本サイトは 12 時間以上更新されていません（通常は 3 時間ごと）。以下の内容は最新でない可能性があります。
このページに条件に合う項目はありません（絞り込みはこのページ内のみ）。
説明三次元LiDARセグメンテーションにおけるテスト時適応下の汎化カテゴリ発見のための二次元基盤モデル事前知識の活用
要約自動運転で三次元LiDARの意味セグメンテーションが、環境変化に適応しつつ未知カテゴリを認識する課題を扱う。提案手法は二段階構成で、第一段階では幾何的密度の変化に応じて局所特徴を集約し、大域的なクラス別プロトタイプ一貫性の制約下で信頼できる疑似ラベルを得る。第二段階では新規カテゴリのグルーピングを最適輸送による割り当て問題として定式化し、二次元基盤モデルの意味特徴を三次元点群特徴と融合して分離性を高める。
説明波動物理を表現として用いる：海洋音響場のためのテンソル構造ニューラル再構成
要約本論文は、疎な測定から三次元の海洋音響場を再構成する手法を扱う。ヘルムホルツ方程式と正規モード伝搬から構造化された空間・角度テンソル表現（S/c表現）を導出し、それを帰納バイアスとして用いる神経再構成器TIDALを提案している。従来の物理ベース手法に必要な既知のモデルパラメータを必要とせず、三つの構造化サンプリング形状で最も高い再構成性能と最速の推論を示した。
説明Xiaomi自動車ワールドモデル2.0：実世界の運転と身体性知能のための因果ワールドモデル
要約本論文は、物理AIのための統合型ストリーミング因果ワールドモデル「Xiaomi自動車ワールドモデル2.0」を提案し、実世界における因果的な物理変化をモデル化・生成するとしています。視点横断の時空間アテンションと多視点回転位置符号化を組み合わせ、WorldRec 2.0が複数視点・複数時刻の観測から静的・動的な3Dガウシアンを再構成して、長期生成時の幾何と外観を保持する明示的なシーン文脈として用います。学習は事前学習、中間学習、蒸馏による事後学習の順に行われ、閉ループシミュレーション、閉ループ学習、ワールドアクションモデルへ応用されます。
説明MMCoT³：3Dと文章を交互に用いるマルチモーダル思考連鎖による3Dシーン理解の強化
要約本論文は、テキストによる推論と3Dシーンの根拠となる情報を交互に組み合わせるMMCoT³フレームワークを提案しています。推論の途中でシーンの観測を参照できるようにし、同じ語句が複数の候補物体に対応する曖昧さには、クエリ誘導型のクロスアテンションによる曖昧さ考慮型の証拠統合で対処します。また、約17.62万件の3D向け思考連鎖指示チューニングデータセットPointCoTを構築し、6つのベンチマークで最先端の結果を示しています。
説明単一画素定量位相イメージングのための学習型光学圧縮
要約本論文は、回折エンコーダとデジタルニューラルデコーダを共同最適化し、再構成に関係する位相情報をコンパクトな測定ベクトルに集約する単一画素定量位相イメージング手法を提案している。再構成可能な位相変調面が、入力物体に依存しない学習済みの符号化パターンを順次表示し、各パターンは1つのスカラー強度測定値を与える。可視光波長での実験では、再構成画素数の2.55%の強度測定回数で約40倍の次元圧縮を実現した。
注目点回折エンコーダとデジタルデコーダを共同最適化する単画素定量位相イメージングを提案し、作者は手書き数字と格子状位相物体で実験検証し、相関係数0.945・0.848を報告。
説明ランダム回転はGPTQをどれだけ改善するか：高レート領域における最悪ケースの速度差の厳密な結果
要約本論文は、コレスキー分解に基づくBabaiの最近平面アルゴリズムであるGPTQと、WaterSICの高レート・エントロピー符号化条件下での速度差を研究する。Haar回転の後、第k主成分がリアプノフ指数の古典的公式に概収束することを示し、それを用いて回転後の最悪ケースの速度差の漸近式を与える。回転は注水法を一般には代替できないが、実際の重み層では外れ固有値のコストを大きく下げることを示している。
注目点新規性はHaar回転後のピボットの極限をリャプノフ指数の古典公式で特徴づけ、最悪ケースの差の紧界を与えた点にある。作者は96個のQwen3・Llama-3.1のHessianで検証したと報告している。
説明代替効果とプール増幅：生物学的ワールドモデルが行動を使うかを設計ベースで検定する
要約行動条件付きワールドモデルは無作為化実験のデータで学習されることが増えており、行動を置き換えたり除去したりして精度低下を測ることで予測が行動に反応するかを確かめるのが一般的です。本論文は、自己相関のある設計では、そうした診断が実際には存在しない行動効果を報告してしまうことを示します。設計の法則が既知の場合の、e値として書かれた条件付き無作為化検定と、複数の部位が同じ行動系列を共有する場合の汇集スコアの問題も扱います。
注目点行動の摂動診断が偽の効果を報告する問題を指摘し、設計ベースのe値検定と池化増幅を提案。合成データと光遺伝学実験で検証と報告。
説明カメラベース緊急ブレーキ搭載のGatedVLA：AlpaSimエンドツーエンド閉ループ挑戦の技術報告
要約本報告は、物理AI自動運転トラックへの参加案GatedVLAを紹介します。視覚・言語・行動方策とフローマッチングによる行動エキスパートを組み合わせ、2.5秒先までの加速度と曲率の制御を出力します。さらに、エキスパートのクロスアテンションにソフトな視覚マスクを適用しています。150シーンの局所閉ループ評価では、視覚マスクによって平均スコアが0.479から0.517に上がりました。ルールベースの自動緊急ブレーキ（AEB）を加えると平均スコアは0.599になり、責任のある衝突が起きたシーンの平均数は34.0から11.0に減少しました。
説明多変量時系列データ向けのハイブリッド異常検知手法
要約本論文は、発電所やスマートハウス、サーバーなど、複数のセンサーで状態を収集するスマートシステムの多変量時系列データを対象とした、ハイブリッド深層学習による異常検知手法を提案している。時間情報と空間情報の両方を捉えるため、変分オートエンコーダ内の2次元畳み込みネットワークによる特徴抽出と、予測ベースの2次元畳み込みネットワークおよびゲート付き再帰型ユニットを組み合わせている。公開データを用いた実験で、既存の最先端手法と比較して有望な結果が示されたとしている。
説明スマートメーターデータから電気自動車を識別するためのハイブリッド異常検知手法
要約電気自動車の充電は、負荷の不均衡や電圧の不安定化など電力網に課題をもたらすため、配電事業者はどの需要家が電気自動車を所有しているかを把握する必要があります。本論文では、この問題を教師なし問題として捉え、予測ベースと再構成ベースの異常検知手法を組み合わせたハイブリッド手法を提案します。スマートメーターの時系列データの時間的情報と確率的な表現情報を、それぞれ予測ベースと再構成ベースの要素で扱います。実データを用いた検証で、既存の教師ありおよび教師なし手法より優れていることが示されています。
説明EEG-HealthLLM：多様な脳波健康評価のための大規模言語モデル階層適応フレームワーク
要約本論文は、異なる構成の脳波（EEG）信号を扱い、複数の健康評価タスクを統一的に実行するための、パラメータ効率の高いフレームワーク「EEG-HealthLLM」を提案しています。タスクごとのEEGアダプターで各タスク固有の時空間特性を保持し、共有LoRAをPhi-3などの大規模言語モデルに組み込んで、タスク横断的な高次の評価意味を捉えます。既存の五つの脳波データを再編成したEEG-HealthBenchも構築されています。実験では平均バランス精度69.58%を達成し、言語側のアダプター規模を80.0%削減しました。
説明長短フロー写像に基づく物理情報付きワンステップ生成手法
要約本論文は、ワンステップ生成を大域的な変化を担う長いフロー写像と、終端付近で閉形式解と物理ポテンシャルを持つ短いフロー写像に分解する、物理情報付き生成モデルLSFM-DGを提案している。短いフロー写像がゼロに近づくと、長いフロー写像の学習にデータ分布と物理の直接的な目標を与える。蒸留を用いずに、より高いデータ忠実度と物理的一貫性を達成するとしている。
説明観測できない相手とのマルコフゲームにおけるオンライン学習の、ほぼ最適な√K後悔界
要約本論文は、学習者が相手の行動を観測できない二人用マルコフゲームにおけるオンライン学習を扱います。相手は各エピソードで任意かつ未知の方策をとりえます。著者らは、任意の相手方策に対して Õ(H^{3/2}S√(AK)) の経験的ナッシュ値後悔を達成するアルゴリズムを提案し、最悪ケースで√Kのレートが可能かという未解決問題に答えました。このアルゴリズムは大域的計画と局所的計画を組み合わせ、局所的な損失推定と実行方策の総損失との差を制御します。
注目点最悪ケースで√K後悔が達成可能かという未解決問題に答え、大域・局所計画を組み合わせたアルゴリズムの紧界を示す。
説明dKV Forcing：微分可能なKVキャッシュで生成表現と記憶表現を分離する手法
要約因果的な動画生成モデルでは、各セグメントについて、現在のノイズ除去に使うKV状態と、後続セグメントが読むためにキャッシュへ書き込むKV状態の二つが生じる。本論文は、共有バックボーン上の書き込み専用の低ランク残差によって記憶の書き込みを生成から分離し、その書き込み内容が後で読まれることを通じて学習するdKV Forcingを提案する。報告では、SGFと比べて60秒で美的品質（VBench-Long）が6.6点、240秒で8.5点向上し、被写体・背景の一貫性も高いとされている。
説明収益の公平性：価値加重ランキングのための結合学習と公平性
要約本論文は、リスク審査や推薦システムにおいて、阻止される価値の予算の下で口座を並べ替え、損失の捕捉と群間の苦情格差のバランスを取る方法を研究している。加重二値交差エントロピーと、群ごとに重みを変える苦情ペナルティを提案し、公開の推薦、保険、信用、住宅ローンのデータセットで比較している。固定された最低保持損失捕捉率において、群を区別しない価格設定に対して統計的に有意な平均的優位性は確認されなかったと報告している。
説明UA-Depth：素材によらない物体操作のための不確実性考慮型深度復元
要約本論文は、RGB-Dカメラが透明・反射・半透明などの非ランバート物体で生じる深度の穴やノイズを修復するUA-Depthフレームワークを提案します。深度と画素ごとの不確実性を反復的に共同で精緻化し、冠の基盤深度モデルを事前情報として欠損深度を初期化します。八つのゼロショットデータセットで代表的ベースラインを上回る平均順位を達成し、予測された不確実性は6D姿勢推定と6D把持生成にも活用されています。
説明CREDO：証拠に基づく時間推論エージェントのための信用割り当て手法
要約本論文は、時間知識グラフ質問応答（TKGQA）を対象に、中間的な証拠を用いて局所的な教師信号を得るCREDOという手法を提案している。すべての試行が失敗したグループでも信用を割り当てられる点が特徴である。MultiTQおよびTimelineKGQAにおいて、比較対象の基準手法より高い精度を示したと報告している。
説明チャネルアテンション付き浅い過パラメータ化ニューラルネットワークによる補間空間での非パラメトリック回帰の鋭い汎化解析
要約本論文は、固定共分散ベースのチャネルアテンションを備えた過パラメータ化二層ReLUニューラルネットワークによる非パラメトリック回帰を研究し、両層を同時に勾配降下法で学習させる。早期停止した学習の回帰リスクがO(ε_n²)に達することを示し、固有値が多項式的に減衰する場合にはその境界が極小最適率に一致する。さらに、R^d上に台を持つ共変量への拡張と、次数ガウス分布下でのほぼ最適な回帰リスクを示している。
説明即答か、それとも上位モデルへ？リアルタイム全二重音声モデル向けの学習後エキスパート振り分け
要約本論文は、リアルタイム全二重音声モデルが発話を始める瞬間に、質問をその場で答えるか、より強力な専門モデルに任せるかを判断する方法を研究している。著者らはMiniCPM-o 4.5を凍結し、その音声入出力のみを使い、既存の聞き取りから話し始めへの遷移時点の隠れ状態に対してロジスティック失敗読み出し器を当てはめてゲートとした。このゲートは追加の生成を必要とせず、しきい値は全二重の方針を変えずに再調整できる。内部ベンチマークでは、選択的な引き継ぎにより回答精度が27.1ポイント向上した。
説明ウルドゥー語ナスタアリーク手書き文字認識のための視覚言語モデルのベンチマーク
要約本論文は、ウルドゥー語手書きデータセット（UNHD）の2,465枚の一行画像を用いて、微調整を行わずに六つのシステムを比較しています。対象はTesseract、印刷ウルドゥー語用認識器UTRNet-Large、二つのオープンソース視覚言語モデル、二つの商用視覚言語モデルです。商用モデル二つは、印刷ウルドゥー語認識器とオープンソースモデルより誤り率が低い結果となりました。さらに、他のOCR出力を視覚言語モデルで修正する実験も行われ、効果は元テキストの読みやすさに左右されることが示されています。
説明BanglishDepYT：感情を保つ前処理とドメイン適応事前学習によるベンガル語SNSのうつ病検出
要約この論文は、YouTubeから現地のベンガル語で収集したうつ病検出用データセットBanglishDepYTを紹介しています。未ラベルのコメント19万1千件と、二言語による二重アノテーションで検証した1000件のサンプルを含みます。著者らは感情表現を保つ前処理手法EPHを提案し、SahajBERTに対してドメイン適応事前学習（DAPT）を行いました。DAPT-SahajBERTは平均F1とMCCで最高値を示し、大規模言語モデルによる補助アノテーションと半教師あり学習でも評価しています。
注目点感情信号を保つ前処理と領域適応事前学習を組み合わせ、ネイティブのベンガル語データで複数比較と有意差検定を報告し、コードとデータを公開している。
説明オープンな視覚言語モデルを放射線学の「システム1」意思決定モデルとして評価したゼロショット研究
要約本研究は、7種類の放射線学タスク（レポート本文、X線、CT、MRI）において、2つのマルチモーダル「システム1」意思決定モデル（Clef 27B と d1 3B）を従来型の大規模言語モデル（Qwen 3.8-27B）と比較したものです。いずれのタスクでもモデルのファインチューニングは行っていません。レポートからの所見抽出はいずれのモデルもAUROCが0.95を超えました。一方、d1は7タスク中6タスクでClefを下回り、リクエストあたりのエネルギー消費はClefの3分の1から9分の1でした。著者らは、システム1モデルは低い計算コストで放射線学タスクを遂行できると結論づけていますが、運動アーチファクトの重症度判定では、どのモデルも良好な性能を示しませんでした。
説明EgoMo3R：一人称視点からの人体動作と環境の同時3D再構成
要約本論文は、一人称視点の動画から3D人体動作と場所の形状を同時に再構成する共同最適化フレームワーク EgoMo3R を提案しています。単眼深度、オプティカルフロー、点トラッキングといった低レベルの視覚幾何情報と、拡散モデルに基づく人体動作の事前分布を組み合わせ、交互最適化によって両者を相互に補正します。EgoExo4D と Nymeria の動きの激しいデータで評価し、3D再構成と一人称視点の動作推定の両方で専用のベースラインを上回ったと報告しています。
説明特殊および一般の計算美学の範囲
要約本論文は、計算機科学と美学が交わる計算美学（Computational Aesthetics）の範囲を論じ、二つの階層を提案している。特殊計算美学（SCA）は美的測定と美的過程のモデル化を中心とし、一般計算美学（GCA）はそこに計算美学モデルに導かれた美的生成を加える。さらにAIGCやAIアートなど隣接概念との関係を整理し、冯沛（Feng Peng）の美の計算可能性の議論を理論的参照として境界を明確にしている。
説明FinForesight：金融予測のための深層研究システムを診断するバックテスト基準
要約本論文は、金融深層研究システムの予測能力を評価するための診断型バックテスト基準FinForesightを提案する。中国、米国、香港の市場で、バリュエーション、リターン順位、イベント方向、将来の財務ファンダメンタルズという四つの予測タスクを評価し、反事実推論と金融計算の二つの能力診断タスクは予測性能とは別に採点する。検索される証拠は予測日時点で利用可能な情報に限定される。事前学習期、学習データのカットオフ後に結果が確定した期間、リアルタイム評価の結果を比較した結果、多くの時期の比較で事前学習期の得点がカットオフ後を上回り、検索制御を強めるとカットオフ後のバックテストと実時間結果の差が縮まった。
説明重要な画像領域を見て負荷に応じて検証する：視覚言語モデル向け負荷適応型投機的デコーディング（Uni-LaSpec）
要約本論文は、視覚言語モデル（VLM）向けのブロック並列投機的デコーディング枠組み Uni-LaSpec を提案する。検証モデル自身の注意機構を再利用して、草案モデルが参照する少数の重要な視覚トークンを選び、GPU の負荷に応じて検証構造を動的に決定する。6 つのモデルと 17 のベンチマークで、8 個の視覚トークンを選ぶだけで全画像の受理率の少なくとも 98.6% を維持し、並行数 1 の貪欲デコーディングでテキストは最大 5.11 倍、マルチモーダルは最大 3.24 倍のスループットを達成した。
説明大規模言語モデルを用いた構造化・テキスト・画像特徴による多モーダル住宅価格予測
要約本論文は、物件の構造化属性、テキスト説明、物件写真を統合して住宅価格を予測する多モーダルな枠組みを提案している。大規模言語モデルでテキストから時空間的・文脈的特徴を抽出し、教師なしの視覚言語手法で写真を室内、屋外、混合、間取り図などのクラスに自動分類する。すべての特徴を統一表現に融合し、最適化された回帰器で価格を予測する。大規模な実物件データセットでの実験では、従来手法や既存の多モーダル基準手法を上回り、アブレーション実験によりテキスト特徴抽出と分類された視覚埋め込みの寄与が確認されている。
説明Sonny-ENS：機械学習によるアンサンブル気象予報の仕組みを解説
要約本論文は、モンテカルロ・ドロップアウトを用いた6890万パラメータのニューラルネットワーク3つからなるアンサンブル予報モデルSonny-ENSを提案し、連続順位確率スコア（CRPS）を目的関数として2.7 A40 GPU日で学習したと述べています。2022年の評価では、570の対象のうち96%で欧州中期予報センター（ECMWF）のアンサンブル予報よりCRPSが低く、リードタイム1〜10日の平均CRPSは8.3%低かったとしています。さらに、ドロップアウトによる不確実性の注入は主に熱帯で起こり、アンサンブルの広がりは大気の傾圧不安定と関連することを示しています。
注目点新規性は、極めて少ない計算資源で学習したML集合予報がENSやGenCastを上回り、そのばらつきの源を説明する点にある。作者は2022年の570目標でENSおよびGenCastと比較し、アブレーションと疎オートエンコーダ解析を報告している。
説明公平性を考慮した分類のための代理損失：Fisher一貫性と校正
要約本論文は、人口統計学的パリティと機会均等の下で、代理損失を用いた公平性考慮型分類が元の目的関数における最適な判断を得られるかを検討しています。公平性考慮型のFisher一貫性を定義し、代理損失の導関数に関する条件によってそれを特徴づけています。また、公平性考慮型の超過リスクと代理の超過リスクを関連づける校正不等式を示しています。消費者信用のデフォルト予測への応用では、適切に校正された公平性正則化により、予測性能を維持しつつ人口統計学的格差を大幅に減らせることが示されています。
説明Halal-NeSyNet：食品原材料のハラール監査向け条項スコープ付きニューロシンボリック交差注意モデル
要約本論文は、原材料表示とE番号添加物から食品がハラールかどうかを判定するためのモデル Halal-NeSyNet を提案しています。DistilBERT によるテキスト符号化と、規則から生成した記号ベクトルを交差注意と門付き融合で組み合わせ、誤ってハラールと判定するリスクを重く扱う非対称損失で学習します。3,199件のベンチマークで評価し、テキストのみのベースラインより高い精度を示しましたが、ラベルと特徴が同一の規則エンジンから作られているため、結果は宗教認証ではなく規則方針への忠実度を測ったものとされています。
説明NatureFusion：赤外線と可視光画像の融合を自然な相補的強調として再定義する手法
要約本論文は赤外線と可視光の画像融合手法NatureFusionを提案します。両モダリティを単純に重ね合わせる従来手法とは異なり、モダリティ間の相補的情報を用いて、低品質の画像ペアから鮮明で自然な可視光風の画像を生成します。生成基礎モデルを教師として監督用の融合画像を作り、軽量な融合アダプタで事前学習済み生成モデルを微調整します。さらに検出器で監督されたタスクアダプタによって赤外線の相補的寄与を強めます。7種の融合手法および7種の単一モダリティ強調手法との比較で、知覚品質が最も高いことが示されています。
説明MedNetとU²-ViT：多様な医用画像生成のための入れ子型ビジョントランスフォーマー拡散フレームワーク
要約本論文は、医用画像の不足とクラス不均衡という課題に取り組み、61の疾患カテゴリ・160クラスにわたり人間と動物を含むデータセットMedNetを提案しています。画像は信頼性の高い公開リポジトリから収集されています。あわせて、ビジョントランスフォーマーをU-Net構造に入れ子状に配置した拡散ベースのテキストから画像への生成アーキテクチャU²-ViTを提案しています。実験では、最先端モデルと比較して最良のFréchet Inception Distance（FID）スコアを達成したと報告されています。
説明DyRadio：動的電波マップ再構築のための時空間拡散手法
要約本論文は、動的環境において時間的に分散した疎な測定データから連続する電波マップ（RM）を再構築するDyRadioフレームワークを提案している。伝搬の事前知識に導かれ、ノイズを条件とする時空間拡散モデルで複数フレームのRMを同時に再構築し、未知の測定ノイズレベルは反復的な予測尤度法で推定する。実験では、すべての評価設定で最良のベースラインよりピーク信号対雑音比（PSNR）が1.18～5.75 dB向上し、測定ノイズに対しても頑健であることが示された。
説明スパースルーティングはいつ有効か：エキスパート分離の幾何学
要約本論文は、各入力に対して一部のエキスパートのみを評価するスパース混合エキスパート（MoE）モデルにおいて、エキスパートの分離と経路の疎性がエキスパートの復元にどう影響するかを検討する。専門家数が固定された位置ガウス混合モデルを対象に、分離の幾何構造が稠密モデルと疎モデルでそれぞれどのように復元速度を決めるかを示す。Top-1ルーティングでは、分離量に依存しない速度でエキスパートを復元できるとされている。
説明近東およびヨーロッパのサンショウウオの写真による高精度な自動個体識別
要約本論文は、種特有の学習を必要としないゼロショット局所特徴マッチング（SuperPointとLightGlue）に基づく、火サンショウウオの写真識別パイプラインを提案しています。イスラエル北部のハイファとテル・ダンで撮影された2,440枚の野外写真で評価されています。黄色い斑点模様を抽出し、高信頼度のキーポイント一致数で画像の類似度を測り、二段階のクラスタリングで個体を割り当てます。保留された個体に対して正解個体を1位に挙げた割合は95.2%、個体識別のARIは0.958でした。ヨーロッパサンショウウオの2つのデータセットでは、修正なしでtop-1精度が95.1%と91.7%でした。
説明SCOUT：物体中心の世界モデルのロールアウトによる遮蔽下での計画手法
要約本論文は、雑然とした環境で前景物体に遮蔽された場合でも、ロボットが動作を計画できるようにするSCOUTフレームワークを提案しています。物体中心のシーン表現で隠れた形状を復元し、LLMが候補動作を提案したうえで、学習された行動条件付き世界モデルとモンテカルロ木探索で評価します。Revealタスクとplacementタスクでは、VLAポリシー、具現化エージェント、3D世界モデルを上回る結果を示し、実際の棚環境でのロボット操作でも検証されています。
説明自己符号化器に基づく点群の深層クラスタリング
要約本論文は、点群で表現された三次元形状の深層クラスタリング問題を扱う。動機は生成型仕様生成AI（SPAIs）における問題にある。FoldingNet自己符号化器をまず再構成のために学習させ、その後得られたコードワードにK-means++を適用する完全教師なしのパイプラインを検討している。ModelNet10とModelNet40のデータセットで、クラスタ数Kの関数としてクラスタリング精度（ACC）、正規化相互情報量（NMI）、調整ランド指数（ARI）を報告し、コードワードのt-SNE可視化とKの選び方についても論じている。
説明復元可能性を考慮した拡散モデルによる動画インペインティングと物体除去の評価
要約物体除去のための動画インペインティングは、マスク領域全体で一括採点されることが多いが、物体の背後の背景は、ある画素では同じショット内の他フレームで見え、別の画素では全フレームで見えない。論文は、クリーンな動画上で点トラッカーを用い、各マスク画素が観測されるかどうか、またどれだけ離れて観測されるかで層別する評価法を提案する。さらに、学習なしで追跡された色を拡散モデルの潜在予測に混ぜる証拠誘導サンプリング（EGS）を提案する。DAVIS上では、拡散式除去手法のフロー伝播法に対する知覚的優位は、内容が数フレーム先で見える箇所では縮小し、EGSは保持データで複製基準との差の43%と56%を縮めたが、マスク入力上で追跡すると、MiniMax-Removerでは改善がなく、ROSEでは悪化した。
注目点可復元性で層別する動画インペインティング評価と学習不要の証拠誘導サンプリングを提案し、拡散モデルが観測済み内容を活用していない点を、DAVISと実データ、事前登録の確認実験で示す。
説明小さな物体がある場所にビットを使う：航空検出のためのレート効用領域符号化
要約帯域が限られた航空カメラ向けに、各領域の期待検出効用と実測バイトコストに基づいて、領域を捨てるか低画質または高画質で送るかを、全画像で共有する一つの乗数により決める速率効用領域符号化（RUO）を提案している。VisDrone-DET の全 1,610 枚のテスト画像で、RUO は共有の小物体平均精度（AP）範囲にわたる平均で、調整済みの閾値型 ROI 符号化より 42.4% 少ないビットで済む。小物体については AVIF、HEVC および三つの既発表の学習型コーデックより少ないビットで済む。
説明動かないコードでもスコアはほぼ変わらない：判定モデルによる評価の再現研究
要約本論文は421件のプログラミング課題で、先行研究の評価を再現しています。ベースのQwen-2.5-7B-InstructとGRPOで学習した2つの版を比較し、一方は実行テストを報酬とし、もう一方は強力な言語モデルの判定を報酬としています。学習後のチェックポイントは試行の63%から67%で無効なPythonコードを生成しましたが、判定モデルによるPass@32の得点は約3ポイントしか下がりませんでした。著者は、判定ベースのスコアを報告する際には、Python構文チェックを通過した回答の割合も併記することを勧めています。
説明生成型推薦における探索認識型のオンポリシー自己蒸留と兄弟整合
要約この論文は、意味IDを自己回帰的に生成してビームサーチで項目を検索する生成型推薦を対象としています。提案手法SA-OPSDは、学生モデル自身のビームサーチで訪れた状態へ、自己教師モデルの特権知識を転移します。演化境界サンプリングは剪定境界に近い重要な状態を優先し、信頼度分離型分岐蒸留は目標確率の校正と競合する分岐間の関係監督を分離します。Industrial、Office、Instrumentsのデータセットで実験を行っています。
説明エージェント型ワークフローにおける原理に基づく人間とAIの協働
要約本論文は、人間によるレビューなしに公開してよいAI出力を判断するための統計的枠組みを提案します。導入前に専門家が一部の出力を評価し、その判断をもとに検証器のしきい値と試行回数を調整します。MultiHiertt金融質疑応答の事例では、自動化率が2.50%から24.17%に上昇し、公開された出力の誤り率は約1.20%にとどまりました。
注目点専門家評価で検証器の閾値と試行回数を較正し、有限サンプルの誤り率制御と極小最大下界を与える点が新しい。MultiHiertt金融QAで自動化率の向上を報告。
説明検証損失を超えて：ロボット方策の事前学習における網羅性と信頼性の動態
要約本論文は、同一初期条件から k 回の実行を行ったとき少なくとも 1 回成功する確率を表す、閉ループ pass@k 指標を研究しています。多様な事後学習手法において、大きな k の pass@k は pass@1 では捉えられない差異を示し、教師あり事前学習の過程では pass@k が異なるチェックポイントでピークに達し、網羅性と信頼性のトレードオフが現れることが報告されています。これに基づき、閉ループ評価を必要としない純粋なオフラインのチェックポイント選択基準と、生成的データ拡張の手法が提案されています。
説明Transformerにおけるメタ記憶と記憶のスケーリング則
要約本論文は、Transformerモデルがどのようにデータを記憶するかを研究している。モデルが大きいほど記憶できる容量（ビット単位）はパラメータ数におおむね線形に比例し、大きなモデルほど少ない繰り返しで記憶できることを示した。ランダムな二値系列を用いた実験で、この二つのスケーリング則を再現している。さらに、多くのランダム系列を記憶したモデルは新しい系列をより速く覚える「メタ記憶」効果があり、単層のTransformerでも100ビットの系列を少数回で記憶できると報告している。
説明ChatDify：マルチエージェント協調による自然言語からのDifyワークフロー自動生成
要約本論文は、自然言語による記述からDifyプラットフォームのエンドツーエンドのワークフローを自動生成する多エージェントフレームワーク「ChatDify」を提案している。Actor-Critic構成の3つのエージェント（計画・実行・レビュー）が、タスクの分解、パラメータとDSLの生成、ハイブリッド検証による閉ループ修正を担当する。100件のタスクによる評価では、3種類のLLMバックエンドで成功率はそれぞれ0.96、0.91、0.75だった。
説明条件付き拡散モデルの有限時間オンライン・サンプル複雑性の解析
要約本論文は、オンライン確率的勾配によるノイズ除去スコアマッチングで学習させた条件付き拡散モデルの、有限時間での学習誤差とサンプリング誤差を研究している。有限回の確率的勾配更新後のスコアネットワークを解析し、近似の複雑さと学習サンプル数を分離して、両方の誤差を逆拡散過程に伝播させる。最終的に、近似誤差の次数と、初期化・時間離散化・近似・有限時間最適化の各誤差に分解される全変動距離の上界を示している。
説明連続フローによる生成モデル：フローマッチングのサンプル複雑性
要約本論文は、常微分方程式に基づく生成モデルの手法であるフローマッチング（Flow Matching）の理論的性質を検討します。従来の分析が経験的リスク最小化を厳密に行うと仮定していたのに対し、有限のデータセットと有限回の確率的勾配更新による誤差を考慮しています。いくつかの正則性と安定性の仮定のもとで高確率の保証を示し、誤差を近似誤差、統計誤差、裾の誤差、最適化誤差に分けて評価しています。
説明多スケール時空間最適輸送によるテキスト支援型イベントストリーム視覚的場所認識
要約本論文は、イベントカメラによる視覚的場所認識（VPR）のためのMSTOT-EPRという手法を提案している。視覚エンコーダとテキストエンコーダで、イベントストリームとシーンのテキスト情報からそれぞれ特徴を抽出し、最適輸送の制約でクロスモーダルな整合を行う。さらに、クロスモーダル・ボトルネック融合モジュールで二つのモダリティの特徴を融合し、多スケール空間最適輸送とフレーム間時間最適輸送のモジュールで時空間イベント特徴を抽出する。著者らはNYC-Event-VPRとEPRBenchのデータセットでの実験により、本枠組みの有効性を示したとしている。
説明大規模言語モデルは、オープンエンドの多ターン対話における目標追求にエージェント能力を広げられるか？
要約本論文は、対話の行動をツール呼び出し、相手の応答をツール結果として表す訓練不要のプロトコル「ツール介在型対話（TMI）」を提案します。推論・行動・観察の循環を推論と対話履歴を保持したまま維持します。社会的対話、感情的支援、説得、価格交渉の4タスクで、2つのモデルと15,678の主実験エピソードを用いて評価しました。結果として、TMIは思考あり・なしの対話ベースラインより多くの目標指標で改善し、推論トークンと短語の再利用も減らしました。
説明TopoDPO：構造に敏感な航空写真指示セグメンテーションのための密な選好整合手法
要約本論文は、航空写真における指示型セグメンテーションのためのトポロジー認識型の密な選好整合フレームワーク TopoDPO を提案している。連結成分の差異とマクロな角の再現率を用いて情報性の高い選好ペアを抽出し、空間的に集約する前に各局所マージンに選好ペナルティを適用する。4590 件の構造ストレステスト集合 Topo-RS-Hard において、画像単位の直接選好最適化（DPO）と比べて交差率（IoU）が向上し、Betti-0 誤差が低減したと報告している。
説明多次元の視点から見た大規模言語モデルの同質化の再検討
要約本論文は、大規模言語モデルの出力の類似性を、埋め込み類似度による単一のスコアではなく、意味・語彙・統語・構造・文体と提示の五つの次元にわたる25の解釈可能な指標で測定します。18の現行モデルを調べた結果、モデルは全体的な意味は似ていても、語彙、構造パターン、対話の慣習では異なることが示されました。2024年から2026年までのリリースを比べると、モデルは自分自身に近づく一方で、互いには近づいていないことが分かりました。
説明Band2Net：fMRIを特権情報とし、EEGのみで行うセッション条件デコードのための周波数からネットワークへの輸送蒸留
要約本論文は、学習時のみ利用可能なfMRIを特権情報とし、運用時には携帯性はあるが局在性の低いEEGのみを用いるBand2Netという手法を提案している。EEGを5つの周波数帯域ごとの接続グラフに、fMRIを7つの標準的な脳ネットワークトークンに符号化し、各EEG帯域に対応するfMRI目標を与える平衡エントロピー輸送問題を解く。PsiConnectデータセットの被験者分割交差検証において、EEGのみによるセッション条件デコードでROC-AUC 0.801に達し、EEGのみの生徒モデルを5.0ポイント上回った。
説明GSExplorer：永続的な3Dガウシアン世界状態を用いた対話型世界生成
要約本論文は、永続的な3Dガウシアン世界状態を保持し、長い探索でも場所の一貫性を保つ生成・再構成フレームワーク「GSExplorer」を提案している。条件付きビデオ生成器とSLAMベースの再構成バックエンドを組み合わせ、不整合フィルタリングとチャンク間のバンドル調整で一貫性を維持する。WorldScoreの単一ステップ・三ステップ評価で総合的に最良の結果を示し、単一ステップ外挿のカメラ制御スコアは99.07である。
説明MoPort：動作言語モデルのための視点認識型2Dインターフェース
要約本論文は、単眼動画の2次元関節列を動作言語モデルで直接扱えるようにするMoPortを提案している。二つの視点から得た同一動作の潜在表現を整合させるPaired View Alignment（PVA）と、2次元列から推定したカメラ外部パラメータで符号化を変調するCamera-Modulated Encoding（CME）を用いる。HumanML3D、KIT-ML、Fit3Dでの結果が示されている。
説明感情アノテーションにおける意見の不一致の構造：アノテーターはなぜ判断が割れるのか
要約本論文は、感情アノテーションにおけるアノテーター間の不一致のタイプを検討し、ヘミングウェイの『老人と海』の1,677文単位のマルチラベル注釈と、BRIGHTERおよびGoEmotionsの個別アノテーションを比較しています。3つの繰り返し現れる不一致構造、すなわち感情カテゴリーの体系的な重なり、ラベルの適用範囲やカテゴリー境界の扱いの違い、そして疎な参加や明示的な棄権が不一致に見えること、が示されています。同様の全体的な不一致が質的に異なる注釈過程から生じうるため、集約やモデリングの前に背後のパターンを理解すべきだと論じています。
説明軸方向計測のためのタスク駆動型スパースビュー平面X線CT
要約本論文は、完全な画像再構成ではなくタスクに必要な情報を中心に設計した、層状物体のスパースビュー平面X線断層撮影を研究している。裏面ドリル加工されたプリント基板ビアの軸方向終端ギャップ測定を代表例とし、3次元再構成を行わず、多色投影データから物理ベースの感度モデルを用いてこのギャップを直接推定する。数値実験では、総光子数を固定した条件で、タスク駆動型の計測結果は12〜64ビューの範囲でほとんど変化せず、再構成駆動型の計測は視点数に強く依存して誤差が大きくなることが示されている。
説明CUFormer：整形外科ナビゲーションのためのモダリティ認識型CT-超音波点群位置合わせ手法
要約本論文は、術中超音波で取得した骨表面点群を術前CTモデルに位置合わせし、放射線を使わない整形外科ナビゲーションを支援するCUFormerフレームワークを提案する。モダリティ認識Transformerと、成像可視性に基づく対応点の重み付けを用いる。UltraBones100k、UltraBonesHip、SpineDepthの各データセットで評価方法の中で最も低い平均位置合わせ誤差を達成し、UltraBones100kではRMSEが2.54 mmで、最良のベースラインより65.8％低減した。
説明AbacusGS：点ごとのソートを行わないガウシアン・スプラッティング
要約3D ガウシアン・スプラッティング（3DGS）は毎フレーム、すべてのスプラットを奥行きで並べ替えます。CPU で並べ替えを行う Web・モバイル向けビューアでは、この処理がフレーム時間の大半を占めます。AbacusGS は、シーンのブレンド順序をシーンのデータレイアウト内に保存する手法です。スプラットを最大 128 個の八分木ボックスにまとめ、書き込み時に選んだ軸に沿って各ボックスを順番どおりに格納します。フレームごとに並べ替えるのは可視ボックスのみで、ボックスごとの内積によって前方向・後方向のどちらで読むかを決めます。同条件で微調整した 3DGS モデルと比べ、13 の標準シーンでの PSNR の平均低下は 0.13 dB です。CPU でスプラットを並べ替える OpenGL ビューアでは、点ごとの並べ替えより 4.5 倍速くレンダリングします。
説明同次関数の勾配を学習する手法
要約本論文は、勾配が同次関数の勾配に対応することが保証される同次勾配ネットワーク（GradNets を発展させたもの）を提案し、オイラーの同次関数定理を用いて構成している。単調な同次 GradNets が k 次同次凸関数の勾配を万能近似できることを示している。最大エネルギー部分空間投影および償却内積探索の実験で、ベースラインの ICNN を上回る結果を報告している。
説明AR-RRG：解剖構造ガイドと検索駆動による放射線読影レポート生成手法
要約本論文は、医用画像から放射線読影レポートを自動生成する手法AR-RRGを提案します。放射線科医の文書作成負担の軽減を目的とし、解剖構造を考慮した自己学習型病変検出ネットワーク（ASLDNet）と、検索駆動型レポート生成モジュール（RRRG）から構成されます。著者らは、MS-CXR、MIMIC-CXR、IU X-Rayでの評価において、主要指標で従来手法を上回ったと報告しています。
説明ツールの状態から科学的行動へ：バイオメディカル研究エージェントの判断の来歴を監査する
要約本論文は、科学計算の各地点で保存された参照値と候補値の組を用いて、エージェントが異なる証拠を読みながら同じ結論に至るかを検証する BioAgent-DF を提案しています。結論が変わらなくても引用される証拠が変化しうるため、監査は使用した証拠と最終的な回答の両方を追跡すべきだと示しています。hERG 心臓安全性アッセイの割り当てでは、数値の故障により検査判断が変わりましたが、実行状態の復元と認証済みスコアの提供で 39 件の変更すべてが回復し、誤った行動は確定しませんでした。
説明InformedXRD：粉末回折の対称性分類における再現可能なベンチマークと物理情報に基づく評価
要約本論文は、粉末X線回折（PXRD）の対称性分類を機械学習で行う研究のための評価フレームワーク「InformedXRD」を提案している。230の空間群から99の消滅群への機械可読な対応表、凍結スナップショットから再現できるベンチマーク構築法（RRUFF-473、RRUFF-325、小規模例のopXRD-98）、そして先験的頻度ベースライン、ラベル置換検定、階層を考慮した誤差指標、層別評価からなる報告手順を含む。評価設計によって導ける結論が変わることを示し、対応表、コード、チェックポイントを公開している。
説明AI支援型およびAI指向型の統合センシング・通信・計算に関するサーベイ
要約本論文は、統合センシング・通信・計算（ISCC）に関するサーベイである。学習ベースの手法がセンシング、通信、計算の共同設計と最適化を支援するAI支援型ISCCと、これらの機能が学習、推論、分散知能を支えるよう共同で構成されるAI指向型ISCCという二つの観点から検討している。あわせて、AIとISCCの共同設計、設計手法、システム構成、性能指標、評価の実践を比較整理し、未解決の研究課題を示している。
説明モデルが読む形で事実を書き込む：「2ホップの呪い」の克服
要約本論文は、微調整で新しい事実を学習した言語モデルが、その事実を用いた二段階の推論を行えない「2ホップの呪い」を扱います。著者らは推論能力自体は保たれており、微調整による事実の書き込み方に問題があると主張します。そこで、橋渡し句の表現をモデルが新しい実体をどう読むかに合わせる損失項（Legible）を提案し、MQuAKE や RippleEdits などのベンチマークで既存手法より優れた結果を示しています。
説明視覚テキスト圧縮の課題：読み取れても使えるとは限らない
要約本論文は、視覚言語モデルが画像内の文字を一字一句書き起こせても、そこから質問に答えられないことがあると指摘し、この差を「読み取り-利用ギャップ」と名付けています。認識と利用では必要な解像度が異なり、証拠を言葉にすることでこの差が縮まることを示しています。提案手法ALOUDは、視覚解像度を証拠の発見と認識に、言語トークンを証拠の利用に割り当て、凍結したモデルの長文書での精度を大きく向上させています。
注目点視覚テキストの読み取りと利用の差を提起し、ALOUDを提案。摘要では長文書圧縮で凍結モデルの精度が約2倍になり、複数手法と比較したと報告。
説明CLIPのタイポグラフィ回路のラベル不要な特定とテスト時抑制
要約CLIPベースの視覚言語モデルが、画像内に描画された文字がその意味内容を文字どおりの意味で上書きしてしまうタイポグラフィ攻撃に弱い理由を扱う論文です。著者らは注意ヘッドごとに分解する疎辞書学習の構造を提案し、ラベルを使わない指標で文字情報を担う注意ヘッドを特定します。テスト時にそれらのヘッドのパッチトークンへの注意を弱めると、複数のCLIP変種と文字攻撃ベンチマークで攻撃下の物体分類精度が改善し、一般的な画像認識の精度低下はわずかであると報告しています。
説明分子スキャフォールドのずれの下での共形較正と選択的予測の監査：棄権は新規性より局所ラベル分散に多く使われる
要約本論文は、勾配ブースティング指紋モデルに対する選択的予測と分割共形較正の手法を、Bemis-Murcko骨格分割の下で、親油性（回帰）とBBBP（分類）の分子特性予測について検証している。共形カバレッジは較正データの出所に依存し、棄権スコアは化学的新規性よりも局所ラベル分散とより強く連動することが示された。また、固定された検査予算の下では、区間幅やアンサンブル分散によるゲーティングが命中精度を改善しなかったと報告している。
説明OpenULF：古典センサと量子センサの両方に対応するデータ駆動型超低磁場MRIのためのモジュール式ツールキット
要約本論文は、超低磁場MRI（磁場強度10 mT未満）のデータ駆動型再構成のためのオープンソースのシミュレーションツールキットOpenULFを提案します。対になった学習データを生成し、Bloch方程式で検証された物理シミュレータ、SQUIDおよびコイル受信器のモデル、再構成用ニューラルネットワーク、自動設計空間探索エンジンを統合しています。著者らは774のモデルを学習させ、約450 μTでSQUIDとコイルの性能が交差することを見いだし、最適なセンサはSNRではなくデータセットと磁場強度によって決まると述べています。
説明一階双レベル強化学習のサンプル複雑性の改良解析
要約本論文は、上位目標が下位の強化学習問題に対する方策の応答を通じて最適化される双レベル強化学習を扱う。報酬モデルを学習しながら方策をその報酬に適応させる場面で現れる問題である。連続状態・有限行動の設定で、単一ループの完全一階法を提案し、多層ニューラル方策と非線形な価値評価器を用いる。特定の条件の下で結合された反復の収束を示し、上位目標の期待二乗勾配ノルムを O(ε) とするのに必要なサンプル数が約 O(ε^-2) であることを導く。
説明FedUDG：ラベルなしクライアントを扱うフェデレーテッド・ドメイン汎化手法
要約本論文は、クライアントのデータを集約せずに未知のドメイン環境でも信頼性高く動作するモデルを学習する、フェデレーテッド・ドメイン汎化（FDG）の手法FedUDGを提案しています。連合レベルではラベル付きデータのみで更新される意味的アンカーを用い、ラベルなしクライアント内では高信頼度サンプルの自己学習と無ラベル表現蒸馏を組み合わせた学生・教師フレームワークを採用しています。さらに差分プライバシー版DP-FedUDGを開発し、プライバシーとOOD汎化のトレードオフを評価しています。論文では4つの評価プロトコルで既存手法を上回ると報告されています。
説明スイープを減らし、より多く操る：活性化ステアリングの幾何学を用いた超パラメータ探索の削減
要約本論文は、大規模言語モデルの振る舞いを制御する表現ステアリング手法（差分平均法DIM）を扱う。判別指数d'により、対照的な訓練活性化がステアリング方向に沿ってどれだけ分離するかを測定し、5つの振る舞い、3つのモデルで検証している。その結果、d'は層ごとの探索を省き、ステアリングに適した層を確実に選べることが示された。開放型生成でも層選択に有効だったが、個々の例でのステアリング成功の予測は一貫しなかった。
説明TopoSteer：大規模言語モデルの活性化ステアリングのための位相的な層選択手法
要約本論文は、大規模言語モデルの推論時に内部表現へベクトルを加えて出力を制御する活性化ステアリングにおいて、どの層に加えるかを扱います。提案手法TopoSteerは、各サンプルの変位からなる点群のユークリッド最小全域木の長さ（H_0持続性）によって層を評価します。複数の言語モデルと制御タスクで、判別性に基づく層選択より効果的なステアリングが得られ、検証用データは不要とされています。
説明マルチパス・パラメータの同時推定のためのスペクトル畳み込み分解Transformer：ミリ波測位と無線SLAMへの応用
要約本論文は、雑音を含む複素チャネル推定値とビームペア記述子から、マルチパス成分の遅延、到来角、出発角を同時に推定するスペクトル畳み込み分解Transformer（SCFT）を提案しています。見通し内（LoS）と見通し外（NLoS）の経路の検出と分類も行います。実環境に近いレイトレーシングデータでは、最強の比較手法であるResNetと比べてGOSPA誤差が13.4%低減しました。独立スナップショット測位と無線SLAMでは、ResNetと比べて位置のRMSEがそれぞれ18.5%と65.0%低下しました。
説明オンライン診療相談における信念推定による不規則な状態遷移への対応
要約論文は、オンライン診療では患者の自発的な情報開示や話題の転換によって問診の流れが乱れることを指摘しています。16の医療対話データセットを用いた比較では、実際のオンライン対話は文脈の連続性が低く、予測しにくいことが示されました。著者らはPRISMを提案し、トリアージを信念推定、方策最適化、応答生成の3段階に分けています。臨床判断の正確さと応答品質の両面で、既存の大規模言語モデルや臨床エージェントの基線を上回ったと報告されています。
説明クロックメッシュのばらつき考慮解析と設計空間探索のためのグラフニューラルネットワーク代理モデル
要約クロックメッシュは高性能VLSIで配線遅延のばらつきを抑えるために広く使われている。本論文では、消費電力、シンクでの遅延・スルーレート、OCV下のスキュー分布を予測するグラフニューラルネットワークによる代理モデルを提案する。SPICEとの比較で高い精度を示し、既存の近似手法に比べて大幅に高速であるため、より効率的な設計空間探索が可能になるとしている。
説明因果的最適輸送アテンション：位置事前分布と長さ外挿
要約本論文は、因果マスクのもとで最適輸送（OT）アテンションが誘導する位置事前分布を分析し、固定の平衡強度では文脈が長くなるにつれてアテンションが希釈されることを示している。事前登録された実験で2500万および1億パラメータの言語モデルを用い、softmaxより長文の損失外挿が改善することを報告し、距離バイアスを用いる手法（CABLE）がRoPEとYaRNを上回ったとしている。
注目点因果マスク下の非平衡OTアテンションとその位置事前分布を解析し、25M・100Mモデルで事前登録実験によりRoPE/YaRNと比較している。
説明「見る・考える・使う」：視覚言語モデルの知覚と推論の失敗を診断する
要約本論文は、視覚言語モデルの各回答を知覚、推論、知覚の利用の三段階に分けて追跡する「See, Think, Use」プロトコルを提案します。位置特定プローブで知覚を、テキスト置換プローブで推論を測定し、反事実画像ペアで回答がモデル自身の知覚に従う割合を「利用」として測ります。二つのモデル系統と六つのデータセットでの実験では、効果的な改善手段がタスクの種類によって異なることが示され、測定された段階に応じて計算資源を配分する方法は、最善の一律方式に近い結果を低いコストで得られたと報告しています。
説明解決・除去・保留：生態検出パイプラインのための学習不要な能動的プロトタイプ振り分け
要約生態モニタリングではカメラトラップや航空調査により大量の画像が生成され、動物検出器が出す候補の中には専門家による確認が必要なものが多く残ります。本論文は、確認済みの検出結果を再利用可能な証拠とし、既知の前景クラスへ解決する、背景の誤検出として除去する、証拠が不十分な場合は専門家の確認に保留する、という学習不要の能動的プロトタイプ振り分けを提案します。カメラトラップと航空データセットでは、BioCLIP2が前景の証拠、DINOv3が背景の証拠としてそれぞれ有効であることが示されています。
説明DIMWIT：大規模なチューニングなしでモデルを直接呼び出す手法
要約本論文は、資源管理にタスク固有の方策を作る代わりに、事前学習済みモデルに現在のシステム状態、望ましい結果、選択可能な動作を与えて直接判断させるアプローチを提案している。マイクロサービスの自動スケーリング、DRAMサイズ決定、動画エンコードの3つの課題で、フロンティア大規模言語モデル1つと小型の意思決定モデル2つを用いて評価している。
説明変異から遺伝子への優先順位付けのための監査可能なエージェント型パイプライン（独立した機能的証拠による検証）
要約本論文は、GWAS変異を原因遺伝子に対応付けるため、証拠の検索過程を記録し、順位付けされた遺伝子と使用した証拠を返すエージェント型パイプラインV2Gを提案する。135の保留座位で、言語モデルによる再順位付けが証拠の元の順序より優れるかを検証し、その利得が証拠自体によるのか、既知の関連の記憶によるのかを分析している。
説明大規模言語モデルのエージェントは、チュートリアル動画を見て学習できるか？
要約本論文は、モデルのパラメータを更新せずに、チュートリアル動画を二段階の敵対的プロセスで構造化された「チュートリアルブック」の記憶に整理する手法、Tutorial Agentic Learning（TAL）を提案している。推論時には目次（TOC）ツリーを通じて情報を検索する。研究者はチェスの72本のチュートリアル動画から作成したマルチモーダルQAベンチマーク「VidLearn」を導入し、動画の本数が増えるほどTALの性能が単調に向上することを示した。元のマルチモーダルLLMと比べて、訓練分割・テスト分割でそれぞれ最大113%・91%の相対的な向上が見られたと報告している。
説明ContactCut：コネクトミクスにおける誤結合修正のための分割認識型接触選択フレームワーク
要約本論文は、コネクトミクスで発生する誤結合（false merge）の問題を扱い、特定された誤りを実行可能な三次元の分割へ変換する手法を提案しています。候補となる接触点を、それらが誘導する完全な分割に基づいて選択します。提案手法は、学習による単一接触選択を行うCC-Autoと、有界な対接触探索と学習によるランキングを行うCC-Searchの2つで構成されます。MICrONSとFlyWireの過去の双方向誤結合修正データにおいて、CC-AutoはFA-3D Part. mIoUで最強のグラフベース手法を上回りました。
説明CONFIRM：信頼できる自律型神経画像解析のための科学的報告の統制
要約大規模言語モデルのエージェントは、神経画像解析を自律的に実行できるものの、既存のシステムでは報告すべき結果の判断をLLMの判断に委ねており、施設による交絡を受けた結果を支持してしまう問題があります。本論文は、解析の実行と報告の判断を分離するフレームワーク「CONFIRM」を提案します。仮説を事前に定めた機械可読な解析計画として記述し、五つの決定論的ゲート（検索履歴と多重性、交絡、検出力、解析の安定性、再現性）で結果を絞り込みます。489件の論断からなる評価基準「NeuroClaimBench」では、対照論断に対する誤った支持は最大3%にとどまり、ベースラインは23〜38%でした。
説明ベイズTSKファジィ回帰の正しさと予測不確実性：表形式データと建物メーターデータでの再現可能な評価
要約本論文は一次のTakagi–Sugeno–Kang（TSK）ファジィ回帰を再実装し、修正したコードで稠密共役ベイズ法、BICに基づく方法、ルールレベルのspike-and-slab推定器を再構築した。2つのUCI回帰データセットの3つの目標変数で30回の外側80/20分割を行ったところ、修正後の各手法のR²はきわめて近い値となった。さらに158棟・17サイトの建物メーターデータで評価したところ、ベイズTSKは持続性ベースラインに対して精度や校正の明確な優位性を示さなかった。
説明I-PTC：状態を持つツール拡張エージェントのための対話型プログラム的ツール呼び出し
要約本論文は、モデルがコードでツールを呼び出し、再利用可能な状態を保持し、API修正を通じてツールインターフェースを更新できるフレームワークI-PTCを提案しています。あわせて、長尾で本番環境に近いユーザー要求を集めたベンチマークPTC-Benchを構築しています。実験では、大規模なツール群を用いる複雑な多段階タスクで性能が向上し、従来のツール呼び出しベースラインや元のPTCベースラインと比べてトークン消費も大きく減ったと報告されています。
説明再正規化細胞知能：モデル縮約は集団的能力を保てるか？
要約本論文は、マルチエージェントシステムをスケール間で縮約したとき、集団的能力を保てるかを規定・監査する枠組み「再正規化細胞知能（RCI）」を提案している。力学的閉包、意思決定の互換性、元の基準比較の保持を同時に求め、相対的能力利得の誤差に上限を与える。局所相互作用する細胞系をモデルに、再学習なしで凍結済みの5つの学習モデルに対し3つの縮約案を評価した。最終案は各細胞の状態次元を8から5に減らしたが、完全な証明書に必要な閉包と決定保持の要件は満たさなかった。
説明FOCUS：効率的な視覚・言語理解のための閉ループ注意フィードバック手法
要約本論文は、動画処理時に視覚・言語モデル（VLM）の呼び出し回数を減らし、各呼び出しを重要な内容へ誘導する学習不要の三層フレームワーク「FOCUS」を提案している。まず同系列の小型モデルで隣接フレーム間の意味的変化を検出し、変化があった時だけ呼び出す。続いて運動と注意の情報を組み合わせた空間注目マップで視覚トークンを重み付けし、生成時の注意フィードバックを次の観測に用いる。EgoSchemaのサブセットによる評価では、約25回の呼び出しで74.8%の精度を達成し、均一サンプリングの55回（74.6%）を上回った。
説明定常更新過程に対する多項式時間のミニマックス予測
要約本論文は定常二値更新過程における次記号予測を扱い、そのミニマックス Kullback-Leibler リスクのオーダーが n^(-1/2) であることを前提としている。未知の有限平均を持つ到着間隔分布に対し、このオーダーを達成する多項式時間の予測器を提示する。構成には古典的な型一様更新符号を用い、打ち切られた接頭辞の周辺分布を正確に計算する動的計画法を導入している。統計的な速度とその下界は既存の結果であり、本研究の寄与は計算面にある。
説明エージェントはいつ索引を更新すべきか：長い推論のための適応的インデックス再利用
要約本論文は、長い文脈で動作する言語エージェントの疎な注意機構の計算負荷を減らす手法、適応的インデックス再利用（AIR）を提案しています。IndexCacheを基にし、小型コントローラがツールイベントなどの信号をもとに、エージェントの各区間で何層のインデックス選択を更新するかを学習します。計算予算の下でタスク報酬により訓練され、複数のベンチマークで同等コストでの成功率向上と、成功タスクあたりの時間短縮が報告されています。
説明人間とAIの共著を細かく頑健に検出する研究
要約本論文は、人間とAIの共著を AI の関与度に応じた離散的なクラスに分ける文章由来検出の枠組みを提案しています。表面的な推敲と談話構造の書き換えを区別し、敵対的な言い換えが検出器の判定境界をどのように曖昧にするかを示します。最新の言い換え攻撃モデルで生成した敵対的言い換えデータで訓練データを拡張すると、検出器の頑健性が一貫して向上し、別の生成モデルへの転移性も良好だと報告しています。
説明FlyWheel：TPU 向けに設計されたアテンションカーネル
要約本論文は、テンソル処理ユニット（TPU）向けの高速なアテンションカーネル群「FlyWheel」を提案し、softmax アテンションと線形アテンションの両方に対応します。softmax と三角行列の逆行列計算を再定式化してベクトル演算量を減らし、データレイアウトを調整して行列オペランドの再利用を高めます。さらに独立した計算を重ねて実行し、実行遅延を隠蔽します。TPU v6e と v7x での評価では、softmax アテンションが RPA カーネルに対し最大 4.14 倍、Splash Attention に対し最大 1.80 倍高速化し、v6e では BF16 理論ピーク性能の 81% に達しました。Gated DeltaNet のプリフィルも最大 3.61 倍高速化しています。vLLM に統合した場合、プリフィルのスループットは最大 1.56 倍向上し、精度は同等に保たれました。
説明太陽光発電所における故障イベント列とセンサー時系列の不確実性考慮型同時生成モデル
要約本論文は、予知保全と故障予測のために太陽光発電システムをシミュレートするマルチモーダル生成モデルを提案している。Transformer Hawkes Process（THP）でイベント列を、iTransformerで時系列データを符号化し、共注意機構で両者を統合する。統合表現から、将来のセンサー軌跡を生成する条件付き潜在拡散モデル（CLDM）と、高精度なイベント予測を行うSMURF-THPの2つのデコーダを用いる。アリゾナ州Red Rock太陽光発電所のデータセットで評価した結果、総合的なイベント予測F1値がベースラインを上回った。
説明Latent Harness：エージェントの振る舞いをブロック後の活性化シフトにコンパイルする手法
要約本論文は、ランク8の活性化シフトによって外部の振る舞い条件を凍結された言語モデルに取り込む Latent Harness を提案している。シフトは各デコーダブロックの出力に適用され、パラメータの0.03〜0.05%に当たる。推論時には指示文もトークンも追加されない。論文は、10の事前登録された設定のうち8つで、元のハーネスによる利得が回復されたと報告している。
説明量子化ファインチューニングにおけるレコード間精度ルーティングによる感度の膨張
要約論文は、凍結された量子化大規模言語モデルでDP-SGDを用いて微調整する際、LLM.int8がバッチ全体の和集合に基づいて外れ値の活性化列を高精度経路へ振り分けるため、あるレコードが他のレコードの計算に影響し、標準的な感度の上限を超えることを示しています。感度膨張の上限を導出し、レコード分離の規約と、バッチ版LLM.int8と同じ行列演算を用いるレコード所有型の精度ディスパッチを提案しています。ネイティブCUDA環境の監査では、その上限超過が実際に観測されました。
注目点LLM.int8の記録間精度ルーティングがDP-SGDの感度上界を崩すことを示し、記録隔離契約と専用ディスパッチを提案。ネイティブCUDA実験で検証。
説明RAG-TRACE：AI生成心電図報告における測定根拠と診断の完全性の追跡
要約本論文は、検索拡張生成（RAG）による心電図（ECG）報告書生成の信頼性を検討しています。著者らは、人手で検証されたPTB-XLの患者記録1,083件と47件の診断基準カードを用い、検索の有無で言語モデルが生成した報告書を比較しました。検索によって導入された基準の46.8%（GPT-4.1-mini）は検証不能、または測定結果により否定されていました。測定に基づく検証ルールで根拠のない基準の適用は減らせましたが、診断の妥当性には独立した評価が必要だとしています。
説明RadPose：通信・センシング統合による電波ベースの3次元人体姿勢推定
要約本論文は、ミリ波通信機器が追加のセンシング装置なしで3次元人体姿勢推定を行えるよう、学習ベースの単一静的ISAC（統合センシング・通信）フレームワークRadPoseを提案している。モノスタティック全二重動作により、標準的なOFDM通信信号からチャネルインパルス応答を抽出し、3次元の電波点群を生成する。ネットワークはクロスフレーム Transformer と、意味情報に基づく空間注意およびターゲット駆動の時間注意を用い、グラフ畳み込みによる逆運動学の精緻化で骨格構造と骨長の一貫性を保つ。実験では、先進的なレーダー手法と競合する精度を示し、未知・遮蔽環境でも安定した性能を維持したと報告している。
説明SpecUltra：異種スペクトル画像向けの統一基盤モデル
要約ハイパースペクトル画像とマルチスペクトル画像は、バンド数や波長、分光分解能が大きく異なり、統一的なモデル化やセンサー間の転移が難しい。本論文は異種スペクトル画像のための統一基盤モデルSpecUltraを提案し、3次元畳み込みトークン化と波長を考慮した3次元RoPEで相対波長と空間関係を符号化する。大規模な多センサーHSIデータセットMultiHyper-200Kを構築して事前学習を行い、HSIとMSIの分光粒度の差を埋めるためにスペクトルカーネル変換（SKT）を導入している。HSIおよびMSIの分類・セグメンテーションのベンチマークで、最先端または競争力のある性能を示した。
説明ERIA：臨床脳波レポート向けの指示最適化エージェント
要約本論文は、ローカルに展開可能なフレームワークERIAを提案します。27Bの言語モデルを制御器として、発作間欠期てんかん性放電などを検出する学習型ツールと、スペクトル・振幅・左右対称性などを解析する決定論的ツールを組み合わせ、記録全体の脳波を分析します。モデルの重みと専門ツールは固定したまま、専門医が作成した脳波レポートへのフィードバックを用いてGEPA（Genetic-Pareto）により自然言語の分析方針のみを最適化します。最適化された方針は外部の脳波ベンチマークにも転用でき、原ベンチマークで評価されたモデルと競合する結果が示されています。
説明コンピュータビジョンモデルのための語彙整合型説明
要約本論文は、精度だけを最適化してもモデルが人間に理解できる領域固有の概念や規則を学習するとは限らないと指摘します。専門家が記述した論理規則を後処理でランク付けし、不確実性を考慮して各説明の相対的な信頼度を示すFLUENTフレームワークを提案します。選ばれた規則は、遮蔽による強調表示と参照画像の例によって可視化されます。
説明同じ経路、より短い時間：推論遅延下での視覚・言語・行動モデルの学習不要な高速実行手法
要約視覚・言語・行動（VLA）モデルは将来の動作列をまとめて予測しますが、実機ロボットは次の動作列の推論中に停止したり、慎重な低速の手本と同じ速度で動いたりして時間を失います。本論文は、学習を必要としない実行層「経路保持時間スケーリング（PTS）」を提案し、ロボットの動きを参考経路の時間再パラメータ化として扱い、新しい観測があったときだけ経路を更新します。LIBEROで、推論遅延を加えた条件下の2つの固定済みモデルにおいて、最も強い実用ベースラインに比べタスクスループットがpi0.5で33%、SmolVLAで104%向上し、成功率は維持または改善されました。