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MultiInpaintCOCO：多言語での細粒度な視覚理解ベンチマーク
要約本論文は、英語の細粒度視覚データセットInpaintCOCOを13言語に拡張し、953組の最小ペアからなる多言語ベンチマークMultiInpaintCOCOを作成しました。視覚言語モデルの画像細部の理解を、多言語マルチモーダル検索で評価しています。低リソース言語ほど性能が大きく低下し、その要因は英語との類型的類似性よりも言語ごとのデータ量であることが示されました。また多くのモデルは、非英語の正解キャプションより英語のキャプションを選ぶ傾向があり、その偏りの強さはアーキテクチャによって異なります。
説明大規模言語モデルはMS/MS構造解析の分布外汎化に専門ツールを必要とする
要約本論文は、候補リストや参照ライブラリを使わず、タンデム質量分析（MS/MS）のスペクトルから直接分子構造を推定できるかを検証しています。MassSpecGymから100個の分析対象を用い、文献に多く記載されたものを分布内、ほぼ記載のないものを分布外として分けて評価しました。ツールなしでは、分布内のTop-1正解率は52%でしたが、分布外では2%でした。デノボ構造生成器を利用できる場合のみ分布外の正解率が最大38%まで向上し、そのエージェントは単独のデノボモデルを上回りました。
説明較正済み多重精度：決定論的・ランダム化の標本複雑度
要約本論文は、有界な検定族Gに対して大域的に較正され、かつ多重精度を満たす予測器（残差が各検定関数と無相関）である「較正済み多重精度」を扱う。その標本複雑度を決定し、多重較正とは異なる量級を示すとともに、ランダム化予測器に対する上界を与える。決定論的予測器については緊密な速度を示し、両者の間に実質的な標本複雑度の差があることを明らかにしている。
注目点校正マルチ精度の紧いサンプル複雑度を示し、マルチ校正との分離と決定的・ランダム化予測器の新たな分離を与える。
説明開放型マルチエージェントシステムにおける強化学習の公理的枠組み
要約本論文は、一部のエージェントしか制御できない開放型マルチエージェントシステム（例：スマートグリッド）の強化学習を対象に、Shapley公理（効率性、対称性、線形性）から価値関数学習を導く公理的枠組みを提案しています。n-agent ad hoc teamwork（NAHT）の分解を用いて、この枠組みを協力ゲーム理論に基づかせています。さらに、Shapley MachinesとBanzhaf Machinesという汎用アルゴリズムの枠組みを紹介し、NAHTのベンチマークタスクで学習効率と未知のエージェント種類への汎化が向上したと報告しています。
説明SQLoom：Text-to-SQLのための構文・意味・論理依存関係に対する集合対比学習
要約本論文は、自然言語の質問をSQLクエリに変換するText-to-SQLのため、大規模言語モデルを制約認識型でファインチューニングするSQLoomを提案している。構文の妥当性、質問との意味的整合、節間の論理的一貫性の三つの段階で監督を行い、最小限だけ異なる誤った出力よりも正しい出力の集合を優先する集合対比目標を用いる。実験では、Qwen3-1.7BのSpider開発セットにおける実行精度がゼロショットの62.9%から88.7%に向上し、BIRD開発セットでは73.4%に達したと報告されている。
説明能動的逆強化学習による転移可能な報酬の推定
要約逆強化学習は、動力学が異なる環境間で転移可能な専門家の報酬を復元することを目指します。本論文では二段階の手法を提案します。まず利用可能な動力学を順に用いて信頼できる報酬推定を得て、その後、専門家の報酬に関する不確実性を減らすように動力学を能動的に選択します。任意の動力学に対して成り立つ転移の標本複雑性の保証を示し、その速度は利用可能な動力学の数に依存しません。実験では、転移可能な報酬の学習に必要な専門家デモンストレーションの数を大幅に減らせることが示されています。
説明ENGINE：ゼロ次大規模言語モデル微調整のための内生変分マルチスケール最適化
要約本論文は、大規模言語モデルをゼロ次（ZO）で微調整する手法 ENGINE を提案する。低次元部分空間と高次元全空間を交互に最適化し、計算力学の変分マルチスケール理論を動的最適化に応用している。標準的な大規模言語モデルのベンチマークでは、既存のゼロ次法より高い精度と速い収束を示し、順伝播回数で最大2.61倍の高速化を、追加のピークメモリなしで達成したと報告している。
説明Top-k検索では記憶の価値が決まらない
要約本論文は、記憶拡張エージェントが検索ログだけから記憶の価値をどこまで判定できるかを検討します。top-k検索では、何回分のエピソードを記録しても、すべての記憶の価値は確定しないことを証明しています。提案手法LEDGERは、確定できるShapley値だけを信頼区間付きで推定し、HotpotQAでは確定できる記憶の割合を0.001から0.797に高めました。
注目点新規性はtop-k検索ログでは記憶価値が決定不能だと証明し、LEDGERで確定率を大きく高める点にある。HotpotQAで報告。
説明3次元人体形状の潜在空間符号化のためのメッシュ非依存型精緻化モデル
要約本論文は、SMPLなどのパラメトリック人体モデルによる再構成の誤差を補正する枠組みを提案します。対応する頂点を必要とせず、初期の復号曲面と目標メッシュの幾何学的差異を利用します。Latent-VaRefineは潜在符号を、Vertex-VaRefineは正準姿勢での頂点変位を、ElaOptは弾性正則化と法線方向制約のもとで曲面変形をそれぞれ最適化する三つの手法から成ります。
説明ReVA-HPE：合成姿勢監督と個人化バーチャルアンカーによる相対6自由度頭部姿勢推定
要約本論文は、単眼の顔画像から頭部姿勢を推定する問題を、クエリ画像とアンカー画像の間の相対的な幾何変化を推定する問題として扱います。単一の未ラベルの登録画像から個人化アバターを再構成し、既知の姿勢を持つ仮想アンカー群を描画して、複数アンカーの合意により回転を推定します。相対姿勢推定器は合成顔レンダリングのみで学習されます。実データのベンチマークでは、BIWIにおいて回転精度が最先端を達成し、平行移動の推定でも競争力を保つと報告されています。
説明特異性バイアスとウィキペディアのパラドックス：ドメインシフト下におけるAIテキスト検出器のxAI分析
要約本論文は、ファインチューニングしたTransformerモデル（DistilBERT、RoBERTa）によるAIテキスト検出器の頑健性と解釈可能性を検討しています。オープンソースの大規模言語モデルで生成した超ローカルニュースのデータセットで評価し、SHAPを用いた説明可能AI分析を行っています。検出器には複数の偏りがあり、構造化された人間の文章領域では統計的手法だけでは限界があることが示されています。
説明グラフ上のノード選択タスクのための厳密適正スコアリングルール
要約本論文は、グラフ内の未知の目標ノードを一つ特定するノード選択タスクを扱い、推定器がグラフの各ノードに対する確率分布を出力する設定を考える。グラフ構造を考慮した二つの厳密適正スコアリングルール、パラメータを持たないResistanceスコアと、調整可能な粗視化解像度で動作するDiffusionスコアを提案している。実験では、流行病の発生源検出とImageNet分類において、従来の指標では捉えられない推定品質の差を検出できることが示されている。
説明環境音データの注釈を人が検証するAIワークフロー
要約本論文は、肯尼亜森林音データセット（KFSD）の注釈作業で用いた人間とAIの協働ワークフローを紹介します。作業用コレクションは21カテゴリの7,531件の録音です。研究では、ゼロショット分類、特徴量ベースのアンサンブル、微調整したAudio Spectrogram Transformer（AST）を検討し、「人の話し声」の二値分類で微調整ASTは89.36%の正解率を得ました。この結果は事前に定めた自動注釈の基準95%に届かなかったため、モデルの予測は提案として扱い、人が検証しました。検証では誤検出は見つからず、1ファイルあたりの検証時間は約4.2秒で、手作業の35秒と比べて約20時間（41%）の削減となりました。
説明DeepWaveRL：強化学習による自己教師付き全波形インバージョン
要約本論文は、地震観測データから地下の速度などの物性を推定する地球物理学の逆問題、全波形インバージョン（FWI）に強化学習を導入した研究です。反復的な推定過程を方策学習として定式化し、方策ネットワークが速度マップを行動として予測し、順演算子はシミュレーションのみに用います。各予測のデータ不一致から計算した全体的なスカラー報酬で方策勾配を重み付けするため、順演算子の勾配を用いずに学習できます。実験では、単一のスカラー報酬のみに頼りながら、教師あり学習および自己教師付きのベースラインに匹敵する性能を示しました。
説明ミスマッチの代償：ゼロ次強化学習におけるノイズ増幅
要約本論文は、大規模言語モデルの検証可能な報酬による強化学習（RLVR）におけるゼロ次（ZO）最適化の信頼性を検討しています。二つの有限差分評価が一致したデータで行われるかどうかが勾配推定の信頼性を構造的に決めることを、分散理論の枠組みで示しています。データが一致しない場合のオンポリシー強化学習では摂動スケールが小さくなると下限となるノイズが生じる一方、一致したデータを用いるBOLTはノイズ相殺によりこの増幅を解消します。これに基づくZO-BOLTは、三つのモデルと二つの数学推論ベンチマークで事前学習済みのベースラインを一貫して上回り、メモリ使用量は推論時に近い水準を保ちます。
説明多クラス・多グループ評価における公平性指標の再考：すべてが二値とは限らない
要約本論文は、既存の公平性指標が敏感属性と出力ラベルが二値であると仮定しており、非二値データに対しては「一対その他」の方法で強制的に二値化されていることを指摘しています。著者らは既存指標の限界を論じ、多グループ・多クラスに対応する数学的に妥当で一般化された指標を提案しています。また、二値化の方法が実証評価に歪みをもたらし、多クラス設定における二値公平性指標の限界を示すとしています。
説明離散化された時間尺度における生存・競合リスクのためのポアソン・スーパーラーニング
要約本論文は、右側打ち切りデータに対する生存および競合リスク予測のための、スケーラブルなアンサンブル手法であるポアソン・スーパーラーナーを提案している。区分定数ハザードモデルの尤度とポアソン尤度の対応関係を利用し、候補となるハザード学習器を共通のポアソン損失で学習させ、交差検証後の対数ハザード予測をポアソン・メタ学習器で統合する。生存確率や原因別絶対リスクの推定に用いることができ、スティノ糖尿病センターの2005年から2022年のデータを用いて1型糖尿病患者の心血管疾患リスクを予測する例を示す。分析は無料のRパッケージpoissonsuperlearnerで実施されている。