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。
説明閉じた領域における小型振動駆動ロボット群の分散型予測フロッキング制御
要約本論文は、各ロボットが非線形モデル予測制御問題を自ら解き、近傍のロボットとは予測軌道のみを交換する分散型予測フロッキング制御器を提案する。面積0.64平方メートルの領域で、オープンソースの振動駆動ブリッスルボットのデジタルツイン上で、六種類の安全制約定式化を比較し、先読み型離散時間制御障害関数（CBF）が全体として最も良い結果を示した。走光性、走光性周回、刺激なし凝集の三つのタスクで、十台から幾何学的充填限界までの群規模を試験し、小規模群では衝突が少なく、充填限界に近づくと急増する一方、協調と凝集は緩やかに低下することを示した。
説明報酬をサンプリングせず統合する：全二重音声モデルにおける割り込みと相槌のためのウィンドウ尤度
要約全二重音声対話モデルは、ユーザーが割り込んだときは発話権を譲り、相槌を打つだけのときは発話を続ける必要があります。本論文は、タイミング報酬を用いた系列レベルの強化学習（GRPO）の全ロールアウト版を四つの公開モデルで検証し、二つの問題を指摘しています。二値のウィンドウ報酬は学習が最も必要な窓で勾配がゼロになり、ロールアウトごとの一つのスコアは報酬の定義に含まれない聴取状態の判断に分散してしまいます。著者らはウィンドウ尤度（WL）を提案し、各窓の停止判断について閉形式で積分し、正しい行動の対数確率を最大化します。HumDial-FDBench では、構造の異なる六つの公開モデルすべてで WL が最良の譲り／保持 F1 を示し、いずれのモデルでも発話権の再開問題は生じませんでした。
説明加法的スペクトル変動を持つ構造化線形混合モデルによるハイパースペクトル分解
要約本論文は、大気の影響、材料自体のばらつき、照明や地形の変化によって生じるスペクトル変動に対応するため、構造化加法的変動線形混合モデル（SAV-LMM）を提案している。このモデルは、標準の線形混合モデルに2つの項を加えて変動を加法的に扱う。著者らは非負値行列分解に基づく2つの分解アルゴリズムと、変動を考慮した新しい初期化手法を設計した。合成データと実データでの実験では、変動のある画像の線形分解において、比較した最先端手法より有効であることが示されている。
説明Infinity Machine：研究向けの自己改善型AIエージェント
要約本論文は、答えをプログラムやデータで検証できる研究課題に用いる、自己改善型AIエージェントInfinity Machineを紹介している。14の問題に6日間取り組み、量子情報分野のカタログ化された未解決問題で、公表済みの最先端を超える4つの結果を報告している。またSABREの量子ビットルーティングで付加ゲート数を68,559から12,087に減らしたとしている。失敗例も併せて記録されている。
説明ExCal：超過キャリブレーションによる最適化不要の多変量時系列異常検知
要約本論文は、正常データのみで学習する多変量時系列異常検知手法ExCalを提案します。生の状態検索、信号・導関数の部分空間、複数の時間スケールにわたる頑健統計量を組み合わせ、勾配最適化や異常ラベルを必要としません。TSB-AD-Mの180系列で、AUC-PRとVUS-PRは24手法中2位でした。上位の非事前学習手法との有意差はなく、残る21のベースラインに対しては有意に優れています。推論はバッチかつトランスダクティブで、オンライン適用性は検証されていません。
説明コピーを防御に：モデルの複製を誘導して画像の編集を防ぐ
要約本論文は、Flux Kontextなどの拡散トランスフォーマー（DiT）ベースの画像編集器に対する能動的防御手法Copying-as-Defense（CaD）を提案します。画像の共有前に知覚しにくい摂動を加え、初期ブロックでターゲットトークンの注意を参照画像に集中させることで、編集動作を崩し、モデルに入力画像を複製させます。実験では、無防備な画像での編集成功率81.4%が24.0%に下がり、最強のベースラインDeContextより相対的に44.3%さらに低下したと報告されています。また、最適化ステップ当たりの速度は比較手法の約1.8〜2.0倍とされています。
注目点参照画像を無視させるのではなく複製させる新しい防御戦略を提案し、複数エディタとベンチマークで編集成功率を大きく下げている。
説明高解像度の触覚観測により、隠れたラケット制御の仕組みを学習可能に
要約本研究は864ノードの触覚・慣性グローブを用い、70人以上の参加者から5種類の技術にわたる14,000回以上のストロークを100Hzで同期収集しました。感覚運動制御に着想を得た二層の力学ベースの枠組みで、触覚履歴から対象駆動と握り安定化の制御を推定し、その時空間的な力の発現を再現します。熟練度が高いほど広範囲ではなく選択的な制御が見られたことから、力の制御と力と運動の協調に焦点を当てた個別指導を提示しています。
説明多忠実度学習が原子モデルの不確かさ分解を変える仕組み
要約本論文は、原子スケールのモデリングで大量の低忠実度データで事前学習し、少量の高忠実度データで微調整する多忠実度学習が予測の不確かさに与える影響を調べています。ANI-1xで学習した平均分散MACEモデルのディープアンサンブルを用い、ゼロからの高忠実度学習と事前学習後の微調整を比較しました。未知の分子系と高エネルギー構造という二種類の分布のずれの下で、偶然的・認識的・総合的な不確かさを分析しています。事前学習は予測誤差を減らし不確かさに基づく順位付けを改善しましたが、予測分散の較正は不十分で、エネルギー外挿時にはさらに悪化しました。較正の劣化の多くは高忠実度最適化の段階で生じていました。
