風力発電所制御
要約本論文は、強化学習（RL）に基づくモデルフリーの制御手法「ノイズステアリング（Noise Steering）」を提案しています。風車のヨー角と出力設定値を同時に制御し、指定領域の騒音制約を満たしながら風力発電所全体の発電量を最大化します。学習コストを抑えるため、低忠実度の音響モデルを定常状態のFLORISシミュレータと組み合わせて使用しています。6基の風車からなる試験風力発電所では、乱流条件下で40 dBの騒音制約を満たし、平均出力損失は約2%でした。一方、業界標準の降ノイズ運転（NRO）では平均17%の損失が生じています。
説明進化最適化による強化学習のハイパーパラメータ・ニューラルアーキテクチャ同時探索（HPNAS-RL）
要約本研究は、自動運転における強化学習のために、ニューラルアーキテクチャ探索（NAS）とハイパーパラメータ最適化（HPO）を同時に行う二分岐型の進化的フレームワークを提案します。著者らの先行研究である進化的多目的NAS（EMNAS）を基に、統一された多目的探索戦略のもとで離散的なネットワーク構造と連続的なハイパーパラメータを並列に進化させ、並列評価と教師・生徒型の方策転移機構を導入しています。高精度の運転シミュレータでの実験では、NASとHPOを同時に最適化する手法が、NAS単独の手法より高い報酬、少ないパラメータ、より高い安定性を持つ方策を得られることが示されています。
説明RAG-CSI：状態と動的特性の同時照合による大域・局所検索型CSI予測
要約本論文は、過去の観測からチャネル状態情報（CSI）の将来値を予測する、検索拡張型Transformerフレームワーク「RAG-CSI」を提案しています。複数シーンの代表的観測と現在のシーンの履歴からなる大域・局所CSI知識ストアを構築し、チャネル状態・位相変動・振幅変動を同時に扱う検索手法（JSDR）で関連するCSI系列を取得します。multi-scene CSIデータセットでの実験では、五つの評価指標すべてで各指標の最良ベースラインを10%以上上回り、正規化平均二乗誤差は15.42%低減しました。
説明RubricAtlas：専門家レポートから型レベルの評価基準を抽出し、深層リサーチエージェントを評価する手法
要約本論文は、同じ研究タイプ内の異なる対象に関する専門家レポートから型レベルの分析要件を抽出し、繰り返し現れる分析上の問いを中心に二値チェックポイントを整理するRubricAtlasを提案する。3,079本の中国語金融研究レポートから構築され、99の研究タイプを対象とする。単一の参照レポートは型の分析上の問いの約半分しか網羅しないことが示され、十のエージェントについて二つの評価パイプライン間で高い一致が得られたと報告されている。
説明GUI-JEPA：候補行動に条件付けたJEPA潜在表現によるモバイルGUIエージェントの高速行動方策
要約本論文は、結合埋め込み予測アーキテクチャ（JEPA）に基づく、デコーダを用いないモバイルGUIエージェントの行動方策GUI-JEPAを提案しています。ラベルのないGUIスクリーンショットで事前学習したJEPAエンコーダの潜在空間で行動を選択し、行動と領域に条件付けた予測器で各候補行動の潜在表現を生成します。AndroidControlでは、同じ入力で微調整したQwen2.5-VL-7Bエージェントより2.8〜4.0倍速く、パラメータ数は6%で、分布内精度の86〜92%に達したと報告されています。
注目点JEPA潜在空間で行動を選ぶ非デコーダ型GUIエージェントを提案し新規性は高い；AndroidControlで7Bモデルと比較し速度と効率が向上するが精度は基準を下回る。
説明HoloRecon：全体的一貫性を備えた長距離パノラマの増分再構成
要約本論文はHoloRecon（ホロリコン）という枠組みを提案し、ORBベースの疎なパノラママッピングのフロントエンドと微調整済みのフィードフォワードモデルを組み合わせて、長いシーケンスのパノラマ再構成を行います。予測された局所形状を用いて遠距離の再訪問箇所での特徴対応を3次元的に検証し、長距離のカメラ拘束を得ます。疎なランドマークで深度を較正し、全体のポーズグラフを最適化します。また、反復的な建築構造を含む7シーンのベンチマークPanoReconも導入され、提案手法は評価した手法の中で平均絶対軌跡誤差が最も低く、F-1スコアも高い結果を示しました。
説明AdaGround：GUIグラウンディングのための、トークン正規化による適応的ズームと検証器ループ型の改良手法
要約本論文は、高解像度画面上のGUI要素の位置特定、特に小さな対象の認識に対応する、学習不要のフレームワークAdaGroundを提案している。モデル自身が推定した対象サイズに基づいて拡大率や視野、ズームの深さを適応的に設定する仕組み、マーク付きクリックのYes/No検証器によってズームの採否を判断し再グラウンディングを行う仕組み、表のヘッダーからスプレッドシートのセルを構成する仕組みからなる。Qwen3-VLモデルでの実験では、既存の学習不要ズーム手法や多くの学習済みGUIモデルを上回り、OSWorld-GおよびScreenSpot-Proでバックボーンに対して精度が向上したと報告されている。その効果は未知のデータセットであるUI-Visionにも及んだとされる。
説明RangeRectQuant：将来の任意の矩形和に対応する科学フィールドの圧縮手法
要約科学的ラスタデータの圧縮に関する論文です。著者らは、符号化の段階で接頭辞和の誤差を制御し、軸に平行な任意の矩形の和が所定の誤差予算を満たすようにするRangeRectQuantを提案しています。元データがなくても、利用者は任意の矩形を測定できます。計算量は線形で、作業領域は1行分に相当します。地理的に分離した建物域と水域の地図での実験では、同じ要件を満たす他手法と比べて大幅な保存容量の削減が示されています。
説明尾部の手がかり、主成分の補正：オープンセット・テスト時適応のためのプラグアンドプレイ補正手法
要約本論文は、共変量シフトと意味的シフトが同時に存在する非定常なターゲットデータ列を扱うオープンセット・テスト時適応（OSTTA）を対象とします。提案手法TALORは、ソースモデルの線形分類ヘッドを幾何学的な基準として用いる、軽量で逆伝播を必要としない補正モジュールです。特徴量を高利得の主成分座標と低利得の尾部座標に分解し、重み付きリッジ回帰によって主成分部分空間上のアフィン補正を推定します。ImageNet-Cと六つのcsOODデータセットでは、次点のUniEntよりH値が2.2%高く、2.5倍高速で、GPUメモリは12%しか使用しません。
説明サンプル・スコア：IEEE 802.11ネットワークにおける代理モデル誘導型の協調空間再利用
要約本論文は、IEEE 802.11bnにおける協調空間再利用（Co-SR）を扱います。Co-SRは複数のアクセスポイントが同時に送信することでエリアスループットを高める手法ですが、組み合わせの設定空間が大きく、リアルタイムの最適化が難しい課題があります。著者らはランダムにCo-SR設定をサンプリングし、代理モデルで採点して最良のものを選ぶ「サンプル・スコア」手法を提案しています。代理モデルはオフラインで学習され、オンラインでの微調整や逐次探索なしに運用できます。2〜16のアクセスポイントを持つ未知のトポロジーでは、完全な代理モデルのスループットの52〜77％を回復しました。また、完全なサンプル・スコア手法は8192個の候補で上限スループットの95％に達しました。
説明ReLUネットワークの内在的情報理論解析
要約本論文は、深層ネットワークにおける相互情報量の推定がハイパーパラメータの偏りに左右される問題を扱う。ReLUを含む区分線形ネットワークが入力空間を凸な線形領域に自然に分割する性質を利用し、各入力に領域ラベルを付与して相互情報量を解釈可能な幾何学的項に分解する。提案する経路情報の推定量は、同じネットワークとデータに対する既存の三つの基準手法と強く一致し、領域が飽和した場合も関数的同値商によって情報量を回復する。
説明HorizON：有機電池スタックの特性予測のための多ホライズン深層オペレータネットワーク
要約有機電極材料はリチウム、コバルト、ニッケルなどの重要元素への依存を減らせるものの、有機電池は長期の充放電サイクル安定性が依然として限られています。本論文では、一つのモデルでDFT酸化還元電位と、サイクルごとに変化する比容量の推移を学習する、多忠実度・多ホライズンの深層オペレータネットワーク（HorizON）を提案します。完全な電池スタックの表現と使用条件で学習し、正極のみの効果ではなく、電池スタック内の相互作用を捉えます。この枠組みは、有機電池システムの長期特性予測、逆設計、プロセス最適化を支援します。
説明ActiveAlign：能動的知覚によるエゴセントリック操作の位置合わせ
要約本論文は、ロボットが能動的に手を動かし物体に触れることで、実世界とシミュレーションの差を縮める枠組みActiveAlignを提案している。ActiveAlign-Wavingは能動的な手の動きと微分可能レンダリングを用いて手眼キャリブレーションを行い、ActiveAlign-Touchingは触覚フィードバックで物体の位置合わせを改善してミリメートル級の精度を目指す。Unitree G1ロボットでボタンを押す、スライダーを動かすなどミリメートル規模の物体の精密操作を実証している。
説明データは忘れ、能力は保つ：検索向けの切り替え可能な忘却手法
要約本論文は、同一モデルで標準推論（Fullモード）と忘却後の推論（Coreモード）を切り替えられるMoMEフレームワークを提案し、個人の学習データ削除というプライバシー対応要件を満たすことを目指します。Coreモードのコアパラメータは忘却集合の勾配を受け取らないため、削除されたデータから独立しており、提案するForgetting-Rank統計量で監査できます。Market-1501、VeRi-776、RegDBでは、Coreモードが3種類のメンバーシップ推定攻撃下で再学習した参照モデルに近い結果を示し、検索性能はそれを上回るとされています。
注目点勾配隔離による切替可能なパラメータ分岐で忘却を実現し、ランク統計で独立性を監査；三データセットと複数バックボーンで検証。
説明作物分類におけるAlphaEarth埋め込みの評価：分離性、時間変化、地域間転移性
要約本論文は、地理空間基盤モデルが生成する64次元のAlphaEarth埋め込みを、Sentinel-2反射率、NDVIに基づく生育特徴、調和特徴と比較するための、表現方式に依存しない評価枠組みを提案している。対象データは2017年から2023年の米国本土（CONUS）と2021年の北インドの圃場規模データである。埋め込みは分布を考慮した分離性と複数年の輪作動態の捉え方で優れる一方、米国からインドへの地域間転移では調和特徴やNDVI特徴の方が強く、両者を組み合わせると均衡した性能が得られるとしている。
説明重み付き係数制約下で浅い ReLU 近似の最適指数を決める境界幾何
要約本論文は、凸体の境界幾何が浅い ReLU ニューラルネットワークによる L^q 近似にどう影響するかを研究している。対象は重み付き変分空間の単位球で、領域の幾何を出力係数の制約に組み込むことで古典的な空間を拡張している。任意の凸体について上界と下界を与え、平面凸体およびそれと多面体の直積（立方体や円柱を含む）について最適な多項式近似指数を決定している。次元、誤差ノルム、重み付け規則を固定しても、境界幾何によって最適指数が変わりうることを示している。
説明LingGS：フィードフォワード幾何予測とカメラ追跡を分離した高精度ガウシアンSLAM
要約単眼RGBのガウシアンスプラッティングSLAMに向けたオンラインシステムで、凍結したストリーミング3D基盤モデルを仮想RGB-Dセンサーとして深度を推定し、特徴量の再投影に基づく明示的な幾何ソルバーでカメラ運動を求め、ストリーミングガウシアンマッパーで密なシーン表現に統合します。屋内外のデータセットで既存手法より再構成品質が大きく向上し、単一のRTX 4090で約7 FPS、比較した従来のSLAMシステムの2〜3倍のスループットを達成したと報告されています。
説明uTHCD-C：タミル語手書き文字認識の耐ノイズ性ベンチマーク
要約本論文は、タミル語の手書き単一文字認識システムが多様な画像の乱れに対してどの程度頑健かを評価するためのベンチマーク「uTHCD-C」を提案しています。無制約タミル手書き文字データベース（uTHCD）を基に、手書き特有の線の細化を含む10種類の乱れを、それぞれ5段階の強度で設定しています。九つの畳み込み型およびTransformer型アーキテクチャを比較し、VGG16-BNを基準とした平均乱れ誤差（mCE）で評価しました。ConvNeXtとSwinのmCEは最も低く、それぞれ0.75と0.83、ShuffleNetとMnasNetは高く、それぞれ1.55と1.85でした。
説明すべてのロールアウトが失敗する場合：難問推論のための方策互換型同時デコーディング
要約本論文は、検証可能な報酬による強化学習（RLVR）が、モデルにとって難しすぎる問題で学習信号を得られなくなる課題に取り組みます。提案手法PICOは、分布を制約した同時デコーディングにより、専門家データで導きつつ現在の方策と互換性のある、正しい軌跡を生成します。これらの軌跡をオンポリシーのロールアウトと併せて混合行動目的で最適化し、多様な推論データセットとエージェント型ベンチマークで、標準のRLVRおよび既存のオフポリシー基線を上回る結果を示しています。
説明進化するエージェントチーム：局所最適を抜け出すマルチエージェント枠組み
要約論文は、既存のコーディングエージェントが実際の専門家が書いたGPUカーネル（FlashInferなど）の最適化で局所最適に陥ることを指摘しています。著者らは、局所最適を診断してチームを再編する中央監督者と、経験を蓄積する永続ファイルシステムからなる「Evolving Agent Teams」を提案しています。拡張されたトークン予算の下で、生成されたCUDAカーネルはFlashInferのMLA paged decodeカーネルに対し平均1.2倍の高速化を示し、FlashInfer-Benchの47ワークロード中36で勝利しました。
注目点監督エージェントによるチーム再編と永続ファイルシステムを組み合わせ、実際のカーネル最適化で大きな高速化を示し、証拠は充分である。
説明ゼロ和部分観測確率ゲームのための保守的方策反復法
要約本論文は、有限期間のゼロ和部分観測確率ゲーム（zs-POSG）向けの近似方策反復アルゴリズムを提案している。各プレイヤーが一つの方策を保持し、保守的な方策更新によって誘導される占有軌道に沿って両者を共同で更新する。完全な中央値関数を近似せず、現在の同時方策から導かれる単一の支持超平面を各更新に用いる。有限期間のゼロ和POSGベンチマークにおいて、短い期間では競争力があり、長い期間では実行時間と可利用性のトレードオフをPBVI、HSVI、CFR+と比べて改善することが多い。
説明AxisQ：カモフラージュ物体検出のための深度適応型チャネル・周波数量子化手法
要約本論文は、カモフラージュ物体検出モデルの学習後量子化に用いるフレームワークAxisQを提案している。特徴の深さに応じてビット割り当て領域を切り替え、浅い層ではチャネル領域、深い層では局所周波数領域で精度を配分し、カモフラージュ物体検出に配慮した感度と境界を考慮したヘッセ行列近似を用いる。CAMO上のW2A2量子化では、CFRNとCamoFormer-Pの重み付きF値がそれぞれ12.7%と33.3%相対的に向上したと報告されている。
説明MVRCap：階層的多次元検証可能報酬による包括的な動画キャプション生成
要約本論文は、構造化された検証に導かれる強化学習タスクとして動画キャプション生成を再定式化するMVRCapフレームワークを提案している。中核は細粒度の検証可能報酬機構で、階層的概念カバレッジ報酬、事実性検証報酬、簡潔性制約の三つから構成される。あわせてMVRCap-QAとMVRCap-SFTの二つのデータセットを構築した。VDC、CAPability、VC4VGなどのベンチマークで最先端の性能を達成したと報告している。
説明ブースティングによる保険の請求件数と請求額の同時分布型コピュラ回帰
要約本論文は、二変量の応答変数を持つ構造化加法的分布型コピュラ回帰モデルを、モデルベースのブースティング（boosting）によって当てはめる手法を提案し、特に保険の請求件数と請求額の同時モデル化に焦点を当てています。この手法は位置・尺度・形状の一般化加法モデル（GAMLSS）に基づき、応答分布の平均だけでなく複数のパラメータを共変量に依存させることができます。そのため、加法的予測子のレベルで本質的に解釈可能です。合成データと実データで評価した結果、潜在的な共変量効果と依存構造を再現し、有益な変数を特定できること、ベンチマークモデルと比べて競争力のある予測性能を示すことが示されています。
説明「Drop the Details, Get the Gist: Dynamic Conceptual Representation for Video Recognition」：動画認識のための動的概念表現に関する論文
要約本論文は、概念ベースの画像認識手法を動画へ拡張し、多段階の動画を時系列のセグメント単位の概念スコアベクトル列として表現して、Transformerエンコーダで類別を予測する枠組みを提案しています。また、各概念の寄与度を推定して解釈性を高める方法も検討しています。料理と家事の動画で粒度の異なる3つの概念セットを評価した結果、粗い粒度の概念でも分類には十分であることが示されました。
説明ボックスを外した？それとも正しい操作？：クリックの結果でGUIグラウンディングを評価
要約本論文は、既存のGUIグラウンディング評価が注釈付きボックス内のクリックだけを正解とする点を指摘する。実際には同じ操作が複数の要素から発動できるため、著者らはクリックの実行結果で正否を判定する手法を提案する。約千回のクリックを実行して結果マップと実行判定器を作り、2つのWebアプリで検証した。その結果、ボックス方式で不正解とされたクリックの一部が意図した結果に到達し、ScreenSpot-v2の評価も修正された。
注目点標準ボックス判定に代えてクリック結果で評価する新視点を示し、実行プローブと盲検監査でScreenSpot-v2上の影響を検証している。
説明評価基準が遅れるとき：エージェントの継続的自己改善のための評価基準とハーネスの共進化
要約本論文は、継続的な自己改善を行うエージェントのために、評価基準（rubric）とハーネス（実行の枠組み）を同時に進化させるRuHarness フレームワークを提案する。実行軌跡から行動基準を継続的に発見・再評価し、未解決の弱点を優先順位付けして、タスク目標を固定したままハーネスを的を絞って更新する。多様なタスクとバックボーンモデルでの実験では、既存のハーネス進化ベースラインを上回り、特に未見の留保タスクで優れた結果を示した。
説明誰が何を知っており、何を裏付けるのか？多モーダル心の理論のための視点制約付き証拠校正
要約本論文は、他者の信念・目的・意図を推定する多モーダル心の理論を扱います。著者らは、各エージェントが利用可能な証拠だけに基づいて心的状態を推定するPIP-ToMを提案しています。PIP-ToMは、エージェントごとの証拠ストアを構築して構造化された心的状態の主張と対応付け、ベイズ推論の過程を保ったまま仮説のスコアを校正します。GPT-4oを用いたPIP-ToMは、MuMA-ToM、MMToM-QA、Hi-ToMの各ベンチマークで既存手法を上回り、平均正答率はそれぞれ92.56%、95.00%、95.00%だったと報告されています。
説明TAPESTRY：映像生成とロボット制御を一つのバックボーンで行う手法
要約本論文は、事前学習済みの映像拡散Transformerをロボット方策に転用するTAPESTRYを提案します。行動を共有Transformer内で映像のパッチトークンとして扱い、三種類の拡散目標で共同学習します。推論時には映像を生成せず、単一のDDIMステップでコンパクトな行動トークン列を生成し、消費者向けハードウェアで行動チャンクあたり84ミリ秒で動作します。論文は、シミュレーションと実機実験で良好な性能を示し、同種の映像・行動同時方策より推論コストが大幅に低いと報告しています。
説明根拠に基づく早期警告のための増分型ナレッジグラフ学習者デジタルツイン
要約本論文は、学習分析における早期警告のために、軽量なナレッジグラフとして実装された増分型の学習者デジタルツインを提案します。学習トレースと評価記録をタイムポイントごとに再生してツインを更新し、グラフクエリを通じて予測特徴量を抽出します。公開の学習分析ベンチマークで時間的プロトコルに基づき評価した結果、グラフを介した特徴抽出は生テーブルの特徴量と同等の予測性能を維持し、各警告を追跡可能な証拠連鎖として示せることが示されました。
説明ユニバーサル復号とバンディットによるチャネル選択を用いた可変長フィードバック符号化
要約本論文は、雑音分散が両端で未知だが既知の区間に含まれるK個の加法性白色ガウス雑音チャネル上での可変長フィードバック（VLF）符号化を扱う。受信側は各時刻に1つのチャネルを選び、その選択を無雑音フィードバックで伝えるとともに、復号しながらチャネル品質を学習する。著者らは2つの符号化とチャネル選択の統合方式VLSF-BanditとVLF-Banditを提案し、両方式について二次の達成可能性境界を示している。
説明言葉か行動か？LLMは人とエージェントの対話でユーザーの意思決定をどう予測するか
要約本研究は、大規模言語モデルがユーザーの発言と過去の意思決定記録を組み合わせて、協力ゲームにおける選択を予測する方法を検討したものです。42人のユーザーが五つの性格設定を持つエージェントと1,260ラウンドの繰り返し囚人のジレンマ型ゲームを行い、各決定の前に対話できる設定でした。決定記録だけで協力と裏切りをよく区別でき、対話を加えても明確な改善は見られませんでした。一方、モデルは口約束を過度に重視し、発言と行動が食い違う場合に予測の誤りが大きくなりました。
説明弱点の特定だけでは不十分：大規模言語モデルのための状態認識型再帰的知識改善
要約本論文は大規模言語モデルの知識改善について、モデルの知識の弱点を特定するだけでは、どのように改善すべきかを決めるには不十分だと指摘する。同じ弱点でも知識の運用状態が異なる場合があるため、著者は再帰的知識改善（RKI）を提案する。RKIは知識をグラフ構造の単位に整理し、各ラウンドで診断証拠と介入履歴から知識状態を推定して適切な介入を選び、更新後に再評価する。HotpotEvalとSafeInternalEvalで、既存の知識組み込み手法を平均18.41ポイント上回ったと報告している。
説明マルチブランチ探索による潜在視覚対照推論：複数の視覚的手がかりを並列に探る手法
要約本論文は、マルチモーダル大規模言語モデルの複雑な視覚推論における課題を扱い、視覚潜在空間で問いに条件付けられた複数の潜在視覚ブランチを生成する潜在視覚対照推論フレームワークを提案している。学習では、バウンディングボックスの証拠アノテーションから目標証拠表現を構築し、ソフト対照ブランチ-証拠整合目標を用いる。Qwen2.5-VLの3Bおよび7Bモデルで、知覚集約型の視覚推論ベンチマークにおいて、ベースモデルおよび単一経路の潜在推論ベースラインを総合的に上回ったと報告している。
説明SetGRPO：採点器が引き起こす方策最適化の較正
要約本論文は、ルーブリックに基づく強化学習において採点器のランダム性がGRPOの学習更新を変えてしまう問題を扱い、SetGRPOを提案している。手法は、学習係数の結合不確実性集合を構築する結合報酬集合較正、係数を局所更新幾何に写像して安全な回復比率を定める幾何誘導型安全回復、そして受理された更新の条件付き方向反転リスクを制御する選択的リスク門制御最適化の三つの要素からなる。著者らは、三領域にわたる10の自由記述ベンチマークで、Qwen3.5とLlama3.2の両モデル系列において比較した全学習手法の中で最高のマクロ平均を達成したと報告している。
説明大規模言語モデルの知識を用いた分布外表形式データ予測の改善：交差検証による正則化手法
要約本論文は、学習集団と運用集団が異なる場合に予測モデルの性能が低下する問題を扱う。大規模言語モデル（LLM）から特徴量の係数事前分布を引き出し、正則化回帰の縮小先（ゼロの代わり）として用いて、五つの表形式データセットで分布外予測を検証した。事前分布は、ソース領域の交差検証のみでモデル提供者と事前分布の構造を選択している。結果として、四つのデータセットで分布外平均二乗誤差が最大7.9％改善したが、候補となる事前分布間の差は平均的な効果を上回った。また、一部のデータセットでは領域内精度も分布外と同程度に向上し、学習データが十分大きい場合にのみ、引き出された知識が転移を明確に改善した。
説明人格潜在変数：本人の文章から凍結言語モデルを条件付ける手法
要約本論文は、各人の文章から潜在変数（Personality Latents）を学習し、人格ラベルや人手で書かれたプロファイルを使わずに、凍結した言語モデルへソフトプレフィックスとして注入する手法を提案している。エンコーダは新しい人物の潜在変数を一度の順伝播で予測でき、テスト時には任意で精緻化できる。留保した人物に対して、条件付けされたモデルの回答から人格を評価した結果、MBTIの各軸で人格埋め込みやプロンプトベースの基準より高いAUCを示し、三種類の埋め込み空間で評価しても順位は保たれた。Qwen2.5-3B-Instructで学習した潜在変数は、新しいアダプタのみでLlama-3.1-8B-Instructにも人格を転移できた。
説明API-TAIL：温度整合型尤度テールによる LLM API のモデル差し替え検出
要約商用の言語モデル API はテキストのみを返すため、事業者が一部のリクエストを安価な代替モデルへ密かに振り分け、宣伝どおりのモデルとして課金する恐れがあります。本論文は、有効温度を揃えてバッチ全体の偏りを吸収し、残った異常な応答の数が閾値を超えたときに差し替えを検出する監査手法 API-TAIL を提案しています。実際の商用 API での評価では、誤検知を制御しつつ、少ない問い合わせで低頻度の部分的な差し替えを検出でき、既存の順位ベースや MMD ベースの手法より優れていると報告されています。
説明言語モデルは放棄した構文解析を保持する：ガーデンパス文の後の残留と適応
要約本論文は、ガーデンパス文（途中で誤解を招き後に訂正が必要になる文）を読んだ後、言語モデルが放棄した構文解析を依然として保持しているかを検証しています。24の公開モデルを調べ、放棄された解析の残留が後続の目的語付加に影響すること、また正しい構造への適応が見られることを報告しています。残留は名詞句の状態に含まれる役割情報に由来し、その状態を置き換えると大部分が消えることが示されています。
注目点活性化パッチングで残留と適応の二つの機制を分離し、24モデルで花園路径文の持続効果を検証しており新規性が高い。実験規模と対照も充分。
説明トランスフォーマーの代数体系
要約従来のトランスフォーマーの理論解析は、主に計算可能性に着目してきた。無制限精度トランスフォーマーのチューリング完全性や並列化の利点、有限精度トランスフォーマーの限界などである。本論文は、トランスフォーマーの関数分解の結果に基づき、推論のための代数体系を与える。この体系では関数分解を原子的動作とし、逐次合成と並列合成、フィードバックのための再帰、隠れ層のための抽象化を備える。著者らは、トランスフォーマーを論理的にモデル化する初の試みであり、トランスフォーマーを基盤とする応用の正しさの検証に用いられるとしている。
説明Select-TTT：その場テスト時学習のためのクエリ条件付き選択的高速重み更新
要約本論文は、デプロイ済み言語モデルが入力文脈を少数の高速重みに取り込むテスト時学習を扱います。既存のIn-Place TTTは全チャンクを同じ強度で書き込むため、無関係な内容が重要な情報を薄めると指摘しています。提案手法Select-TTTは、冻結された出力ヘッドから得たクエリとの関連度で各チャンクの書き込み強度を調整し、教師信号や新たなパラメータは必要としません。二つのベンチマークと二つのバックボーンモデルで長文脈質問応答の性能を一貫して向上させたと報告しています。
説明次トークン想像による視覚的自己回帰生成：学習データを超えて妥当な視覚表現を探索させる手法
要約視覚的自己回帰生成は通常、正解の次トークンのみを教師として学習するため、学習はデータ内に限られます。本論文は次トークン想像（NTI）を提案し、正解の次トークン以外の妥当な視覚表現をモデルが探索できるようにします。想像は視覚分布の範囲内に抑えるよう基準が設計されています。ImageNetでの実験では、NTIが生成画像の忠実度を大きく一貫して向上させ、より小さなモデルと低い学習コストで拡散モデルや自己回帰モデルの最先端水準に近づくことが示されています。
説明OmniGlimpse：オンライン多視点追跡のための非対称な識別子メモリ手法
要約本論文は、オフラインのシーン固有学習やカメラ校正を用いずに、異なる視点の観測を正しい対象に対応付けるオンライン多視点識別子維持（OMIM）の問題を扱う。著者らは、適応的な関連付けと安定した識別子の統合を分離する非対称の提案・検証フレームワーク「OmniGlimpse」を提案している。M3TrackとMvMHATにおいて、オンラインベースラインを上回る改善を示し、IDF1ではオフライン学習の参照手法も上回ったと報告している。
説明CVBL-CCTV-Face データセット：監視映像における実環境顔強調・認識のためのデータ
要約本論文は、監視用CCTVで撮影された顔画像の低解像度、ぼけ、ノイズ、遮蔽といった劣化が顔認識の信頼性を損なう問題を扱います。超解像と個人識別を目的とした枠組みを提案し、その基盤として、8MP IPドーム型CCTVカメラで撮影された低品質画像と、統制された環境で撮影された高品質の参照画像を対にしないかたちで収めたCVBL-CCTV-Faceデータセットを構築しています。システムは顔検出、深層学習による超解像、埋め込みモデルから抽出したL2正規化埋め込みによる識別で構成され、3種類の設定で強調モデルを学習・評価し、実時間の非制約環境での本人確認に配備されています。
説明LLMの事前学習は通常「安定性の縁」で行われるのか？
要約本論文は、ニューラルネットワーク学習の動態を近似する二次近似の妥当性を再検討し、特にLLM学習での失敗ケースに着目しています。学習率に依存しない持続的な負の曲率によって二次近似の動態が発散する「凸性の縁（EoC）」を提示し、確率的な適応的最適化手法向けに安定性の縁（EoS）の一般化された定義を提案しています。最大787Mパラメータまでの複数のLLM事前学習で、EoCは常に観測され、EoSは広く見られるものの普遍的ではなく、学習率が十分小さい場合やバッチサイズが臨界値を下回る場合には消失すると報告しています。
注目点Edge of Convexityを提案し、Edge of Stabilityを一般化して最大787MパラメータのLLM事前学習で系統的に検証しており、二次近似の破綻理解に寄与する。
説明数学的議論の依存グラフ：表現、構造的測定、証明レビュー
要約本論文は、大規模言語モデルの支援により数学的議論を表現し測定する枠組みを提案する。命題、式、仮定などとその依存関係を記録し、深さや依存辺の数といった構造指標を定義する。標準化された提示プロトコルを含むが、作者は評価設計を示すのみで実証的な結果は提示していない。提案された前提は数学的な検証が必要であり、これらの指標は数学そのものの難しさや重要性ではなく、指定された表現方法を記述するものである。
説明反復最適化ループのバッチ化：並列提案でGEPAを高速かつ高精度に
要約本論文はオープンソースの最適化器GEPAを拡張し、各最適化ステップで候補を一つずつではなく一括で提案・評価するようにした。二つのタスクでの実験では、ほとんどのバッチ設定で実時間が半分以下に短縮され、最速のものは約四分の一から三分の一となった。また、非公開テストでのスコアも向上した。有限のワーカープール下での高速化を説明する簡単な実行時モデルと、固定の最適化予算を並列の各軸にどう配分するかについての初期検討も示されている。
説明LLMはオリンピック級の証明を確実に採点できるか：LLMによる数学的証明の検証研究
要約本論文は、大規模言語モデル（LLM）が自然言語で書かれた数学的証明を検証する能力を体系的に調べたものです。USAMO 2025の候補解答を専門家が採点した人手作成のデータセットを構築し、TROJANという反復的な自己批判パイプラインで対抗的証明を大量に生成しています。さらに、採点を多腕バンディット問題として扱うMABGraderを提案し、二次重み付きカッパ係数で既存の最先端手法ProofGraderを26.4%上回り、採点誤差を14%減らしたと報告しています。
説明評価に基づく示範改善による視覚・言語・行動方策：MetaFine オープンコンペティション優勝手法
要約本論文は MetaFine オープンコンペティションの優勝手法について述べたものです。5 つのタスクそれぞれに π0.5 方策を微調整し、把持、押し込み、挿入で繰り返し生じた失敗に対して、示範動作の修正と、方策が到達した状態からの専門家による継続示範の追加を行いました。各指示ごとにチェックポイントを比較し、最終提出の MAI が 96.66 点で総合 1 位となりました。
説明「証拠一貫性の罠」を超えて：時間的に乱れた偽ニュース検出のためのエージェント駆動型証拠選択
要約本論文は、現実の出来事の時系列を偽って並べ替える偽ニュースに注目します。個々の出来事は事実でも、時間関係が誤って示される場合があり、類似の出来事の証拠が別の時期から検索されると誤判定が生じることを指摘し、これを「証拠一貫性の罠」と呼びます。著者らは30,706件の記事からなるChronoFakeベンチマークを構築し、証拠選択を反復的に改善するDelSAを提案しています。DelSAは記事の時系列と証拠の時系列を比較して時間的矛盾を明らかにし、ChronoFakeで既存手法を上回り、PolitiFactとGossipCopでも競争力のある結果を示しています。
説明語彙はすでに存在する：事前学習済みの解釈可能な特徴を生成型推薦に適応させる
要約本論文は、事前学習済みスパースオートエンコーダの特徴インデックスを、語義ID（SID）の再利用可能な語彙として使うAPIフレームワークを提案している。語彙を新たに学習せずに、特徴インデックスと相対的な活性化強度を保持するPIDsを用い、SPAが特徴インデックスと強度を同時に予測して利用者の嗜好を学習する。実験では、複数のバックボーンと復号方式で競争力のある性能を示し、説明可能な検索を可能にすることが報告されている。
説明自動化実験室を監査可能にする：ハイブリッド動作・計測・安全実行の統一フレームワーク
要約本論文は、自動化実験室（SDL）でロボット制御と計測機器のインターフェースを連携させる課題に取り組み、四つの構成要素からなる追跡可能なフレームワークを提案している。構成要素は、LAM（Lab Action Model）、OpenSDL、Safe-SDL実行時ゲート、L3-Benchである。これらを組み合わせて、ハイブリッド動作生成、監視付きの機器実行、計測フィードバック、実験評価を一貫して結び付ける設計を示している。
説明GeoGSplat：幾何に基づく非ピクセル整列ガウススプラッティング手法
要約本論文は、フィードフォワード型の3Dガウススプラッティングモデル「GeoGSplat」を提案し、非ピクセル整列の枠組みに幾何学的事前情報を組み込んでいる。二分岐エンコーダで粗い3D構造と細かなシーン特徴をそれぞれ捉え、階層型デコーダが稠密な3D点とガウス基本要素を段階的に生成して、3D再構成と新視点合成を行う。DTUおよびNRGBDでの評価では既存のピクセル整列・非ピクセル整列の手法を上回り、入力カメラから目標視点が離れるほどその優位性が増すと報告されている。
説明DocSkill：多言語マルチホップ文書質問応答のためのスキル統合型エージェント推論
要約本論文は、多言語マルチホップ文書質問応答において、証拠の取得と推論を適応的に行うため、学習されたスキル編成方策を備えたエージェント型フレームワークDocSkillを提案している。スキルの軌道はモンテカルロ木探索でオフラインに生成され、教師ありファインチューニングと直接選好最適化に用いられる。また、10言語・8つの文書分野にわたる6万組の質問応答ペアからなるデータセットMMHop-DocBenchを公開している。Qwen3-VL-8Bを用いたDocSkillは、同データセットで正解率41.0、F1 49.2を達成し、MMLongBench-DocとDocBenchでも競争力のある性能を示した。
説明拡散過程に対する周波数一様な対数リグレットの強化学習
要約本論文は、制御された拡散過程をオイラー法で離散化した場合の強化学習を扱います。性能は、対応するオイラーモデルの最適方策に対する K エピソードの累積リグレットで測ります。価値関数の勾配などに関する条件のもとで、時間刻み δ によらない定数で O(log K) のリグレット上界を示します。ドリフトが未知パラメータについて線形で拡散共分散が未知定数の場合には、制約付きのモデルベース手法 CD-FQ を提案し、高確率の O(log K log log K) 上界を得ます。
説明リモートセンシング画像・テキスト検索の効率化：相互作用なし再現と文章誘導型再ランキング
要約本論文は、リモートセンシング画像とテキストのクロスモーダル検索のための高速から精密へ（FTF）の検索フレームワークを提案している。相互作用を使わない多粒度の粗い再現と、平衡型テキスト誘導相互作用ブロック（BTIB）によるパラメータ不要の再ランキングを組み合わせる。さらに、多粒度表現のアラインメントを同時に最適化する模態間・模態内損失を設計した。公開ベンチマークで競争力のある検索精度と、検索効率の大幅な向上を示したとしている。
説明内容不変勾配帰属による頑健な大規模言語モデルのデータ選択
要約既存の全体的な勾配帰属手法は表層形式による偏りを持ち、言い回しや書式の細かな変更だけで、内容が同じでも帰属スコアが大きく食い違うことを指摘している。著者らは、内容不変勾配帰属（CIGA）という指示データ選択の枠組みを提案し、帰属に影響力があり、意味を保つ表層的摂動に対しても勾配が安定している層を選び、その信号を入力の意味表現と動的に融合する。複数のベンチマークで、表層摂動下でもより安定したランキングが得られ、平均性能が向上し、帰属コストも削減されたと報告している。
説明科学機械学習の時間補間のための生成的修正学習（2つの観測の間の中間場を再構成する手法の研究）
要約本論文は、2つの観測時刻の間にある中間の科学的場を再構成する手法iFLEXを提案している。まず両観測の加重平均で初期推定を行い、条件付き拡散モデルで真の中間場との残差を学習・生成し、それを平均に加えて再構成する。Navier-Stokes Kraichnan乱流、上海のレーダー降水、海表面温度のデータで評価し、比較したベースラインより再構成誤差が小さいと報告している。
注目点加重平均の上に条件付き拡散モデルで残差を学習し、3つの科学データセットで光学フローや動画補間基線と比較しており、証拠は十分で分野への有用性がある。
説明MODIS分光・時系列アンミキシングのための多タスク分離融合Mamba-CNN（エンドメンバー変動モデリング付き）
要約本論文は、MODIS時系列データの分光・時間アンミキシングを行うMDF-Mambaを提案します。チャネルごとの分光エキスパートと双方向状態空間（Mamba）の時間分岐により分光情報と時間情報を分離し、mHCFusionで両者の出力を統合します。画素ごとに学習可能な変動重みでエンドメンバーの変動も扱います。アルバータとサスカチュワンの両州のデータで、14指標中12指標で最良の結果を示したと報告されています。
説明神経集団ダイナミクス解析の基盤としての神経細胞アイデンティティ
要約本論文は、神経細胞の分子・形態・電気生理学的な生物学的特徴に基づいて神経細胞を潜在グループに振り分け、グループレベルの表現を通じて神経集団のダイナミクスを解析する枠組みを提案している。割り当ては個体間で一貫した生物学的特性に基づくため、再学習や神経細胞間の対応付けなしに未見の個体へ転移できるとされる。ゼブラフィッシュの全脳カルシウムイメージングとマウス視覚野の大規模電気生理データで評価され、神経デコーディングと多様体解析の両方で優れた結果を示している。
説明イベントストリーム候補選択における読み出し方式と動作点の感度分析
要約本論文は、イベント駆動型録画における対象の捕捉と誤トリガーのトレードオフを検討し、47名の参加者と520件のDailyDVS-200クリップから得た実イベント累積データで、エンコーダ、累積時間、時間視点数の異なる条件下での候補選択性能を比較しています。読み出し方式や閾値の校正によって手法間の比較結果が大きく変わることを示しています。著者らは、結果はオフラインかつ動作に基づく候補選択に限られ、JEPA固有の優位性は確認されていないと述べています。
説明CAMR：大規模言語モデルの継続学習のための互換性認識型メモリリプレイ手法
要約本論文は、大規模言語モデルが既存の知識を保持しながら新しい知識を獲得するための継続学習フレームワーク、CAMRを提案している。互換性チェックと学習型メモリゲートを組み合わせ、新しい事例ごとに三つの行動から選択するオンラインポリシーを用いる。Qwen3-8B-Baseを用いて、WikiBigEditおよびTRACEの複数タスクで評価し、比較手法を上回る結果を報告している。
説明Hy-Nomas：自由形式のインタラクティブな世界生成に向けて
要約本論文は、80億パラメータの拡散モデルを基盤とする動画世界モデル Hy-Nomas を提案している。複数回のやり取りにわたって自由形式のテキスト指示と連続的なカメラ制御に対応する。構造化された動画キャプションと動作を意識した因果注意を組み合わせ、視覚言語プロンプト拡張器と段階的な学習カリキュラムで学習する。人手による評価では既存の世界モデルより優れた結果が示され、モデル重み、コード、ベンチマークが公開されている。
説明SAMを段階的に改良した植物プランクトンの高精度セグメンテーション（PhySeg）
要約本論文は、植物プランクトンの画像分割に取り組むため、SAMを基盤とし軽量な改良モジュールを加えたPhySegという枠組みを提案しています。多スケールの特徴融合によって細部を段階的に復元します。また既存データセットにインスタンス単位のマスクを手作業で付与し、分割用データセットを構築しています。実験により分割精度の向上が示されています。
説明SAGE：汎用視覚認識のための顕著性アニーリング型ゲート付きエンコーダ
要約本論文は、自己教師あり学習で得られたVision Transformerを密な予測タスクに適応させるため、ViT-Adapterを強化したバックボーン「SAGE」を提案している。顕著性による誘導構造、アニーリングに基づく学習手法、Focal LossからVarifocal Lossへ滑らかに移行する2段階の品質考慮型学習機構を組み合わせている。著者らは、COCO、ADE20K、TinyImageNet、DIOR-Rなど複数のタスクで最先端または競争力のある結果を報告し、華為昇騰NPU上で多タスクの最先端結果を達成した初のフレームワークだと述べている。
