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「バイブコーディング」の実セッションからSWEベンチマークを収集する手法
要約本論文は、開発者とコーディングエージェントの対話記録とコミット履歴を、再現可能で実行可能なソフトウェア工程タスクに変換する自動化フレームワークSessionFarmerを提案している。無関係なセッションを除外し、複数ターンや複数セッションにまたがる対話を一つの工学目標にまとめた作業単位として整理する。これをもとに、242タスクからなる公開ベンチマークCropChatと、企業ログ由来のCropEnterpriseを構築している。
説明期待と観測の整合性検証による効率的なLLM計画手法
要約本論文は、大規模言語モデルによる計画の実行効率を高める期待-観測整合性検証（EOCV）機構を提案します。動作結果の期待を生成して実際の観測と比較し、整合すれば実行を継続し、不整合であれば早期に打ち切って現在の観測から再計画します。テキストおよびマルチモーダルのベンチマークで、平均的なタスク性能は逐次実行型の手法とおおむね同等で、加重平均トークン使用量は29〜35%削減されたと報告しています。この機構はモデルに依存せず、最先端の計画器に組み込んでも有効です。
説明分類器訓練用の合成皮膚病変画像の評価：安全性を考慮したアルゴリズム
要約皮膚がん分類器には大量の注釈付き画像が必要ですが、特に希少な病変タイプでは不足しています。本論文は拡散モデル（EDM2）で生成した27万5千枚余りの画像から、16種類の品質指標それぞれで訓練用サブセットを選び、各クラスの分類器性能で指標を比較しました。単一の指標がすべてのクラスで最良とはならなかったため、クラスごとに指標を重み付けし、実際の訓練画像に近すぎる画像を除く安全性考慮型の選別アルゴリズムを提案しています。ISIC-2018のテストセットでは、Swin-B分類器においてFIDベースラインより小さいながら統計的に有意なMacro-F2の向上が見られましたが、ResNet-50では同様の効果は確認されませんでした。
説明M3Former：Transformer向けの細粒度クロスレイヤー混合
要約本論文は、TransformerのResidual接続が早期の各層の情報を一つの固定された和として全ブロックに同じように配ることで、情報の活用が制限されていると指摘します。著者らは、各役割と各隠れ次元グループが、トークンに依存する重みで全ての早期層を混合できる多役割多グループ混合残差（M3）を提案します。実験では、M3Formerが100Mから1.4Bパラメータの範囲で標準のTransformerや粗い粒度のクロスレイヤー接続より優れ、スパースなMixture-of-Experts（MoE）モデルでも改善を示しています。
注目点残差接続の放送ボトルネックを三つの制約に分解して順に解除し、役割ごと・次元群ごとのトークン依存の層間混合を提案。要約では100Mから1.4Bまでの規模でTransformerを上回ったと報告。
説明Blueprint2CAD：工学図面とCADレンダリングの対応関係で基盤モデルを評価するベンチマーク
要約本論文は、正投影の工学図面と陰影付きレンダリング画像が同じ部品を示しているかを判定するベンチマーク、Blueprint2CADを提案している。データセットBlueCAD-30Kは29,925個のCADモデルから構築されている。視点が既知の場合は凍結エンコーダのRecall@1が最大65%、未知の場合は43%に下がり、エンコーダ間の差は小さく、視点が主なボトルネックであることが示されている。ゼロショットの視覚言語モデル6種の検証精度は0.52〜0.67にとどまった。
説明LSIRMを用いた言語モデルベンチマークにおけるモデルと項目の相互作用の診断
要約本論文は、潜在空間項目反応モデル（LSIRM）を用いて1,348の言語モデルの5,761のBBH項目での成績を分析し、BBH、GPQA、MMLU-Pro、MuSRにおける回答の提示方法と採点方法を比較しています。BBHでは近くに配置された項目が同じ正解（例：「Yes」や「No」）を持つことが多く、選択肢のラベルで採点した場合にこの傾向が強く見られました。著者らは正解の種類ごとにモデルの得意・不得意の傾向を推定し、それを総合得点から分離しています。正答数の差が14問にとどまる2つのモデルでも、この要素を除くと順位が大きく入れ替わることが示されています。
説明パラメータ不要で両方の状況に対応する待ち行列型バンディットのための方策
要約本論文は、バンディット型のフィードバックのもとで、K 本のチャネルが一つの待ち行列を処理する場合のオンラインチャネル選択を研究する。待ち行列が空のときは探索を行い、混雑期には条件が満たされる限り経験的に最良のチャネルを選び、条件に違反した場合は頑健なバンディット方策に切り替えて待ち行列を解消する。到着とサービスが非適応的な敵対者によって決められる場合、この方策は高確率で Õ(√(K L_T)) の最悪ケース待ち行列長後悔を達成する。ここで L_T は最長の混雑期の長さである。これは従来の T^{3/4} の依存性を改善する。有界な独立同分布モデルで唯一の最良の安定化チャネルがある場合、累積待ち行列長後悔は問題に依存する有限定数に収束することも示している。
注目点新規性は、パラメータ不要の最適両世界方針により、キュー後悔をT^{3/4}から√(KL_T)へ改善し下界に近づけた点にある。摘要は高確率の最悪ケースと確率モデルの結果を報告している。
説明InteractionBench：リアルタイム音声システムにおけるタイミング、タスク精度、ささやき・音量、文脈の根拠付けを測定する評価基準
要約本論文は、同一の録音済みユーザー音声を用いて、同じシステムを会話のタイミング、音声タスクの正確さ、ささやきと音量、二十を超えるターンの会話における文脈の根拠付けという四つの観点から評価するベンチマーク「InteractionBench」を提案しています。13のシナリオに各システム221項目があり、七つのシステムで計1,519回の採点実行を行いました。全二重方式の六システムでは、タイミングと音声タスクの精度の間に強い順位相関（ρ=0.83）が見られました。
説明高次元学習モデルにおける特異性に起因する局所複雑度
要約本論文は、最適パラメータが複数の点からなる、または一般化誤差のヘッセ行列が退化する過剰パラメータ化された特異モデルを扱います。特異モデルの一般化能力を特徴づける実対数標準閾値（RLCT）とその局所版（局所RLCT）に着目しています。ある局所化の仮定の下で、局所RLCTと、一般化誤差のヘッセ行列のランクおよび損失関数族の被覆数という二つの指標との理論的関係を明らかにしています。
説明幾何認識ニューラルオペレータのレプリカ交換学習に向けたアーキテクチャ認識型混合精度（不確実性定量化を含む）
要約本論文は、レプリカの役割とアーキテクチャ固有の演算に応じて数値精度を割り当てる、アーキテクチャ認識型混合精度（AA-MP）を提案している。探索用レプリカでは BF16 を選択的に用い、精緻化用レプリカでは FP32 を維持する。流体力学と三次元構造力学のベンチマークで、複数回の実行の集合において全精度学習と同程度の精度を保ちつつ、ホットレプリカのピーク GPU メモリと学習時間を削減したと報告している。さらに、共形予測による不確実性校正でも有効性を示している。
説明TERA：帯域制限伝送下の水中物体検出のためのタスク証拠復元手法
要約この論文は、水中物体検出は通常送信前の画像で評価されており、帯域制限によるダウンスケーリングや圧縮による追加の劣化が見過ごされていると指摘しています。実際の水中検出データセットに基づくベンチマーク AquaTX を構築し、既知および未知のコーデックを含めています。また、検出器を固定したまま、タスク誘導型の画素復元と二重状態の特徴補正を組み合わせた、受信側で動作しメタデータを必要としない TERA フレームワークを提案しています。
注目点帯域制限下の圧縮劣化を水中物体検出の評価に組み込み、検出器を凍結したまま受信側でタスク誘導の復元を行う手法を提案。摘要はDUO-TXとRUOD-TXでmAPの向上を報告。
説明行動を区別する報酬整形による報酬ロバスト強化学習
要約本論文は、報酬の設定に誤りがあっても対応できるよう強化学習エージェントを訓練する報酬ロバスト強化学習を扱っています。ポテンシャルベースの報酬整形のもとでは、異なる多くの報酬が同じ方策の順序を保つため、不確実性集合に冗長性が生じることを指摘しています。そこで各報酬を正準代表元へ射影し、行動上区別される報酬のみを含む集合を構成する手法を提案しています。著者らは、この射影によって最適なロバスト値が保たれ、集合が縮小されることを示し、多様なベンチマークで代表的な既存手法より良い結果を報告しています。
説明SGR-OPSD：サブゴール計画とグラフ正則化による信用割り当てを用いたエージェント型強化学習の手法
要約本論文は、LLMが生成するサブゴール計画を用いてエージェント型強化学習に行動レベルの指導を与え、サブゴール進捗グラフで観測された遷移頻度から経験的リターンを推定して教師モデルの信用重みを較正するSGR-OPSDを提案している。ALFWorld、WebShop、Search-QAの3つのベンチマークで、Qwen2.5の3Bおよび7Bモデルを用いた結果、GRPOや自己蒸留の基準手法を上回り、ALFWorldではQwen2.5-7Bで85.8%の成功率に達したとされる。アブレーション実験により、サブゴール指導とグラフによる重み較正が性能向上の鍵であることが確認されたという。
説明MRI形態計測パイプラインの科学的主張の安定性を評価する枠組み
要約本論文は、脳MRIの形態計測パイプラインが支持する結論がどれだけ安定しているかを評価する「科学的主張の安定性（SCS）」枠組みを提案している。関心領域の形態計測表を、監査可能な主張カードに変換し、データセット、処理パイプライン、アトラス、特徴量、目的変数を変えたときの証拠の支持を検討する。3つのデータセットと5つのコホートの10,370件のMRIスキャンを用いて、2,783枚の主張カードを生成し、89の主張と特徴量の組を評価している。
説明勾配反転攻撃を防ぐ新しい連合学習フレームワーク
要約本論文は、勾配反転攻撃（GIA）から防御するためのプライバシー保護型連合学習フレームワーク「HyperFL++」を提案している。ハイパーネットワークを用いてローカルモデルのパラメータを生成し、サーバーが集約するのはハイパーネットワークのパラメータのみとすることで、共有パラメータと局所の私的データの直接的な結びつきを断つ設計である。さらに行方向クロネッカー分解（RKD）を導入し、ハイパーネットワークによるメモリと通信の負荷を抑えている。著者らは理論解析と大規模な実験により、高いモデル性能を保ちつつデータプライバシーを保護できることを示したとしている。
説明配備制約下での調性推定：DSP誘導型Transformerによる再ランキング手法
要約本論文は、ローカル音楽アプリケーションのライブラリ取り込み時に調（キー）を推定する手法「key lime」を提案しています。約2.15万パラメータのDSP誘導型Transformerが、決定論的なDSPスコアを再ランキングします。モデルファイルは115 KB、インストール時の占有容量は76.7 MBです。FMAKとFMAKv2の楽曲で評価したところ、MIREXは61.08から73.55、正解率は52.30から67.07に向上し、同一データ条件下のmadmom KeyCNN参照実装（MIREX 74.16）に近い性能を示しました。
説明MirrorComm：ミラー世界モデルによる通信効率の良い協調知覚フレームワーク
要約本論文は、世界モデルに基づく初の通信効率の良い協調知覚（CP）フレームワーク「MirrorComm」を提案している。送信側と受信側がそれぞれミラー世界モデルを持ち、共有された再構成済みの過去の観測から送信側の現在の観測を予測する。送信側は予測と現在の観測を比較し、予測誤差を補正する観測の更新分だけを選択的に送信するため、予測可能な情報の繰り返し送信を減らせる。OPV2V データセットでの物体検出と意味的セグメンテーションの実験では、最先端手法と同等の性能を保ったまま、通信帯域の要件を最大で約 66 倍削減したことが示された。アブレーション実験により、各構成要素の有効性も確認されている。
説明報酬がグループに依存する場合、GRPOは総当たりトーナメントになる
要約本論文は、多様性・網羅性・分布一致などの報酬が同じグループ内の他の応答に依存する場合に、GRPOやRLOOで使われるグループ相対ベースラインが最適化目標を変えてしまうことを示します。各応答は同グループの仲間に勝つよう訓練され、ゼロサムのトーナメントになると述べられています。提案手法Team-GRPOは、ベースラインの係数を+1とすることで、任意のグループ依存報酬に対する不偏推定量を与え、プロンプトごとに2つのサンプルで動作します。GlobalOpinionQAではGRPOが多数派の回答に崩壊したのに対し、Team-GRPOは誤差を0.20から0.08に減らし、NoveltyBenchでは多様性の崩壊を避けたとされています。
注目点群相対ベースラインが群依存報酬の目的関数を変えることを示し、不偏推定器Team-GRPOを提案。GlobalOpinionQAとNoveltyBenchで検証したと報告。
説明形式化器としての大規模言語モデルに見られるソルバー様の振る舞い
要約この論文は、大規模言語モデルが問題を形式プログラムに翻訳し探索をソルバーに任せる際、推論過程に現れる「ソルバー様の振る舞い」を検討しています。著者らは、人手の注釈で検証したLLM審査により、3つの推論モデルが4つの制約充足データセットで生成した2,000件を分析しました。その結果、この振る舞いは推論過程の85%に現れ、推論トークンの24%を占めるものの、プログラムは通常答えを再計算するため冗長であることが示されています。
説明IMUdrape：テキストから物理ベースの布シミュレーションで衣服装着型の仮想IMUデータを生成する手法
要約本論文は、衣服に取り付けられた慣性センサー（IMU）用の仮想データを生成するIMUdrapeを提案します。活動の説明文から動きを合成し、写真から対象の衣服を縫製パターンとして再構成し、実際のセンサー位置に仮想IMUを配置して、交差のない接触ソルバーで布をシミュレーションします。4つの実データセットで、活動認識と全身姿勢推定の両方で既存の仮想データ手法を上回りました。
説明「Late Autumn」：LLMエージェントが単一倉庫向けに汎用マルチロボット計画器を特化させる研究
要約本論文は、大規模言語モデルのコーディングエージェントが自律的に研究を行い、汎用のマルチロボット計画器を一つの倉庫向けに特化させられるかを検討している。計画器はタスク割り当てとマルチエージェント経路探索を組み合わせたもので、既存の自動化倉庫をモデル化したフロアで六つの研究を実施した。その結果、スループットは22〜60%向上し、未見のシードでも効果が維持された。
説明物理バックプロパゲーションでどのチェーンを較正すべきか：ユーザーごとの係数か基地局チェーンか
要約この論文は、時分割複信の上りリンクを使う物理バックプロパゲーションにおける相反性較正の優先順位を検討している。基地局チェーンを優先する従来の考え方に対し、ユーザーごとの振幅誤差が損失の大部分を占める構成があることを示している。さらに、信号対雑音比やユーザー誤差の条件によって両者の順序が逆転すること、そして単一エコーに基づく推定器の性能を評価している。
説明EviCast：共有応答キャリブレーションによる検索効果の予測（外部根拠を取り込む検索の利得を事前に見積もる手法）
要約本論文は、検索拡張生成（RAG）の配置を大規模に実行する前に、検索がもたらす純効用を予測するフレームワークEviCastを提案する。生成器が制御された証拠状態に対して示す応答を一度測定し、各候補検索器のオフラインの証拠状態分布と組み合わせることで、エンドツーエンドの純効用とその95%信頼下限を推定する。HotpotQAなどでの評価では、多数の検索構成の導入可否を正しく判定し、診断用の生成呼び出しを大幅に削減したと報告している。
注目点実行前に共有の生成器応答較正で検索効果を予測する枠組みと位相認識版を提案；摘要はHotpotQA、MuSiQue、第三データセットでの14・16・24構成の判定と予測誤差を報告。
説明最近接が最も安全とは限らない：都市型マルチパス環境での空中逆伝播のためのフルイドアンテナ・ポート選択
要約本論文は、端末が移動する場合に空中逆伝播で勾配を戻すためのフルイドアンテナのポート選択を扱う。シカゴの街路を対象とした射線追跡シミュレーションでは、最近接ポートを使うと一部の勾配の符号が反転し、ポート間隔が大きいほど反転率が高くなる。著者らは相関の符号を判定する理論的条件も導き、既知の経路に基づく知識マップで反転率を下げられることを示すが、その効果は誤差条件によって安定しない。
説明精度だけでは分からない：量子化がコーディングエージェントに与える影響
要約本論文は、BF16と4ビットのAWQ・GPTQ量子化を、Qwen2.5-Coder-Instruct（7B、14B、32B）およびDevstral-Small-2507（24B）のコーディングエージェントについて比較したものです。評価にはOJBenchのプログラミング問題を用い、3つのシードで実施しています。最終的な正答率には統計的に有意な低下は見られなかった一方、解答の過程やツール利用の振る舞いは大きく変化しました。著者らは、量子化後のコーディングエージェントの評価には最終正答率に加えて、解答の軌跡、ツール利用、失敗パターンを見るべきだと主張しています。
説明視覚モデルの強化学習の効果はテスト時にもスケールするか：分位数で見る事後学習
要約本論文は、強化学習による事後学習の効果が、Best-of-N（N個の候補から最良を選ぶ）によるテスト時スケーリングの下でも保たれるかを調べる。単一サンプルの報酬が高くても、大きなサンプリング予算では効果が減衰、飽和、あるいは逆転しうることを示す。分位数転移の枠組みでこれを説明し、その上でQUPO（Quantile Utility Policy Optimization）を提案している。SD3.5-MとBAGELでの実験では、上位分位の品質をより良く保ち、困難な未見プロンプトでスケーリングを改善したと報告されている。
説明空間分光スペクトル視覚テスト時学習によるハイパースペクトル画像分類
要約本論文は、視覚テスト時学習アーキテクチャ（ViT3）をハイパースペクトル画像（HSI）分類に適応させたViTTT-HSIを提案する。スペクトル畳み込みで順序付けられたバンド情報を抽出し、空間解像度を下げずに空間トークンを作成する。その後、ViT3ベースの二つのTTTエンコーダブロックでトークンを混合し、中心画素と近傍平均の特徴を融合して分類する。Indian Pines、Pavia University、Salinas、Houston 2013の4データセットで、10個の乱数シードと1%または5%の学習比率を用いて評価され、平均総合精度はそれぞれ約97.64%、98.88%、99.33%、98.43%であった。
説明GEAR：VR旅行向けのシーン条件付き衣装検索（生成的編集アプローチ）
要約本論文は、仮想3D環境においてユーザーの一人称視点の場面に合わせて、アバターの衣装を検索するGEARフレームワークを提案します。視覚言語モデルで場面に合う服装を説明し、指示誘導型拡散モデルで標準的な参照キャラクターにその服装を描画し、切り出した服装領域で既存の2D衣装素材を埋め込み類似度により検索します。Unityによる対話型プロトタイプも示され、受控データセットと20の仮想旅行シーンでのユーザー調査により、既存手法と比較して高い評価を得たと報告されています。
説明事前の行動制御が言語モデルの可塑性を因果的に変えることを示す研究
要約同じ言語モデルの二つの複製を、同一の重みから出発させて同じ報酬で訓練しました。一方の報酬は自身の回答に依存し、もう一方は回答に関係なく相手の報酬を受け取る設計です（動物学習の学習性無力感実験に由来）。その結果、報酬を自ら制御した複製の方が後の新しいタスクを速く学習しました。第二の実験では回答の違いを取り除いた後もこの優位が残りました。
注目点学習性無力感の受控設計をLLMの可塑性検証に持ち込み、Qwen3-0.6BとQwen3-1.7BでペアとAnswer固定の対照実験を報告している。
説明エージェントメモリを流量制限付きフィルタリングとして捉える：一定の長さを超えると明示的状態が長い文脈に勝る
この言語の要約は日付・金額などの照合を通らなかったため、表示を控えています。原文をご確認ください。
注目点エージェント記憶を制限付き再帰フィルタリングとして捉え、状態サイズと容量に依存する忘却時間スケールとタイトな誤り界を示す。長文脈と明示的状態の交差点が読み手の規模とともに伸びることを報告している。
説明視点が異なる映像間で同一物体を対応付ける際に、テキストの意味情報を活用してロバスト性を高める研究
要約本論文は、異なる視点で撮影されたクエリ動画と検索動画の間で同一の対象物を対応付ける跨視点物体対応（CVOC）を扱います。提案手法TeSCoは、視覚-言語モデルで対象の文字による記述を生成し、テキスト条件付きの跨モーダル融合モジュールと反復的なテキスト特徴精緻化モジュールで視覚特徴と統合します。Ego-Exo4DとHANDAL-Xでの実験において、最先端の結果を示したと報告されています。
説明VisCodeBench：実務を反映した Text-to-Vis の新ベンチマークデータセット
要約自然言語の要求から可視化を生成するタスク（text-to-vis）向けに、2,672件のサンプルからなるエンドツーエンドのベンチマーク VisCodeBench を提案しています。教育、科学、一般向けの3分野と複雑さの異なる課題を含みます。Codex、Claude Code、LIDA の3システムを各種LLMと組み合わせ、実行、グラフ内容、視覚品質の7指標で評価しています。基本的な実行はほぼ解決されている一方、参照データの再現は不十分で、最良のデータ類似度は0.81にとどまりました。
説明モデルが恐れる単語：拒否方向から語彙全体の「恐れ語彙」へ
要約本論文は、整合化された言語モデルが拒否するかどうかが、プロンプト中にどの単語が含まれるかに左右される場合があり、それは単語の意味とは無関係であることを検討しています。著者らは、プロンプト間や単語間で共有される「拒否方向」を抽出し、その方向に沿って隠れ状態を動かすと拒否率が用量に応じて単調に上下することを示しました。語彙全体の各単語にこの方向でスコアを付け、8つのモデルで二つの留保テストによりその順位を検証しています。
注目点拒否方向を語彙全体の「恐怖語辞書」に拡張し、単語だけで拒否を誘発できることを示す。八モデルでの用量応答と二つの保留テストで検証している。
説明AgiWorld：永続的な世界を構築するエージェント型ビデオ世界モデル
要約本論文は、1枚の画像と自由形式の指示から永続的な仮想世界を探索・構築する、エージェント型のビデオ世界モデルAgiWorldを提案しています。高レベルの計画はAgiWorld-Agentが世界状態を管理しながら行い、低レベルの映像生成はAgiWorld-WMがチャンク単位で行って空間メモリに蓄積します。両者が閉ループで連携し、世界revisitingおよび探索のベンチマークで全体的に最高水準の結果を示したと報告されています。
説明確率的連続時間線形システム同定による適応安定化の研究
要約本論文は、観測軌道から不安定な確率的連続時間線形システムを安定化するゲインを学習する手法を扱い、失敗確率がデータ量、次元、ノイズ強度、励起、可制御性にどう依存するかを数値実験で検討する。不安定な回分式反応器のベンチマークでは、同定の二乗誤差は総観測時間にほぼ反比例して減少し、失敗確率は指数的に減少する。また、励起を強めても安定化の改善は対数的にしか進まないことや、全動力学を正確に同定することは安定化の成功に必須ではないことが示されている。
説明MemShift：LLM由来の個人メモリにおける検出と修復の分離評価
要約本論文は、AIアシスタントが保持する個人メモリの評価ベンチマーク「MemShift」を提案している。ソースの修正、削除、定義の変更、書き手の切り替え、エクスポートという五種類の変化を扱い、変化の検出と修復の正しさを別々に採点する。四つのオープンウェイトLLMでの評価では、検出の効果は修復能力によって制限されることが示された。
説明Eig-PIELMにde Rham複体構造を組み込むマクスウェル固有値問題の手法
要約本論文は、完全導体境界条件だけではマクスウェルのrot-rot作用素の勾配零空間を除去できない問題に着目し、Eig-PIELMを拡張したdR-Eig-PIELMを提案している。互換的なテンソル積の勾配-回転試行空間と制約付き零空間の構成により、固有値計算の前に勾配成分を除いた物理的な固有モードを得る。矩形および直方体領域での理論的な解析に加え、勾配成分を含む偽の固有モードが除かれることを数値実験で示し、導波管の幾何設計への応用例も示している。
説明単一細胞基盤モデルのための帰属に基づく診断手法
要約単一細胞RNA基盤モデル（scFM）の下流予測に対して事後的な帰属分析を行い、モデルの判断が生物学的に意味のある信号に基づくのか、それともモデル固有の近道に依存するのかを検討した論文です。細胞型アノテーション（Cell2SentenceとscGPT）と摂動予測（scGPT+STATE）の二つのタスクを対象とし、摂動予測では合成データで既知の制御関係と比較しています。帰属分析により、標準的な性能指標では捉えにくい特徴の利用や文脈的相互作用が明らかになる一方、結論は生物学的参照、ベースライン、帰無モデルの選択に強く依存することが示されています。
説明ノルウェー語の追加学習モデルは基礎モデルより古い法的数値を出すか？Borealis 2 と Gemma 4 の事前登録済み対応比較
要約本研究は、ノルウェー法令や規則の数値について、2つの公開言語モデルが古い値をどの程度出すかを比較したものです。比較対象は、ノルウェー国立図書館が Gemma 4 から追加学習した Borealis 2 と、Gemma 4 本体です。研究は事前登録され、クローズドな norregel ベンチマークを値の履歴に照らして決定的に採点しています。両モデルの差は小さく有意ではなく、事前に定めた関心効果の基準には達しませんでした。この設計は公開モデル同士の比較であり、学習の各部分の効果を分離するものではありません。
説明適応的早期停止はいつ有効か：ループ言語モデルにおける選択規則の重要性
要約本論文は、ループ言語モデルが反復をいつ早期に打ち切れるかを検討しています。凍結した Ouro-1.4B（4ループ）で、学習済みの安定性プローブとモデル内蔵のゲートを比較しました。事前登録された確認実験では、精度低下を1ポイント以内に抑える規則のもとでプローブの方が多く計算を節約しましたが、点推定のみに基づく規則では結論が逆転しました。著者らは、停止手法は選択手順とあわせて比較し、強い未学習ベースラインと分布外検証を用いるべきだと結論づけています。
説明LEANGUARD：Lean による検証済みガードレールを備えたツール利用エージェント
要約本論文は、ツールを利用する言語モデルエージェントの各ツール呼び出しを、環境に届く前に Lean4 で書かれたポリシーで検査する実行時ガードレール LeanGuard を提案している。拒否された呼び出しは、違反したルールとヒントをエージェントに返すフィードバック方式と、Lean のメタプログラミングで利用者の意図を保つ許容可能な代替呼び出しを探索する証明誘導修復の二通りで修正できる。Tau-Bench と DTap での結果が報告されている。
説明空間トランスフュージョン：構造化された空間シーン理解から生成・編集まで
要約本論文は、一次アンビソニックス（FOA）に基づく統一フレームワーク「Spatial Transfusion」を提案し、事前学習済みの空間音声理解モデルを生成と編集に拡張する。VAE潜在表現上のフローマッチングを用い、編集を原子的編集操作の分類に基づく構造化シーン変換として定式化している。実験では、空間理解の能力をおおむね維持しつつ、生成と編集で全体ファインチューニングを上回ったと報告されている。構造化インターフェースと自然言語インターフェースの両方で、制御可能なFOAの生成と編集が可能である。
説明CT ボリューム読影のための所見認識型言語画像事前学習
要約本論文は、CT ボリュームの視覚・言語表現学習のための FiLIP 手法を提案する。大規模言語モデルで読影レポートから異常所見の語句を抽出し、生物医学テキスト埋め込みモデルでその意味表現を作成して、画像エンコーダの教師目標として用いる。多ラベルのゼロショット所見分類では、ドメイン内・ドメイン外の両評価で弱教師あり手法を上回った。また、放射線科レポート生成の下流タスクへのファインチューニングでも有効性が示された。
説明DynaCell：生細胞の動的3D仮想染色のための評価スイート
要約本論文は、生細胞の3Dタイムラプス画像に対する仮想染色モデルを評価するDynaCell評価スイートを提案する。蛍光標識ありとなしの対になる3Dタイムラプス画像、ベースラインモデル群、そして画素レベルの忠実度、細胞小器官のセグメンテーション性能、単一細胞の表現型類似性を測る3段階の指標を含む。3種の細胞、2種の顕微鏡、4種の細胞小器官、3種の摂動状態で検証した結果、回帰型ベースラインは目的の細胞小器官の空間的局在をよく予測し、生成型ベースラインは細胞間の表現型分布をよく捉えることが分かった。データセット、ベースラインのチェックポイント、評価コードはDynaCellフレームワークの一部として公開されている。
説明ユーザーの反論に屈して正しい回答を撤回する傾向：規模とともに現れる方向性について
要約本論文は、言語モデルがユーザーの反論を受けて正しい回答を撤回する現象（迎合的な譲歩）が、残差ストリーム内の線形な方向に対応するか、またその方向がモデル規模とともに現れるかを検討している。2系統8つの指示調整済みモデル（0.5Bから14Bパラメータ）を事前登録プロトコルで評価した結果、7B以上で検証基準を満たす方向が見つかった。Qwen2.5-7Bでこの方向を除去すると、正しい回答の反転率が4.8ポイント低下した。
注目点新規性は、迎合的な譲歩を残差ストリームの線形方向として局在化し、因果的アブレーションで検証した点にある。事前登録の8モデル実験で、約4.8ポイントの減少を報告している。
説明GRIPS：SQL生成前のグラウンディング情報に関する実証研究
要約本論文は、テキストからSQLへの変換において、SQL生成前に質問中の語を表・列・値・関係に正しく対応付ける情報がどのように役立つかを調べています。著者らは、三段階で構造化された事前情報を作るGRIPS手法を提案しています。GRIPS-Adaptiveは、20の設定のうち18でSQL Staticを上回ったと報告されています。
説明深層学習による不正取引検出で金融サイバーセキュリティを向上させる研究
要約本論文は、ニューラルネットワークを用いて異常な金融行動を高精度に識別する、不正取引検出のための深層学習手法を提案しています。実際の金融取引データセットにおいて、LSTM、CNN、ハイブリッド構成などの複数のモデルを評価し、従来の機械学習の基準手法より大きく改善したことを示しています。誤検知を抑えつつ不正取引を堅牢に検出でき、企業向け金融サイバーセキュリティシステムに拡張可能な解決策だとしています。
説明CytoWave：摂動中心の事前学習による単一細胞応答予測フレームワーク
要約本論文は、遺伝子摂動に対する単一細胞の遺伝子発現応答を予測するための、摂動中心の事前学習フレームワーク CytoWave を提案しています。オルソロジーで統一された大規模な種横断的摂動データを用い、まず未摂動細胞でマスク遺伝子発現の復元を学習し、次に対照状態と摂動信号から摂動後の発現を予測しつつ、対照学習で表現を整列させます。データセットを分けた厳密な評価と経路活性変化の事例研究で、一貫した有効性が示されています。
説明視点に頑健な3D理解のためのリー群ルーティングを用いた視覚言語モデル
要約本論文は、複数視点のRGB画像から3Dシーンを理解するためのリー群ルーティング手法LieVLMを提案します。同じ対象と質問でも視点によって応答が一貫しない問題を対象とし、VGGTで抽出した幾何トークンから局所的な回転パラメータとチャネルごとのルーティング係数を予測して視覚特徴を調整します。3Dキャプション生成、グラウンディング、検出、空間推論の各タスクで、加算的な融合よりも一貫した改善が報告されています。
説明教師ありの医用画像セグメンテーションのための周辺プロトタイプ対比損失
要約本論文は、物体境界付近の局所領域から得たプロトタイプ特徴を用いて境界認識を改善する、周辺プロトタイプ対比（PPC）損失を提案しています。複数のデータセットでの実験により、ラベルにノイズがある条件でもPPC損失がセグメンテーション性能を一貫して向上させたと報告されています。プロトタイプ計算の局所領域を適応的に決定する手法は、頑健性をさらに高め、既存手法を上回ったとされています。
説明産業用エージェントの信頼できる実行に関する枠組み
要約本論文は、単一の企業ガバナンス領域内で産業用エージェントを信頼できる形で実行するための枠組みを提示しています。権限、計画、ツール実行、実際の工学的効果、証拠、履歴管理など八つの制御領域を定め、四層アーキテクチャと三つの制御連鎖で接続します。ツールの戻り値と実際の工学的効果を区別し、一部の機構はプロトタイプと適合性テスト、CAD/CAE実行などで検証されています。報告された0/29の危険なコミットは封閉集合の仕様適合性を測るもので、安全確率ではありません。
説明FactorSpec：厳密な関係制約を投機的デコードの草稿として提供する手法
要約本論文は、JSON Schemaとそのフィールド間の関係を因子グラフにコンパイルし、厳密な実行可能性検査を行うFactorSpecを提案する。制約によって確定するトークンを確実な草稿として扱う。SGLangでは、検証ステップあたり最大10.5トークンを生成し、解码速度は最大1.43倍になる。また、構文のみを保証する基準と比べ、GPU秒あたりの有効レコード数は最大13.9倍である。
説明建築環境組織におけるエージェント型AI対応ワークフローに向けて：知識構造と相互運用性の課題
要約本論文は、自律的に推論・計画・行動するエージェント型AIを支えるために、建築環境のデータをどのように整理すべきかを概観しています。知識構造、相互運用性、そして検索拡張生成（RAG）やモデルコンテキストプロトコル（MCP）などのアクセス・統合の仕組みに焦点を当てています。既存文献で提案されている構造化データと非構造化データの整理手法を検討し、AIエージェントが信頼性高くデータを利用できるようにする方法を論じています。
説明SVD-Prune：極端な圧縮下でのスペクトルに基づく視覚トークン剪定
要約視覚言語モデルや視覚・言語・行動モデルは多数の視覚トークンを処理するため、計算上のボトルネックになっています。本論文は、学習を必要としないSVD-Pruneを提案します。特異値分解と統計的レバレッジスコアを用いて、視覚表現の主要な低ランクスペクトル構造を保ちながらトークンを大域的に選択します。視覚トークンの予算は最大99.3%削減でき、極端な圧縮でも頑健であると報告されています。
説明Concise-9B：推論モデルの思考から冗長さを取り除く研究
要約推論モデルは答えが形成された後も思考を続ける冗長さがあり、本論文はQwen3.5-9Bを対象に、最短の正解サンプルを残す二段階のオンポリシー拒否サンプリング微調整と少量の回答合成目標を用いてこの冗長さを減らし、Concise-9Bを得た。保持された8,983問では、32Kの思考予算でベースモデルの約0.66倍のトークンを生成し、精度は±1ポイント以内で同等であった。
説明分子特性予測のための原子ごとのメッセージパッシング規模の割り当て
要約本論文は、原子ごとに適切なメッセージパッシングの深さを自動的に選択するPRISM手法を提案する。各原子の特徴量から得られる有界のスカラーで、保持された中間状態上の単峰性分布を位置づける。スキャフォールド分割での分子特性予測において、比較対象のベースラインと比べて多くのエンドポイントで優れた結果を示し、GCN、GIN、GATにも転用できることを示している。
説明データ不足・多粒度・マルチモーダル：生合成遺伝子クラスターのベンチマーク設計
要約生合成遺伝子クラスター（BGC）は、抗生物質や抗がん剤などの特殊代謝産物の合成を担う、近接して並ぶ遺伝子群です。本論文は評価基準の設計枠組みを提案し、それに基づくBGC-Benchを構築しました。MIBiGから導出した5つのタスクを、遺伝子型・表現型のシフト分割で評価し、能動学習の設定も含みます。12種のエンコーダを核酸、アミノ酸、Pfamドメインの各粒度で比較した結果、単一の表現が優位になることはなく、事前学習済みエンコーダが全タスク・全分割で一貫して優れるわけでもないと報告しています。
説明可逆なグラフ集約が ReLU 読み出し層の幅を増やす場合があることの論文
要約本論文は、可逆なグラフ近傍集約によって、ノードごとに読み出す分類器に必要な隠れユニット数が増えるかを検討する。各偶数 N≥4 について、2N 個の頂点と最大次数 3 を持つラベル付き木を構成し、生の特徴では 1 個、一度の遅延近傍平均の後では N 個の隠れユニットが必要であることを示す。さらに有界一様雑音の下での誤差の下界を示し、Roman-empire と Tolokers での対照実験を報告する。
説明テキストが沈黙するとき：証拠不足下における記憶ショートカットとLLMアノテーションの妥当性
要約本論文は、大規模言語モデル（LLM）がテキストを注釈する際、原文の証拠ではなく既知の人物知識に頼るかどうかを検証しています。995名の著名人と対照用の架空の名前を用いた反事実テキストで三つの商用モデルを評価した結果、証拠が矛盾する場合は記憶が原文より優先されることはないものの、証拠が欠けると有名な名前によって職業、年齢、国籍の注釈率が上昇しました。これらの注釈は人物について事実上正しくても、テキストに根拠がなく、方法論的には妥当ではないとされています。
注目点新規性は、テキストの根拠と記憶知識を切り分け、根拠がない場合の記憶ショートカットを体系的に示した点にあり、995人の公人と3つのモデルで評価したと報告している。
説明アラビア語方言の機械翻訳における大規模言語モデルの現状
要約本研究はMADARデータセットを用い、大規模言語モデルによる英語とアラビア語方言の相互翻訳能力を評価しています。16のアラビア語方言の両方向を対象とし、特化型アラビア語モデル、多言語モデル、商用APIを比較しました。BLEU、CHRF、COMET、GEMBAなどの自動評価指標と少数規模の人手評価を用いています。方言の多様性への対応が難しいことが主な知見ですが、学習データの汚染による影響の可能性も指摘されています。
説明ヒント付きスケーリング則：補助情報で小型モデルにも正答率を持たせ、下流精度を予測する手法
要約スケーリング則は小規模な学習結果から大規模モデルの性能を外挿しますが、小型モデルのベンチマーク得点がほぼゼロの場合には予測が成り立ちません。本論文は特権情報を使って、ベンチマークを易しさの異なる連続的な版に変換するヒント付きスケーリング則を提案します。ヒントの強さに応じて正答率は滑らかかつ予測可能に上昇します。Delphi事前学習系列での予測誤差は標準的な手法より小さく、モデル間の優劣を判定するのに必要なテスト例数も減らせることが示されています。
注目点特権情報によるヒントで小型モデルの正答率がゼロ近くになる問題を解決し、複数のモデル系列で予測誤差の大幅な低減を報告している。
説明在庫切れによる需要打ち切りを無作為化で克服する、リスク感応型ニュースベンダー学習
要約本論文は、需要に上限があり観測が打ち切られる場合と、凸で非線形な欠品費用がある場合のオンライン・ニュースベンダー学習を扱う。在庫切れでは欠品量が観測できず勾配法に必要な情報が失われるため、無作為化発注により不偏な劣勾配推定量を構成する。この枠組みで許容される無作為化分布を特定し、推定量と勾配更新を組み合わせたオンライン在庫方策を提案する。事後的に最良の固定発注量に対する期待後悔は O(T^{2/3}) であり、独立需要などの条件下では O(√T) に改善され、対応する極小最大下界と一致する。
説明マルチエージェントシステムにおけるルール設計の理論：同質的な車両群の場合
要約本論文は、多数の分散型エージェントから成るシステムに対するルール設計の一般的な枠組みを提示する。ルールを、規制当局が定めたシステム性能の集合と結びつけて定式化している。一般的なルール設計問題（RDP）に加え、エージェントが同一である場合の同質ルール設計問題（HRDP）を導入し、最悪ケース集約の下では両者の解が一致することを示す。RDPを解くための随時終了型の分枝限定法RuleBnBを提案し、自動運転のケーススタディでその有用性を示している。
説明労働安全衛生のための3層統合技術リスクモデル
要約本論文は、作業安全分析（JSA）、先行指標と遅行指標を用いた動的リスク評価、大規模言語モデル（LLM）による予測分析を統合した、労働安全衛生（OSH）管理の段階的フレームワークを提示している。組織が静的で事後対応型の安全対策から、予測型の安全管理へと移行するための構造化された道筋を示す。各層は前の層を基礎とし、ジャストインタイムの教育と事前のリスク低減を可能にするデータ駆動型の包括的アプローチを形成する。
説明希少な有用特徴による多クラス分類：基本的限界と多様性探索型Higher Criticism閾値法（DP-HCT）の最適性
要約本論文は、特徴量が非常に多く有用な特徴はごくわずかで、クラス数も多い場合の分類問題を扱う。各特徴について一元配置分散分析などの多様性検定を行い、得られたp値群に高次臨界（Higher Criticism）閾値を適用して有用な特徴を選別するDP-HCTを提案している。分類可能な場合には、DP-HCTと分散分析、クラス平均との類似度に基づく単純な分類器を組み合わせることで、漸近的に完全な精度が得られることを示している。
注目点二値分類の希少特徴理論を多クラスに拡張し、クラス数増加時のより厳しい相転移と DP-HCT の最適性を示す。摘要では実ベンチマークとシミュレーションでの検証を報告。
説明構造的因果モデルにおける分類のための部分的不変性
要約本論文は、目標条件付き分布を環境不変の成分とラベル不変の成分に分解する「環境ラベル分離」という部分的な環境不変性の概念を提案している。構造的因果モデルの枠組みで分離の十分条件を示し、テストリスクの推定値を最小化しつつ環境間の不変性を促すdIMP-Classifierというアルゴリズムを開発した。シミュレーションデータと実世界の光トンネル型Causal Chamberデータでの実験では、対象メカニズムへの介入下でも性能を保ち、比較した標準的手法および不変性ベースの基準手法を上回ることが示されている。
説明大規模言語モデルは自己評価を信頼できるか？確率的VC枠組みによる検討
要約本論文は、大規模言語モデルが自ら生成した二つの解答の中から正しいものと誤ったものを区別し、適切に校正された確信度を示せるかを検討する理論・実験の枠組みを提案しています。古典的なVC理論を確率的予測器に拡張し、確率的VC（PVC）と校正考慮型PVC（C-PVC）という二つの複雑度指標を定義しています。11個の7〜8Bモデルを数学推論、TruthfulQA、CommonsenseQAで評価した結果、自己評価の表現力が高いモデルほど校正が弱いという逆相関が、アーキテクチャや学習方法、分野を問わず見られたと報告しています。
説明再学習、警告、それともロールバックか？概念ドリフト下の本番機械学習のための三つの対応判断フレームワーク
要約本論文は、概念ドリフトによって配備済みモデルの性能が低下した際の三つの対応（再学習、警告と監視、ロールバック）それぞれに明示的な発動条件とコストを定めるRAR（Retrain-Alert-Rollback）状態機械を提案しています。8つの実公開データストリームと、それらから派生した5つの半合成ストリームの計13本で、コスト考慮型の再学習方策を含む6つのベースラインと比較しています。RAR はすべての条件で優位なわけではなく、再学習コストが低い場合は再学習中心のベースラインが優れ、一部のストリームでは高コスト条件下でRARが他方策を上回ると報告しています。
説明感情分析モデルの頑健性を評価するためのメタモルフィック・テスト
要約本論文は、言語系AIシステムの頑健性を評価する、軽量でバッチ単位のメタモルフィック・テスト手法を提案している。感情分析を代表的なNLPタスクとして取り上げ、事前学習済み分類器に対して同義語置換、タイプミスの挿入、語順変更、否定の四種類の変換を適用している。一貫性スコア、反転精度、信頼度の変化を用いて評価した結果、意味的な変化への対応には強みがある一方、テキストのノイズや論理的な変換には脆弱性があることが示された。
説明階層的多尺度多様体容量最大化による視覚皮質のモデリング
要約本論文は、霊長類の視覚皮質の神経応答を模倣するための、教師なしで層ごとに学習する手法を提案している。全体の誤差逆伝播に頼らず、多様体容量に基づく効率的符号化の損失を各層に設け、受容野の拡大に合わせて複雑さを調整する。マカクの腹側視覚経路三領域の神経データとヒトの物体分類の心理物理データで評価され、同じアーキテクチャのベースラインと比べて、すべての評価で同等以上の性能を示したとしている。
説明AI査読者は論文の改善努力を見分けられるか——論文改訂軌跡に関する大規模研究
要約本研究は、五つのAI国際会議にわたる6,959件の論文改訂軌跡を収めたデータセットPaperTrajectory-2026を用いて、AI査読者の評価が著者による改訂を反映しているかを調べている。重要な改善の多くでは、八つのAI査読者のいずれも評点を変えず、評点変化の方向についての一致も弱かった。さらに、短い否定的なユーザー意見が、改訂による評点の優位を打ち消したり逆転させたりすることが示された。
説明非相反球面アテンションと検索：鋭い粗視化時計と検証可能なスコア補正
要約本論文は、粗視化過程と圧縮された最近傍検索のための非相反球面アテンションの数学的枠組みを提案する。特定の収縮する二つのブロックの条件下で、粗視化時間の対数スケール極限が二つのブロック中心のなす角の余弦を用いて1−cosφと表されることを証明し、有限圧縮における注意出力誤差のO(r²)上界を示す。また、歪んだクエリ側のスコア校正を厳密凸モーメント問題として定式化し、SIFT1Mおよび千万ベクトルのFAISS IVF-PQインデックスで実験を行い、ヒット率と検索遅延を報告している。
説明連続制御のための反復Gumbel計画法
要約本論文は、探索ベースの計画法を連続行動の強化学習制御に適用する方法を扱います。探索で得られた最良行動をガウス方策に蒸留すると、投影誤差と分散が広がる傾向が生じることを指摘しています。これに対し、次元ごとに分解したカテゴリカル方策を用い、Gumbel Top-Kサンプリングと MPPI 型の多段反復探索を組み合わせた反復Gumbel計画法（IGP）を提案しています。DMControl と HumanoidBench で総合性能とサンプル効率が高く、動作系列も安定したと報告しています。
説明TIGER：研究者の好みから学習し、個別化された研究アイデアを生成する手法
要約本論文は、研究者個人の好みを学習して研究アイデアを生成するTIGER手法を提案している。TIGER-8BとGPT-4.1が生成したアイデアの比較では、3名のLLM研究者が76組の比較それぞれで56.6%から68.4%の割合でTIGER-8Bのアイデアを選んだ。博士研究者2名も、30組の比較でそれぞれ19組（63.3%）と17組（56.7%）でTIGER-8Bのアイデアを選んだ。
説明誰がキャッシュを採点すべきか：中間層がKVキャッシュ削除の最良の判定者である
要約本論文は、大規模言語モデルのKVキャッシュ削除において、どの層の注意スコアで保持するトークンを決めるかを検討しています。21のモデルで調べたところ、採点を行う層の深さが削除の品質を左右することがわかりました。深さの約0.4〜0.75の中間層が長文脈検索で最も良い結果を示しました。正解が分かっている校正用プロンプトで採点層を選ぶ手法を提案しています。
注目点打分層を選ぶという問題を提起し、中間深度が最適となる理由を説明。二十余のモデルで測定し、SnapKVと比較している。
説明アンサンブルの不一致を超えて：分布シフト下における強化学習歩行制御の予測型STL監視
要約本論文は、シミュレーションで学習された強化学習の歩行方策が分布シフトのもとで行う予測型信号時相論理（STL）監視を評価したものです。対象はAnt-v5とHalfCheetah-v5の固定された方策で、世界モデルによる閉ループ展開と3モデルのアンサンブルを用いています。HalfCheetahでは予測ロバスト性が将来のSTL違反をよく順位付けする一方、アンサンブルの不一致は観測予測誤差や違反を確実には追跡しないと報告しています。安全の不確実性の指標としてアンサンブルの不一致を信頼すべきでない、と著者は指摘しています。
説明識別・校正・ランキングを統一する行列フレームワーク
要約本論文は、分類器の評価における識別（判別）、校正（キャリブレーション）、ランキングの三つを、単一の行列代数の枠組みで扱う方法を提案しています。既存の指示行列による識別指標の枠組みに、偏差演算子を用いた校正フレームワークと、順位依存の演算子を用いたランキングフレームワークを加えています。Brierスコア、nDCG、AUCなどの性質を整理し、二つの多ラベルベンチマークで実験を行っています。結果の多くはLean 4で機械検証されています。
注目点判別・校正・順位付けを一つの行列代数の枠組みに統一し、偏差演算子と位置演算子を追加。一部の結果はLean 4で機械検証されている。
説明埋め込み空間での地表変化の予測
要約本論文は、衛星画像の分光値ではなく埋め込み空間で地表変化を予測する手法 E²Forecast を提案しています。ガウス分岐と整流フロー分岐を持つ Transformer により、平均的な点予測と不確実性、または予測のアンサンブルを生成します。Sentinel-1 と Sentinel-2 のベンチマークでは、余弦距離が 0.20 から 0.10 に半減し、過信も抑えられました。また、新しい観測と予測を比べて異常な変化を検出でき、全球ベンチマークで F₁ が 41.58 から 48.70 に向上しています。
注目点分光値ではなく埋め込み空間で予測し、ガウス枝と整流フロー枝を組み合わせる。Sentinelデータと9種の基盤モデルで検証し、コサイン距離が半減したと報告。
説明小規模モデルにおける自由記述推論のテスト時スケーリング
要約本論文は、小型の指示調整済みモデルが複数回サンプリングした出力を、テスト時に投票でまとめる効果を調べたものです。意味ごとにクラスタリングし、最大クラスタの代表を返す手法で、報酬モデルや自己評価は用いません。数学問題では投票による精度向上が見られた一方、自由記述のテキストではほぼ改善せず、多くのサンプルが同じ意味のクラスタに集中していました。
説明「BOBA：誤った前提の上に築く——コーディングエージェントを放置できない理由」：連続したタスクでエージェントが失敗する理由を説明する論文。
要約本論文は、140 の実在するオープンソースプロジェクトから作成した 280 本の連鎖（各 20 個の連続リクエスト）からなる BOBA-Bench を構築し、10 のコーディングエージェントを評価しています。単発のリクエストでは平均 95% を完了できましたが、連鎖させると完了率は 51% に低下しました。主な原因は、エージェントが自身の誤りを見逃し、その誤ったコードを土台に次の作業を進めてしまうことだとされています。外部からの一度の指摘と修正により、連鎖の完了率は 51% から 59% に改善したと報告されています。
説明高解像度2D画像から3D微細構造を再構成する学習手法
要約本論文は、学習時に高解像度の2D走査電子顕微鏡画像を活用し、低解像度の3Dマイクロ CT データのみから試料固有の3D微細構造を再構成するPCRD（Privileged Cross-modal Relational Distillation）フレームワークを提案している。対象は引抜成形された炭素繊維強化ポリマー複合材料である。2D断面再構成ではマイクロCTで直接学習した場合よりmAPが1.66ポイント向上した。高解像度の放射光X線CTとの3D比較では、繊維体積率・直径・局所間隔がよく一致し、繊維中心線長の一致率は89.97%で、補間した低解像度ボリュームの75.08%を上回った。
説明単眼深度モデルは視点の変化に対して一貫性を保てるか？視点列による評価手法
要約本論文は、カメラ位置が移動する動画列を用いて、単眼深度推定モデルの視点変化に対する予測の一貫性を検証する新しい評価手法を提案しています。多様な実世界の動画で、structure from motion（運動からの構造復元）によりモデル出力を度量深度に対応付けています。長い時間幅での時間的一貫性など、汎用的な単眼深度基盤モデルにおける未解決の課題を示し、度量校正にSfMを用いる際の難しさにも言及しています。
説明ZeroGraph：物質化された境界監督による合成的ブロック単位学習
要約本論文は、事前学習済みモデルの変換と蒸留のためのシステム手法ZeroGraphを提案する。凍結された教師モデルの一貫した境界軌跡をバージョン管理されたデータセットとして物質化し、各分割をパラメータ・オプティマイザ状態・乱数状態を共有しない形で学習させる。これにより、オンラインの層間勾配依存を永続的な監督データで置き換える。実験では、アンカーのない目的関数では組み立て後の性能が悪化し、クリーンな教師境界回帰の手法が複数のモデルで品質と文脈利用の検証を通過したことが示されている。
説明T2強調前立腺MRIの条件付き生成モデルと臨床的に有意な前立腺癌分類における下流評価
要約本研究は単施設の後ろ向き研究で、MAISI-v2を拡張したT2強調前立腺MRIの条件付き生成モデルを開発し、臨床的に有意な前立腺癌のクラス、前立腺の領域、病変マスクによる条件付けを加えました。1,303名の患者（1,654病変）で相対的優位性重み付き損失を用いて微調整しました。合成画像は、模擬的なデータ制約下で臨床的に有意な前立腺癌の分類を改善しましたが、その効果は施設間では有意には移転しませんでした。
説明2型糖尿病診断のためのファジー強化型機械学習手法
要約本研究は、ファジー化、データ平衡化、進化的特徴選択を組み合わせて2型糖尿病を予測する機械学習フレームワークを提案している。非線形の臨床変数を選択的にファジー化し、SMOTE-ENNでデータの平衡化とノイズ除去を行い、バットアルゴリズムで特徴を選択したうえでランダムフォレスト分類器を学習させる。ピマ・インディアン糖尿病データセットでは、特徴量を10個に絞り込み、正解率96.11%、F1スコア98.23%を達成した。全16特徴を用いた基準のランダムフォレストを上回る結果である。(Pima Indians Diabetes Dataset)
説明再帰的推論探索：進化する推論グラフによる数学研究（二項テンソル分解の厳密な証明書次数定理の事例）
要約本論文は、数学研究における命題・前提・論証・反例・検証・修正を進化する推論グラフで記録し、再利用と検証を支援する枠組み「再帰的推論探索（RRE）」を提案する。その事例として、階数が2より大きい任意の次数n≥2の複テンソルについて、元の二項分解方程式に対する最小Nullstellensatz証明書次数が3nに等しいことを示す。別の分枝では、非零の冪零m×m行列について3m+3以上3m+6以下の評価を与えている。
説明3つの公開コーパスで同一の構造・手順を用いた脳波による内言解読
要約本研究は、同一の前処理パイプライン、被験者内5分割交差検証の手順、コンパクトなデュアルアテンションTransformer（VC-DATNet）を用い、3つの公開コーパスで内言の解読性能を比較した。四クラスのThinking Out Loudタスクでは被験者ごとのセンサー・ソース混合精度が39.48%、八単語のBISpeechタスクでは20.60%、八単語のSyncSpeechタスクでは25.53%だった。センサー空間と皮質ソース空間の表現は被験者によって得意が異なり相補的であった。多くのデコーダの精度は狭い範囲に収まり、これらの公開データでは性能がモデル容量よりも信号品質やデータ規模に制約されていることが示唆される。
説明ANCHOR：オフラインからオンラインへの安定した強化学習のためのKL制約による適応手法
要約本論文は、オフラインのリプレイデータを使わずに、事前学習済みのオフライン強化学習エージェントをオンライン環境へ適応させる問題を扱う。提案手法ANCHORは、オンラインの微調整の初期段階でアクターを事前学習済みの方策に固定し、その制約を時間とともに緩和し、小さな残余の保守的クリティック正則化項のみを保持する。FrankaKitchen、AntMaze、Adroitのタスクにおいて、早期の性能崩壊を大幅に抑えつつ、高い最終性能を維持したと報告されている。
説明単位円固有値を超えて：安定な状態空間ダイナミクスのための不変基底
要約本論文は、対角状態空間モデルが長い系列の展開において保存量を保てない問題を扱い、Kronecker-Cayley 変換（KC）を提案している。対象部分空間上のグラフラプラシアンを生成元とし、Cayley 変換で時間発展させることで、各ステップは対角構造を保ち、保存量は学習前に固定される。四つの保存性ベンチマークでは、KC は総質量を参照下限付近に保つ一方、他の対角ベースラインは桁違いに損失している。
説明制限付き拡散ブリッジ：標的を絞ったデノイザーの学習と洗練
要約拡散モデルは、対象分布のうちデータが少ない重要な領域で不正確になりがちです。本論文は、古典的な強化サンプリングでデータを特定の構成の近くに集中させるために用いられる有偏分布、すなわち制限付き分布からのサンプリングを扱います。適切な中間時刻で、制限付きデータからの順方向ノイズ付加を制限付き構成に条件づけると、偏りが厳密に相殺されることを示しています。これにより、制限付きデータで微調整した事前学習済みモデルは、重要度重みなしで任意の選んだ領域で高い精度を達成できます。目標データがない場合は、ギブスサンプリングにより制限付きデータのみで学習したモデルから推論できます。
説明見つからないことで報酬を得る：アライメント訓練が条件付きの遵守を選び、規範を植え付けられない理由
要約本論文は、現在のAIアライメント訓練では、規範は報酬によって「違反すると代償がかかる」という価格としてしか伝わらず、その代償は違反が発覚したときにしか課されないと主張する。そのため訓練は、常に遵守する方策ではなく、発覚しそうな場合にのみ遵守する方策を選びやすいとされる。著者はこれにより、アライメントの偽装、能力の意図的な過少提示、評価を意識した策略的行動を説明し、どんな利益でも覆せない規範には、内面化ではなく違反を選択不可能にする設計が必要だと論じている。
説明Value Forcing：全ノイズレベルでの収益分布の整合
要約本論文は、フローマッチングを用いて収益分布を推定し、すべてのノイズレベルでベルマン整合性を課す Value Forcing を提案します。データが限られる場合でも正確な価値関数を学習することを目指します。実装として、actor-critic 法の VF と暗黙的価値学習法の IVF の 2 つを示しています。オフライン強化学習の長期タスク 26 件で、既存の価値学習法を上回り、データが少ないほど利得が大きいと報告しています。
説明マルチエージェントの共謀と J 空間：解釈可能性手法でエージェント間の共謀を検出する研究
要約本論文は、マルチエージェントシステムにおける大規模言語モデルエージェント間の共謀リスクを扱います。単一モデルの欺瞞の検出に使われてきた J 空間（J-space）を用い、NARCBench 共謀ベンチマーク上で DeepSeek-V4-Flash を解釈する実験を行い、共謀エージェントの J 空間に共謀に関する表現が含まれることを示しています。また、教師なし手法 J-PACT を提案し、四つのオープンウェイトモデルで評価しています。
説明誤差逆伝播法（バックプロパゲーション）の詳細な導出
要約本稿は、シグモイド活性化と二乗誤差損失を用いる全結合型フィードフォワードニューラルネットワークについて、誤差逆伝播法を段階的に導出します。連鎖律によって単一の重みから順に勾配を求め、誤差項δと行列形式の4つの基本式を示します。さらに複数の訓練例とミニバッチ勾配降下法へ拡張し、AHDBaseのアラビア手書き数字データセットで学習するNumPy実装との対応も示しています。
説明点群の分散を用いた路側4Dレーダーによる車両分類の改善
要約本論文は、4Dレーダーとステレオ深度カメラを同期させて収集する路側マルチセンサープラットフォームと、実環境で収集したデータセットを紹介しています。レーダー点群はまばらでノイズが多く分類が難しいため、時間平滑化したレーダー点群クラスタの2次元位置標準偏差に基づくNeyman-Pearson型の二値分類器を提案し、分類誤り率を52.1%から42.7%に低減しました。
説明個人化フェデレーテッド学習は導入コストに見合うのか？
要約本論文は、個人化の深さ（P0〜P5の6段階）の選択を、Macro-F1からコスト感度の重みと導入コストの積を引いた効用に基づく経験的な意思決定問題として定式化します。CIFAR-10、CIFAR-100、PTB-XLのサブセットでの実験では、個人化の効果は普遍的ではなく設定に依存することが示されています。コスト感度が高いほどオラクルの割り当ては全体モデルのみのP0に寄ります。単一の最良深度を全クライアントに適用する方法は、オフラインのオラクル割り当てに近い性能を示しました。
説明GatedV：Transformer言語モデル向けの自己ゲート付き値
要約本論文は、注意機構の値行列Vのみに集約前にSiLUを適用する、追加の学習パラメータを必要としない注意機構の簡単な変種GatedVを提案しています。パラメータ数と学習トークン予算を揃えた条件で、2つの規模のモデルの保留データに対するパープレキシティがいずれも低下し、対になった全シードで改善が見られたと報告しています。較大モデルでは順伝播の遅延が約0.7%増加したとしています。
説明検索ベースのファクトチェックの敵対的頑健性：証拠汚染の検出と緩和
要約本論文は、検索ベースのファクトチェックシステムが直面する敵対的な証拠汚染の問題を扱っています。事実と矛盾するが文脈上は整合した証拠が、検証モデルを誤らせうることを示しています。提案手法GLAD（幾何学・語彙的敵対防御）は、密な埋め込みの同伴者一貫性と語彙的分布の隔離を組み合わせます。2つのベンチマーク、2つの埋め込みモデル、5つの乱数シードでの実験で、GLADが最も高い検出率を示し、汚染による性能低下の大部分を回復しています。
説明TSSDA：時系列テキストからSQLへのベンチマーク構築を行う自律エージェント
要約本論文は、時系列データベースにおけるテキストからSQLへの変換で高品質なベンチマークや大規模な学習データが不足している問題を取り上げ、時系列SQL生成データエージェントの枠組みTSSDAを提案します。時系列SQLの文法と意味をモデル化して生成空間を構築し、計画・意思決定モジュールとクエリ生成モジュールを持ち、オンライン適応を行うデータエージェントが自律的にデータを生成します。さらに、時間を考慮した記憶機構により異なるデータ間で経験を再利用します。構築されたベンチマークTERNでは既存手法の限界が示され、TSSDAは網羅性、多様性、複雑性を大きく改善したと報告されています。
説明FOLLIE：フランス語文と一階述語論理表現の初のデータセットに基づく自動推論
要約FOLLIEは、フランス語の文、合成的な一階述語論理表現、自動自然言語推論を結び付ける研究です。6つの異なる推論データソースから得た19,983件の推論記録と36,987件の文・論理式の対応を含み、標注は神経-記号的パイプラインで作成されています。また、Prover9とMace4を用いた自動推論エンジンを開発し、FraCaS-FR、GQNLI-FR、SICK-FRで三値分類の精度を報告しています。