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）。
説明良い視点だけでは不十分：ガウス正則化JEPAのグローバル反例
要約この論文は、ガウス正則化されたJEPA（結合埋め込み予測アーキテクチャ）において、良い視点だけではグローバル最適解がシーン不変性や回転を除いた一意性を保証しないことを示しています。著者らは、特定のソフト目的関数に対して Good Views のガウス拡張の一意性の前提が成り立たない、グローバルに検証された反例を示しています。さらに、シーンへの整合性が良くなっても予測性能が悪化しうることも示しています。
説明LHNav：多段階協調と物理に基づく動作データによる長期ホライズンのヒューマノイド航法
要約本論文は、長期的な言語指示のもとで人型ロボットが複数の目的地を順に移動する航法を研究している。提案手法LHNavは、タスク推論を担う「大脳」、局所的な動作生成を担う「小脳」、全身実行を担う「脳幹」の三つの役割を、異なる時間スケールで非同期に協調させる。小脳は物理に基づくデータエンジンで学習し、衝突を考慮した経路に沿った自然な動作を生成する。シミュレーションでは単一目標の成功率と動作の滑らかさがOmniNavやDualVLNを上回り、長期ホライズンタスクの成功率は75.56%であった。Unitree G1での実機展開も報告されている。
説明高忠実度プロキシと転移性誘導型協調による一回限りの連合グラフ学習
要約本論文は、通信が1回だけに制限される連合グラフ学習のためのFedHFTフレームワークを提案します。一度の強い圧縮によって各クライアントのグラフの構造や意味が歪み、サーバーもクライアント間の協調の可能性を判断しにくいという問題を指摘しています。FedHFTは、忠実度駆動のプロキシ精緻化と転移性誘導型の個別化協調によってこの課題に対処し、同質グラフと異質グラフでの実験により優位性を検証したと述べています。
説明RAPA：頑健なカメラ・LiDAR校正のためのレイ認識物理拡張手法
要約本論文は、円筒状のLiDAR反射率画像を用いて、チェッカーボードの位置特定を二次元検出問題として定式化しています。ラベル付き学習データが限られる問題に対処するため、単一のチェッカーボード観測から多様な合成サンプルを生成するレイ認識物理拡張（RAPA）を提案しています。屋内外4か所で評価した結果、mAP@0.5において、評価した中で最も強力な画像空間拡張の基準を16.1〜43.1ポイント上回ったと報告されています。
説明持続可能なエージェントAIに向けて：反復的自己修正とツール拡張コーディングにおける炭素排出のトレードオフ
要約本論文は二つの実証研究を通じて、複雑さの異なる設定におけるエージェント型AIシステムのエネルギー消費と炭素排出量を推定しています。研究1では、GPT-4.1-miniによる1〜5回の反復的な自己修正を、2つのMATHベンチマーク分割でGPT-4.1の単発生成と比較しています。研究2では、Docker隔離環境でコード実行とファイル編集ツールを使うエージェントとして、SWE-bench Lite上のGPT-4.1-mini、Claude Opus 4.6、GPT-5.3-codexを評価しています。
説明丸め誤差が招く推論の長期化：bf16の再帰状態がハイブリッド推論モデルの思考を長くする
要約本論文は、デコード時にキャッシュされるハイブリッド推論モデルの再帰状態をbf16形式で最近接丸めにより保存すると、出力が長くなり32Kトークンの上限に達しやすくなり、精度が低下することを検証しています。6つのオープンなハイブリッド推論モデルと590問の競技数学問題で実験を行い、確率的丸めを用いるとこの問題がほぼ解消されることを示しています。論文は、モデル評価では精度とともに状態のデータ型、上限到達率、出力長も報告することを提案しています。
注目点新規性は、混合推理モデルの状態キャッシュでbf16丸めがもたらす偏りを、別の16ビット形式として調べた点にある。6モデルと590問の数学問題で、より長い出力と精度低下、確率的丸めによる改善を報告している。
説明CARE-PO：LLMエージェントのツール呼び出し効率を制御する最適化手法
要約本論文は、LLMエージェントが外部ツールを呼び出す回数を減らしつつ、タスク達成能力を保つCARE-POという手法を提案する。タスクの難易度に基づき、訓練前に固定した参照予算で呼び出しコストを算出する。また訓練データの成功軌跡を注入し、ツールを一切呼ばない退化を抑える。プロンプト内の努力タグで効率と能力の操作点を調整できる。
説明コスト効率の高いエージェントハーネスのためのシステム最適化
要約AIエージェントのハーネスは、大規模言語モデルに計算環境へのインターフェースを提供する役割を担います。本論文は、さまざまなエージェント実行トレースにおけるコストの蓄積パターンを分析し、モデルを変更せず、タスクの精度にも影響を与えずにトークン使用量とLLM呼び出し回数を減らせるシステム上の最適化機会を特定しています。その分析に基づき、Claude CodeやOpenAI Codexなどの既存ハーネス上で最適化を実装できるハーネス介在プラットフォーム「Agency」を設計しました。複数の実環境ベンチマークで、精度を損なわずにコストを最大35%削減したと報告しています。
説明SCALE：小型モデル優先で、LLMの助けを借りて経験を内在化する概念抽象フレームワーク
要約本論文は、大規模言語モデル（LLM）への依存を抑えつつ、自律エージェントが経験から再利用可能な知識を蓄積するためのSCALEフレームワークを提案しています。軽量モデルが通常の予測を担当し、予測誤りや複数エピソードにわたる証拠の蓄積があった場合にのみLLMが振り返りを行い、再利用可能な概念仮説を生成して階層的なニューラル表現に組み込みます。10個の乱数シードでの実験では、履歴の想起によりホールドアウト精度が87.11%から98.28%に、階層的概念知識により難しいケースの精度が55.33%から66.47%に向上し、アクティブな経験記録は6,000件から1,528件に減少しました。
説明Joi-Bench-Task：インタラクティブ・シミュレーションによる全二重音声エージェントのタスク調整能力の評価
要約本論文は、全二重音声エージェントがタスク実行と会話の間をどのように調整するかを評価するベンチマークを提案している。実行中の事項、完了した事項、伝達済みの内容、未報告の内容を追跡できるかを検証する。作者は、ツール実行と音声による結果伝達の指定タイミングで介入を行うユーザーシミュレーターを設計し、五つの主要な商用音声エージェントを評価した。請求変更時の最高結果完了率は55%にとどまり、ユーザーによる割り込み後には四つのエージェントで平均情報欠落率が23%以上となった。
説明予測の付加価値：確率的需要予測に対する報酬ベースの行動選択
要約本論文は、強力な機械学習アンサンブルの予測をさらに改善する手法を提案します。予測の補正を報酬に基づく意思決定問題として捉え、エージェントがアンサンブルが既に生成した値の中から選択します。選択は文脈が一致する過去の期間と比較して評価され、調整量は構造的な季節ガードで制約されます。五つの小売・消費財などの導入事例を九か月間評価した結果、補正後の予測は積み上げ型機械学習予測と比べ平均WMAPEを6.3%削減し、45の顧客月のうち35で最小の誤差を示しました。
説明OGDA：異種データレイクにおける信頼性の高い分析のためのオントロジー基盤データエージェント
要約本論文は、構造の異なる大量の表が集まったデータレイクを対象に、大規模言語モデルのエージェントが全工程のデータ分析を行うためのOGDA（オントロジー基盤データエージェント）を提案している。OGDAは、提案エージェントが生データから schema、概念、関係を帰納し、検証エージェントがそれを基礎データと照合することで、コンパクトなオントロジーを構築する。KramaBenchとDiscoveryBenchでの3種類のLLMバックボーンによる評価では、最強のベースラインを最大10.82ポイント上回った。
説明SkillDuet：モデル応答フィードバックによるモデルとスキルの共進化
要約本論文は、強化学習中にLLMのパラメータ更新と再利用可能なテキストスキルの進化を協調させるフレームワーク SkillDuet を提案しています。スキルは方策に沿った軌跡から抽出され、現在のモデル応答に生じさせる変化の大きさに基づいて順位付けされ、上位のスキルは定期的に永続的なグローバルスキル集合にまとめられます。Qwen3-4B を用いた場合、ALFWorld で98.57%、WebShop で92.97%の成功率を達成し、対応する SEED-API ベースラインをそれぞれ 2.86 ポイント、5.47 ポイント上回りました。
説明公共気候サービスにおけるAIの危険性と機会
要約本論文は、生成AIや機械学習システムが気候サービスの開発と提供にどのように使われているかを検討しています。著者らは合意形成型の専門家意見収集法とPESTLEフレームワークを組み合わせ、AIを活用した気候サービスの共創価値連鎖に影響する政治、経済、社会、技術、法律、環境面のリスクと機会を分析しています。データ、モデル、基盤に関する政策的な結論を示すとともに、主権AI基盤と開かれたガバナンス原則に基づく汎欧州の分散型公共気候サービスの課題と利点を論じています。
説明パスを用いないリアルタイム体積光輸送推定
要約本論文は、直接光と環境光の下で体積メディアの完全な画素放射輝度を、軽量で低コストなシーン特徴量と統計量から再構成するリアルタイム手法を提案している。計算コストの高いパストレースによる放射輝度推定に頼らず、安価な一次光線と環境サンプルの評価から最終的な光輸送の結果を直接推定する。注意機構を備えた画像変換ネットワークを用い、雲などの体積シーンでリアルタイム性能と高い再構成精度を示したとしている。
説明SPARK：事前学習済み知識をロボット制御に適応させる簡易な事後学習手法
要約本論文は、汎用の視覚基盤モデルをロボット制御向けに適応させる事後学習手法SPARKを提案する。時間的抽象化と知識保持の二原則に基づき、時間変化と行動に関連するシーン構造を保持する簡潔な特徴を学習させるとともに、パッチ単位の表現を元の基盤モデルと整合させる。複数のロボットベンチマークで、元の基盤モデルに比べ成功率と汎化性能が一貫して向上し、その効果が実世界のロボット操作にも移転することが示されている。
説明文書内境界を調整し文脈つきチャンク検索を改善する手法
要約本論文は、文書全体を符号化してからチャンク境界でプーリングする Late Chunking において、同一文書内の意味的に似た負例を区別しにくい問題を扱います。文書内マージンに基づいて判別スケールを適応的に調整する部分と、文書符号化時にチャンク分割をアテンションに見せる部分からなる二段構成の枠組みを提案しています。ConTEB と NanoBEIR での実験では、評価した符号化器の設定で文脈つきチャンク検索が向上し、段落単位の検索性能も競争力を保つことが示されています。
説明流暢な文章からオントロジーに適合する定義へ：品質管理を行うエージェント型ワークフロー
要約本論文は、大規模言語モデルが生成する生物医学オントロジーの定義が、文章としては自然でも、存在しない実体を参照したりオントロジーの論理制約に違反したりする問題を扱っています。これを測るため、実体エラー率（EER）と論理不整合率（LIR）という2つの指標を提案しています。さらに、定義の生成、公理の抽出、実体の存在と論理的整合性の検査、修復ループを繰り返す品質管理ワークフローを開発しています。実験では、EERを下げつつ従来の文章生成性能を維持できることが示され、LIRは文章類似度指標では見えない少数の論理的誤りを明らかにしました。
説明CRAFT-AI：エージェント型AIによる柔軟生産のための能力と要件の整合
要約本論文は、自然言語による要件解釈、アセット管理シェル（AAS）に基づく能力記述、既存の製造構成から再利用できる工学知識を組み合わせたエージェント型AI手法CRAFT-AIを提案する。ツールを使用するAIエージェントが、要件と利用可能な能力・参照実装を照合し、製造シーンと対応するAASインスタンスを生成する。Factory I/Oのプロトタイプと12の参照シーン、難易度の異なる5つの製造タスクで検証され、基盤モデル駆動の解決策におけるリスク認識と伝達のための安全策の重要性も指摘されている。
説明TSFFormer：省電力な人間行動認識のための周波数領域スパイクTransformer
要約本論文は、ウェアラブルIMUによる低消費電力の人間行動認識（HAR）向けに、純粋なスパイキングのフーリエTransformerであるTSFFormerを提案している。主な革新は、周波数領域で全体的な混合を行う多頭フーリエアテンションと、動的閾値を用いる二重コンパートメントの時間スパイキングLIFニューロンである。著者らは、8つの公開IMUベンチマークで既存のスパイキングニューラルネットワークや古典的なDeepConvLSTMを上回り、学習速度は約3倍、エネルギー消費は0.1 pJだと報告している。
説明失敗駆動の再開を用いた『Slay the Spire 2』向けの探索なし強化学習
要約本論文は、『Slay the Spire 2』において先読み探索を行わず、一回の順伝播でどの行動を選ぶかを学習するエージェントを訓練する。訓練と評価にはゲーム本体のコンパイル済みプログラムを用いる。失敗駆動のカリキュラムにより、完全なゲームで負けやすい箇所に応じて訓練の再開地点を配分する。最高難度A10の12,800局では、公開された方針の五キャラクター平均勝率は8.05%であった。
注目点新規性は失敗駆動の再開カリキュラムで訓練起点を配分し、先読みなしで単一の前向き推論により意思決定する点にある。A10の12,800局と対照実験で検証され、複雑なデッキ構築ローグライクの学習に参考になる。
説明Compass 1：単眼RGB動画に基づくオープンワールド・持続的な身体性ナビゲーション
要約本論文は、言語理解と動画生成を統合し、約2分間の視覚履歴を通じて記憶の遡及が可能な身体性ナビゲーションの基盤モデル「Compass 1」を提案している。履歴表現と構造化されたVQA監督プロトコルを導入し、500時間以上の実世界インタラクションと2,000時間以上の注釈付きWeb動画からなるデータセットを公開している。開放世界評価での総合成功率は79.4%で、最強のベースラインの17.8%を上回ると報告されている。
説明まず正しく、次に速く：ローカル7BコードモデルがGPUカーネル最適化で何をできて何をできないか
要約本研究は、固定されたローカル7Bパラメータのコードモデル（Qwen2.5-Coder-7B-Instruct）を取り巻く対話戦略が、PyTorchの演算子をカスタムCUDAカーネルに置き換える能力にどう影響するかを調べています。KernelBenchの30タスクで、ゼロショット、プロファイリング誘導型プロンプト、実行フィードバックによる反復改善、マルチエージェントループの4方式を比較しました。結果として、正しさが主な制約であること、最適な戦略は難易度によって異なること、素朴なエージェント構成は逆効果になりうること、実行検証の下での多数サンプリングが正答率を大きく高めることが示されています。
説明SadaqahStories：検証済みの英・アラビア語対訳児童向け慈善物語コーパスと、AI起草の宗教的物語の誤りの監査
要約本論文は、イスラム教の喜捨（サダカ）、ザカート、ワクフを扱う挿絵入り四ページの物語41編からなる英・アラビア語の対訳コーパスSadaqahStoriesを紹介します。対象は7〜18歳の読者です。物語はまず大規模言語モデルの支援で起草され、ハディースやクルアーン、歴史資料に照らして監査された後、子ども向けに書き直され、イスラム学者の承認を受けています。41編の初稿のうち39編に実質的な誤りが見つかり、根拠のない具体的な詳細、捏造された引用や機関・逸話、別々の出来事や人物の混同が最も多く見られました。書き直しにより、英語本文の推定フレッシュ・キンケイド学年は14.0から6.1に下がりました。
説明モデルの構造と性能が説明可能性に与える影響：CNN画像分類におけるGrad-CAMとCRAFTの研究
要約本論文は、畳み込みニューラルネットワーク（CNN）の構造の複雑さと学習の進み具合が、説明可能AI（XAI）手法の説明品質にどう影響するかを調べた研究です。ImageNet-1Kの10個の部分集合で、VGG16、ResNet50、ConvNeXt-Tinyの3つのモデルを学習させ、Grad-CAMとCRAFTの2手法を用いて、忠実性・正しさ・感度・簡潔さの4観点で評価しています。学習が進むにつれ、ResNet50とConvNeXt-Tinyは忠実性が向上し感度が下がったと報告されています。一方、VGG16は説明が単純になるものの、忠実性と正しさは低いとされています。
説明カラーウェーブ：リモート顔認証における注入攻撃検知のためのアクティブ画面照明の体系的評価
要約本論文は、リモート顔認証に対する注入攻撃を、静止画像、事前録画動画、リアルタイムディープフェイクの三種類に分類しています。アクティブ画面照明手法を「カラーウェーブ」として実装し、検知性能、動作条件をまたぐ汎化性、信号劣化への頑健性、特定の回避手法への脆弱性を評価する方法を設計しました。統制された条件では強い判別信号が得られる一方、露出過多、画面輝度の低下、被写体の動きの下では性能が制限されることが示されています。
説明MPEG-Diffusion：混合解像度による動画生成
要約動画拡散Transformerは高品質な動画を生成できますが、計算コストが大きいのが課題です。本論文は視覚的に重要な領域を高解像度、残りを低解像度で生成するMPEG-Diffusionを提案し、二重解像度注意機構、混合解像度デコーダ、モデル自身による高解像度領域の自己選択によって品質低下を解決します。全解像度トークンの30％だけを処理し、Wan2.1 14Bでのノイズ除去を4.8倍高速化しました。
説明MIRIX-2.0：マルチエージェント記憶システム
要約本論文は、大規模言語モデルのエージェント向けに、実用的で正確かつ効率的な長期記憶システムMIRIX-2.0を提案している。6つの型付き記憶エージェントが完全な記録を保持し、溯源ハイパーグラフがエピソード記録と意味記録を索引化する。複数の質問応答ベンチマークと手続き記憶の課題で、比較対象より高い結果を報告している。ファインチューニングは不要で、閉じたモデルと開いたモデルのどちらでも動作し、コードは公開されている。
説明XposedMIA：説明可能なAI（XAI）を利用したワンショット・メンバーシップ推論攻撃
要約本論文は、説明に基づくブラックボックス型メンバーシップ推論攻撃の枠組みXposedMIAを提案している。LIMEの局所代理モデルの幾何学が、サンプルの決定境界までの距離の代理として利用できることを示し、表形式および画像の反事実的説明にも拡張している。攻撃は30個ほどの小規模な校正データによる一度の校正と、対象ごとに1回の問い合わせのみで実行でき、最大0.95の成功率を達成した。説明の公開が新たな成員情報の漏えい経路になることを明らかにしている。
注目点LIMEの局所代理幾何と反事実説明を決定境界距離の代理として転用し、単一クエリのメンバーシップ推論を実現；表形式と画像分類器で最大0.95の成功率を報告。
説明医用画像向けの重み空間プログラミング：学習データはまだ必要か？
要約大規模言語モデルが学習データを使わず、医用画像分類器のネットワーク重みを直接記述できるかを検証した。MedMNISTの6課題で、両モデルが生成したネットワークは偶然より高く、平均テストAUCはOpusが0.719、Astraが0.711だった。5課題ではゼロショットのMedSigLIPを上回り、パラメータ数は1万分の1以下である。ただし、同じ構造を256枚の正解付き画像でAdamにより学習させたネットワークは、すべての課題でより高いAUC（平均0.828）を示した。大規模言語モデルは機能する分類器を書けるが、学習データの代わりにはまだならないという結論である。
注目点新規性は、学習データなしで大規模言語モデルが医用画像分類器の重みを直接記述する点にある。MedMNISTなど4種類のモダリティで、MedSigLIPやAdam学習との比較結果を作者は報告している。
説明混合注意力言語モデル間のKVキャッシュ変換：MLA潜在変数、線形注意状態、疎注意インデクサ
要約ある言語モデルのKVキャッシュを別のモデルの形式に写像し、全文を再読込せずに会話を引き継ぐ手法を研究しています。著者らはグループ化クエリ注意（GQA）で既存手法を再現し、MLA潜在変数、疎注意インデクサのキー、線形注意状態それぞれについて捕捉と注入の方法を示しています。Kimi-VL-A3BとKimi-Linear-48B、Qwen3.5-27BとQwen3.8-27Bなどのモデル組で評価した結果、混合モデル方向の品質は対応する信頼区間内で原生モデルと同等で、64Kトークンでは初トークンまでの時間が18.7〜46.8倍短くなりました。
説明BARS：フローマッチングによるビート適応型ラップ音声合成モデル
要約本論文は、フローマッチング（Flow Matching）に基づく非自己回帰型のラップ音声生成モデルBARSを提案する。伴奏のビート、歌詞、短い参照音声を条件とし、明示的な長さ予測なしにラップのテンポと出力長を柔軟に制御できる。歌詞は事前学習済みByT5エンコーダで符号化し、非対称スケーリングRoPEによって歌詞と音声の整列を安定させる。また、スパンマスクによる部分的な再生成で歌詞単位の編集に対応する。実験では、歌詞の忠実度が高く、ビートと調和したラップの流れと、安定したテンポ制御が示された。
説明COMPASS：LLMベース最適化モデリングのための構成可能な方策償却型構造化探索手法
要約本論文は、LLMによる求解器モデリングで最適化テンプレートを検索するためのCOMPASSフレームワークを提案しています。テンプレートライブラリを有向非巡回グラフとして表現し、検索をテンプレートノード上の逐次的意思決定過程として定式化します。深層Q網により、テンプレート単位の判断と実行フィードバックから再利用可能な探索方策を学習します。複数のLLMバックボーンと最適化モデリングのベンチマークで、ヒューリスティックな構造化検索を一貫して上回り、複雑かつ混合カテゴリの問題で最大の改善が見られたと報告しています。
説明後悔から多段階カバレッジへのブラックボックス還元
要約本論文は、任意の（敵対的になりうる）データ列に対して予測集合を逐次構成し、平均経験カバレッジを目標水準へ収束させるオンライン共形予測（OCP）を扱います。任意のオンライン学習アルゴリズムから、等号射影を用いて多段階の予測集合を構成できることを示し、オンラインアルゴリズムの線形化された後悔がフェンケル双対性を介して各段階のカバレッジと分布の一貫性を制御することを示します。二つの具体的な手法（p ノルム・オンライン鏡像降下法と座標ごとのユニバーサル・ポートフォリオ法）により、段階数への依存性が √log d に改善されました。実験では基準手法より良好な結果が示されています。
説明同次多クラス線形予測器の厳密なNatarajan次元
要約本論文は、多クラス仮説集合の容量を測る指標であるNatarajan次元（Natarajan dimension）を扱う。上界と下界を示すことで、クラスごとの重みが互いに異なる同次多クラス線形予測器の厳密なNatarajan次元がn(k-1)-1であることを明らかにしている。ここでnは特徴空間の次元、kはクラス数で、いずれも3以上とする。
説明ガウス過程の低ランク低精度学習：低ランク近似と単精度計算で大規模データのガウス過程学習を高速化する研究
要約本論文は、AnchorNetによるランドマーク選択とFITC補正を組み合わせ、大規模データに対応するガウス過程の学習手法を提案しています。目的関数と解析的勾配を、完全なカーネル行列を作らずに低ランク因子や対角成分、小さな密行列で計算できるようにしています。全処理は単精度で実装され、九つの大規模回帰データセットで評価されました。参照と同等の予測精度を保ちながら学習時間を大幅に短縮できましたが、必要な近似ランクはデータセットによって異なります。さらに、病的条件の問題では単精度が制約になりうること、部分的な演算をfp16やTF32に下げても高速化は限定的で、系が悪条件だと信頼性が落ちることも示されています。
説明BECON：変動する選好と予算の下での信念条件付き制約付き多目的強化学習
要約本論文は、選好と安全予算が時間とともに変化し、外部信号が信頼できない場合の制約付き多目的強化学習を扱う。提案手法BECONは、直近の履歴から潜在的なタスク文脈を推定して選好と安全予算を見積もり、不確実性に依存するゲートで外部のタスク信号と融合する。論文によると、多様な多目的制御タスクにおいて、BECONはタスク変動下での頑健性と制約充足の点で既存のベースラインを上回った。
説明注意機構を用いた系列特徴融合と混合空間距離学習によるクロスビュー画像系列の地理位置推定
要約本論文は、地上画像の系列を地理タグ付き衛星画像と照合して撮影地点を特定する、クロスビュー画像系列の地理位置推定を扱う。注意機構に基づく系列融合と距離学習を組み合わせたASML手法を提案し、序列内容融合、空間特徴集約、Geo-InfoNCE損失の3要素から構成される。新たにCrossRoad-66Kデータセットを構築し、SeqGeoとCrossRoad-66Kの両方でR@1が従来の最先端手法より3.37%および2.10%向上したと報告している。
説明産業用チップのフロアプラン作成におけるAIエージェントの評価：フレームワークと実証研究
要約本論文は、AIエージェントが生成したチップのフロアプランの物理的品質を評価するためのフレームワークを提案する。幾何学的妥当性、輻輳、タイミングなどを測定する。99個のマクロが固定されたL字型領域の約71%を占める産業用設計を対象に、専用システムNova-SIと汎用エンジニアリングエージェントを比較した。Nova-SIの複合スコア平均は57.97で、最も良かった汎用構成GPT-6 Astraの31.17を上回った。
説明分化型甲状腺がんにおける治療後高活性I-131スキャンを用いた極めて疎な平面画像の深層学習再構成
要約本研究は、分化型甲状腺がん（DTC）の診断用I-131全身平面画像が投与放射能の低さで計数が制限される問題に対し、治療後（PT）の高品質I-131スキャンを学習の参照として使えるかを検証した。単施設前向き研究で111例を対象とし、Restormerベースの複数モデルを比較した。PSNR、SSIM、および盲検二人読影で評価した結果、PTデータからの転移学習モデルが最も高い画質を示し、2倍の撮像加速でも標準撮像と同等以上の品質を得られる構成が示された。
説明局所応答正則化と教師誘導学習を用いた蒸留による4ステップの文字入り画像生成
要約本論文は、文字を含む画像を4ステップで生成する蒸留フレームワークを提案している。分布マッチングに基づき、GLM-Image のDiTを蒸留しつつ、経路長ペナルティで条件付きデノイジング場の局所応答の一貫性を促す。合成文字列と教師モデルが生成した画像を用いた段階的学習により、文字の正確さを高めている。単一画像の推論時間は教師モデルの5.818秒から1.742秒に短縮されたと報告している。
説明SMO：自然言語スキルを再利用可能な状態・操作・結果のブロックグラフへコンパイルする手法
要約本論文は、大規模言語モデルエージェントが使う自然言語スキルを、再利用可能な手続きブロックに分解して符号的なグラフとして整理するSMO（State-Move-Outcome）フレームワークを提案している。SkillsBench v1.1では、87のタスク由来の232個の生のスキルが95個の共有ブロックで表現され、スキル表現のトークン数は366,472から149,154に減少した。232の評価インスタンスでは平均タスクスコアが0.6379から0.7478に向上し、実行時のトークン消費は平均38.38%削減された。
説明イベントフレームとボクセル表現を組み合わせたRGB誘導型マルチモーダル事前学習
要約本論文は、RGBフレームとイベント（ボクセル／フレーム）を統一的に事前学習するフレームワーク CM3AE 2.0 を提案している。事件応答を用いて動的に顕著な領域へマスクを誘導する時空間マスク再構成と、拡散モデルによる事件条件付きRGB生成や映像テキスト生成からなる階層的クロスモーダル生成を含む。著者らは四つの下流タスクでの実験により、性能向上を報告している。
説明DPGS-SLAM：動的な視覚センシングのための拡散事前分布と由来認識を備えた単眼ガウススプラッティングSLAM
要約本論文は、動的物体を含む環境で高密度マッピングを行う単眼RGBのSLAM手法DPGS-SLAMを提案します。オプティカルフローとSAM2による動的領域の特定に加え、非同期の拡散モデルで遮蔽された静的背景を補完し、由来ラベルで生成された基元と観測に基づく基元を区別して、生成物がカメラ位置推定に使われないようにします。実験では、TUM RGB-Dで平均ATE RMSE 1.2cm、BONN RGB-Dで2.7cmの追跡精度を示し、StaDy4DではWildGS-SLAMより平均PSNRが4.60 dB向上したと報告されています。
説明SAFE-Hair：エクスポート可能な単一視点髪再構成のための頭皮アンカー場
要約本論文は、単一の人物肖像から、正準頭皮UV領域の固定された毛包で髪を復号し、明示的なストランドを再構成するSAFE-Hairを提案する。条件付きRectified Flowで頭皮潜在場を生成し、付着・衝突・曲げの事前分布で幾何学的妥当性を高める。新たなベンチマークHairBench-3Dにおいて、最強のベースラインと比べChamfer距離は3.74mmから3.28mm、F-scoreは77.9から81.7、衝突による貫通率は4.8%から3.9%に改善した。
説明ReLUネットワーク向けのスケール不変な経験ベイズ・ラプラス近似
要約ReLUネットワークには連続的なスケール対称性があり、同じ関数を表す重みが無数に存在する。本論文は、周辺尤度の計算がヘッセ行列に依存するため、経験ベイズ・ラプラス近似がReLUネットワークに対して well-defined でないことを示す。同じ関数でもパラメータ化によって事前精度や予測不確実性が異なりうる。著者らは、入力側と出力側の重みの比を釣り合わせた正準表現に変換してから近似を当てはめる「γ正準化」を提案し、ReLUスケーリングの下で周辺尤度が不変になるようにしている。
説明MambaPD：静止状態脳波からパーキンソン病を検出する双方向選択的状態空間モデル
要約本論文は、静止状態脳波（EEG）からパーキンソン病を検出する双方向選択的状態空間モデル（Mamba）「MambaPD」を提案しています。公開の2つのデータセット（UNM、SanDiego）で、被験者単位の5分割交差検証を用いて、TCN、BiLSTM、EEGNet、Transformerの4つのベースラインと比較しています。モデル間の差は小さく、分割（フォールド）間の差より小さいと報告されています。著者は、パイプライン全体、フォールドごとの結果、そして手法の限界も示しています。
説明セマンティックプロンプトとクロスモーダル学習による単一画像超解像
要約本論文は、既存の超解像モデルが画像の意味情報を見落としがちな点に着目し、画素強度と意味情報を組み合わせる手法を提案している。テキスト記述や空間位置などの意味データを抽出して符号化し、クロスモーダル特徴融合モジュールで意味特徴マップを生成する。さらにプロンプト牽引ヘッドによって主幹ネットワークに意味情報を加え、画像の細部を精緻化する。著者らは複数のデータセットでの実験により、提案手法の優位性を示したとしている。
説明FocusBranch：ℓ0ニューラルネットワーク頑健性検証のための組合せ型分岐限定法
要約本論文は、ℓ0摂動下でのニューラルネットワークの局所的頑健性を検証する問題を扱い、ℓ0球を分解して分岐可能にするノード抽象化を用いた組合せ型分岐限定フレームワークFocusBranchを提案している。サンプリングによって推定した安全率とコストに基づいて開始レベルと分岐戦略を選択する。MNIST、Fashion-MNIST、CIFAR-10の全結合型および畳み込み型分類器での実験で、既存の検証器より優れた結果が示されている。
説明TIRAD：汎用異常検知のためのテキスト誘導型画像残差学習
要約本論文は、正常状態と異常状態のテキスト表現の差を「テキスト残差特徴」として定義し、それを用いて画像残差特徴を誘導するTIRADフレームワークを提案する。テキスト融合モジュールは画像パッチごとのテキスト残差をゲートに変換し、欠陥に関連する視覚的差異を残して他を抑制する。工業用ベンチマークおよび工業から医療への転移実験で、既存の画像中心の残差学習手法を上回る結果が示された。
説明非二分木の構成素構文解析における還元領域の同定のための一般化された遷移フレームワーク
要約本論文は、トップダウン、インオーダー、ボトムアップの各解析方式に共通する遷移計算を提示する。還元時には、最も右にある区切り記号が左境界を示し、非終端記号マーカーが親ラベルを与え、区切られた区間内の完了項目が子ノードとその数を決定する。著者らはスタック不変量を用いて健全性と完全性を証明し、静的オラクルの動作列の正確な長さを導出している。PTB と CTB での統制実験では、区切り記号誘導型の解析器が、すべての遍歩順序において標準版とほぼ同等のラベル付き精度を示した。
説明楽に感じても実際は負荷が増す：AI支援によるコード理解における認知負荷
要約本研究は、20名の計算機科学の初学者にJavaコードを生成AIの有無の条件で読ませ、AIを使わない理解度テストを行わせた。検出・反応課題で読解中と試験中の認知負荷をリアルタイムに測定した。AI利用時は客観的な認知負荷が有意に上がり反応時間が11.2%増加したが、自己申告の負荷は変わらなかった。両条件とも理解度の得点は高く、AIによる理解の向上は確認されなかった。
説明把握分類ラベルで切り替える、クライミングホールドのための器用な把持
要約本論文はBetaGraspを提案する。これは点群を入力とする3次元拡散ポリシーで、クラック（crimp）、スローパー（sloper）、ピンチ（pinch）、ジャグ（jug）の4クラスの把持ラベルを条件として用いる。Franka アームと16自由度のLEAPハンドで動作する。80回の対照ハードウェア試験で、平均滑り力は9.6Nから14.3Nに上がり、ホールドから完全に滑り落ちた試行は44%から10%に減った。
説明投機的自己蒸留：効率的な知識内在化の手法
要約本論文は、事前学習に含まれていない知識、継続的に更新される事実、新しい分野のスキルを言語モデルが効率よく内在化するための手法、投機的自己蒸留（SSD）を提案しています。学生モデルが基本的に学習用の生成系列を作り、教師モデルは次トークンの分布が学生と大きく異なる位置でのみ介入します。三つの閉じた本の質問応答ベンチマークでは、同方策蒸留にほぼ匹敵する性能を、教師あり学習トークンを38〜69%少なく使って達成し、方策外蒸留を上回りました。忘却のストレステストでは、汎用能力を最もよく保持しました。
説明進化する材料実験室における科学的推論のための言語モデルとエージェントの評価
要約本論文は、材料研究における大規模言語モデルおよびマルチエージェントシステムの推論能力を評価するベンチマーク MatScope を提案しています。条件特定の推論（M1）、エージェント支援による知識転移（M2）、観測の蓄積に伴う予測の修正（MatEvoBench-20）の三つの能力を測定します。アルミニウムと高エントロピー合金を代表例とし、十の研究機能にわたる課題を用いています。結果として、与えられた入力に基づく計算や多くの物理的説明は良好に扱える一方、細かな応答の推定、類似状態の比較、定量的根拠に基づく判断は大きく劣ることが示されています。
説明グラフ誘導型の選好データによる多段階化学反応機構予測の強化
要約本論文は、多段階化学反応機構を予測するためのグラフ誘導型フレームワークを提案し、化学機構知識グラフを用いて大規模言語モデルを導きます。著者らはグラフ対応反応機構予測器（GRMP）を開発し、グラフニューラルネットワークで合成候補経路を生成して経路の最適化を行います。推論時には関係検索モジュールで知識グラフから根拠を抽出し、経路を精緻化します。ChemMechQAとoMe-Goldでの経路正解率はそれぞれ48.1%と57.9%で、ChemMechQA-Hardの分布外反応110件の固定サンプルではtop-1経路正解率が36.4%でした。
説明多教師オンポリシー蒸留に向けた頑健なドメイン混合スケジューリング
要約本論文は、数学推論、コード生成、指示追従などの分野別専門家教師モデルの能力を、一つの小型の生徒モデルに統合する多教師オンポリシー蒸留（MOPD）を扱う。限られた学習予算を各ドメインにどう配分するかが課題であり、著者らは分布頑健最適化を導入して最も成績の悪いドメインを優先する手法RDS-MOPDを提案する。差が雑音を明らかに上回るときにのみ配分を変え、単一の異常値の影響を抑え、最悪ケースを各ドメインの自己最良水準からの後退として定義する。実験では、多くの数学推論、コード生成、指示追従のベンチマークで既存手法を上回り、首位となった。
説明HIST3R：履歴を用いてストリーミング3D再構成の状態更新を分解・補正する手法
要約本論文は、再帰的状態を用いたストリーミング3D再構成を対象とし、CUT3R上に構築された学習不要のフレームワークHIST3Rを提案します。著者らは再帰更新を方向と大きさに分解し、既存手法は大きさしか制御できず方向は補正できないと指摘しています。HIST3Rは局所的に一貫した履歴状態によって更新方向を補正し、現在の観測と履歴との視覚的差異に応じて更新の大きさを調整します。カメラ姿勢推定、3D再構成、ビデオ深度推定で長い系列において性能向上が示されています。
説明モアレパターンの効率的探索のためのスケーラブルなベイズ最適化
要約本論文は、材料設計において最適な構成を見つけるための柔軟なベイズ最適化フレームワークFruBOを提案する。六つの回転した六方格子を重ね合わせた多層モアレパターンを事例とし、Jain公平性指数で評価される細孔サイズの均一性を最大化する回転構成を探索する。CatBoostを代理モデルとするFruBOは、1,470回の取得サンプルと約1.15時間で全体最適解を見つけ、ランダム探索やガウス過程ベースの手法より効率的であることを示した。
説明HyPLM 技術報告：高効率なタンパク質言語モデル
要約本論文は、研究エージェント Hyra 2.0 によって学習されたオープンなタンパク質言語モデル HyPLM-Flash を紹介する。パラメータ数は 6.5 億、学習データは 7,260 億トークンである。融合カーネルと INT8 行列積を用いた推論エンジンにより、単一の NVIDIA H20 GPU で毎秒約 13 万残基を埋め込める。32 タスクの比較評価では、ProteinGym ゼロショット Spearman 相関が 0.409 で、ESM-2 650M などと統計的に同等である。モデルの重みと推論エンジンは GitHub で公開されている。
注目点新規性は学習データと推論速度の削減により同等精度を達成し効率のパレートフロンティアを示す点にある。28の公開モデル・32タスクで比較し、ProteinGymと接触予測の結果を報告している。
説明ブラックボックス追随者向け二段階強化学習における報酬推定ハイパーグラディエント法
要約本論文は、リーダーが追随者の報酬関数を知らず、その軌跡しか観測できない二段階強化学習の設定を扱います。逆強化学習で軌跡から報酬を復元する報酬推定ハイパーグラディエント法（RE-HG）を提案しています。線形報酬の場合、多様な動力学にわたって推定を集約すると、ポテンシャルベースの整形によるバイアスが打ち消されることを示します。さらに、特徴共分散の小さな固有値を切り捨てて推定を安定化させます。実験では、白箱の基準手法に近い勾配と同等の性能が得られたと報告されています。
説明HyInv：主鎖構造に基づくタンパク質逆フォールディングモデル（技術報告）
要約HyInv は約 196 万パラメータのグラフネットワークモデルで、タンパク質の主鎖構造を入力として、その構造に折りたたまれるアミノ酸配列を出力します。ランダム順序の自己回帰方式で事前学習し、構造報酬による強化学習で訓練されています。推論では草案と書き直しを組み合わせたグループ化サンプリングを用い、同等の多様性で再フォールディングの TM-score を向上させたと報告されています。5 つのベンチマークデータセットと 7 つの組み合わせで、挙げられた 10 の外部ベースラインより平均 scTM が高いとされ、コードとモデルは公開されています。
説明Infrathon：現実的な長期AIインフラ最適化タスクにおける言語エージェントのベンチマーク
要約本論文は、さまざまなレベルにわたる長期AIインフラ最適化タスクからなるベンチマーク「Infrathon」を提案している。6つのモデルを、各24時間の予算で計150回実行し、合計1万GPU時間を超える評価を行った。モデルの順位は評価期間によって変わり、150回中135回は予算の後半に入ってもさらに改善が見られた。
説明EmoHarness：メタハーネス進化による多モーダル感情理解の向上
要約本論文は、凍結された小型マルチモーダルモデルを、プロンプト、設定、検証コードからなるハーネスの中で動作させるEmoHarnessを提案している。ハーネスは映像の観察、文字起こし、韻律の記述を引用可能な証拠として番号付けし、モデルがそれに基づいて候補となる感情を比較検討できるようにする。その後、より強力なLLMがモデルの誤りと実行トレースを読み取り、ハーネスをオフラインで修正する。MME-Emotionの5,507項目において、単一の映像のみの呼び出しと比べ、タスクマクロ平均の認識精度が7.6〜13.4ポイント向上した。主な効果は文字起こしと韻律の記述によるもので、ハーネス自体の寄与は小さい。
説明MUTE：話者ヘッド合成の悪用から音声を守る多層アライメント解除手法
要約本論文は、音声から顔の動画を生成する話者ヘッド合成モデルが深層偽造に悪用されることを防ぐための音声保護フレームワーク MUTE を提案している。音声に摂動を加えて、クロスモーダルな注意機構による構造的な対応付けを乱すとともに、時系列の音声埋め込み表現を劣化させる。摂動はSTFTの高エネルギー領域に制約され、後処理や雑音除去に対して頑健である。実験では、白箱および黒箱のモデルで口の同期が一貫して低下し、音声の知覚品質は保たれることが示されている。
説明音声と映像が誤解を招く場合：会話感情認識におけるマルチモーダルAIの評価
要約本論文は、既製の全方位型（Omni）モデルを会話中の感情認識タスクで検証したものです。テキストを固定したうえで、音声と映像を追加・削除・置換して性能の変化を調べています。実際の音声と映像を加えると正解率が向上する一方、無関係な音声と映像を入れると正解率が低下することが示されています。
説明弱い支持条件下の軌道密度比：諸分野にわたるサーベイ
要約本論文は、強化学習の方策評価、分子シミュレーション、気候の寄与分析、言語モデルの事後学習など、複数の分野で生成された系列を通じて二つの確率過程を比較する手法を整理したサーベイです。二つの過程の支持がずれている場合、軌道密度比は存在しないか、系列長に伴って分散が制御できなくなることを示しています。3段階の診断枠組みと、密度比が得られない場合の9種類の代替手法を提示し、今後の課題にも言及しています。
説明Thermo-VLA：ロボット操作のための熱認識型視覚・言語・行動モデル
要約本論文は、熱画像を取り込んだ視覚・言語・行動（VLA）モデルThermo-VLAを提案している。ThermoRes符号化器が熱画像を冷・熱の属性表現に分解し、言語条件付きの残差変調によってRGBトークンへ注入することで、温度に基づく対象選択と連続的な操作を可能にする。著者らは双腕のUnitree G1プラットフォームで六つの実世界ロボットタスクを構築し、四つの熱依存タスクで平均成功率0.86を報告している。これはRGBと熱の観測を直接入力するπ0.5ベースラインを18ポイント上回る。未見の物体や場面の変化下でも平均成功率は0.78である。
説明AnyBreak：任意のT2Iモデルと任意の概念を対象とした脱獄攻撃の研究
要約本論文は、多尺度の段階的意味整合により敵対的画像を構成し、潜在空間での生成過程を安全でないデータ多様体へ誘導するAnyBreakという脱獄フレームワークを提案しています。テキストで与えられた悪意ある概念を画像モダリティへ転移させるとされています。さらに、事後の安全チェッカーを回避するための補償項を加えたAnyBreak-Vも示されています。著者らは、完全なブラックボックス設定かつクリーンなテキストのみで高い攻撃成功率を報告し、既存の防御が跨モーダルな攻撃面を十分にカバーしていないと指摘しています。
説明FireGate：継続的RLファインチューニング前に振る舞いの変化を限定する手法
要約本論文は、デプロイ済み言語モデルにタスクを順に微調整した際に起こりうる忘却の問題を扱い、訓練前に出力の変化を限定するFireGateを提案しています。各タスクの更新（新しいLoRAなど）は、凍結された下位層上の分類器であるゲートの後ろに置かれ、ゲートが発火しない場合は旧モデルと同一の計算を行います。最大5タスクの強化学習ストリームで、ゲート付き訓練は保持対象のチャット応答の3.3%しか変えず、ゲートなしの訓練は91.8%を変えました。
説明MixRoute：単一分布学習による汎化可能なニューラルルーティングの再検討
要約本論文は、経路最適化問題のためのニューラルフレームワーク MixRoute を提案しています。異なる粒度の正規化統計量を適応的に組み合わせ、分布の変化に対応します。3 種類の代表的なルーティング問題と 179 の細分化されたデータセットからなるベンチマークも構築されています。一様分布だけで学習したMixRouteは、未知の分布にも汎化し、著者らによればゼロショット汎化で最先端の結果を達成しています。
説明ShiftCache：シフトした参照エンコーディングを再利用する、高速かつ正確なインデル効果予測手法
要約本論文は、DNAの挿入・欠失（インデル）変異の効果を予測するためのShiftCacheを提案しています。シフトされた参照配列を各シフト量につき一度だけエンコードし、同じウィンドウ内で同じシフトを持つすべての変異で共有します。複数のベンチマークで、重複除去した密な実行と比べて約3.5～6.5倍高速化されています。既定のAlphaGenomeとBorzoiの実行では、結果が密な実行と許容誤差内で一致します。
説明AutoQS：大規模言語モデルによる量子化戦略の自動設計
要約大規模言語モデルの量子化はデプロイのコストを下げますが、有効な戦略にはモデルの品質とストレージのバランスが求められます。AutoQS は大規模言語モデルが限られた評価予算内で提案と評価を繰り返し、デプロイ制約のもとで層と演算子ごとのグループサイズ配分を探索します。重みの精度は固定されます。Qwen2.5-7B-Instruct での実験では、4 ビット重み精度において、7 タスクの平均精度が均一グループの GPTQ および AWQ をそれぞれ 0.70 ポイント、1.12 ポイント上回りました。
説明予測残差を超えて：頑健な文脈付き線形最適化のための共形リグレット校正
要約本論文は、予測後最適化（PTO）システムの頑健な意思決定のための「共形リグレット集合」フレームワークを提案します。最適化に基づくリグレット代理量（SPO+）を共形化し、その校正済み水準集合を用いてミニマックス・リグレットの決定の精緻化を行います。文脈付き分数ナップサック問題での実験では、連続的な精緻化により、名目PTOと比べてリグレットの0.95分位点が9.1％、CVaR_0.95が13.1％低減されたと報告されています。
説明圧縮と量子化のための対ごとの歪み分布
要約本論文は、対ごとの歪み分布（PDD）とその漸近極限である対ごとの次元（PD）を提案し、相関積分を一般の歪み尺度へ拡張する。PDがRényi情報次元（RID）の上界を与えること、またPDDがランダムコードブック量子化の性能の下界を与えることを示す。これにより、圧縮、量子化、次元削減への実用的な指針が得られるとしている。
説明ChainCheck：証拠十分性スコアの高さが構築アーティファクトへの感度を隠す可能性について——評価の交絡を明らかにする対条件付き対比分析
要約本論文は、証拠十分性ベンチマークが実際に多段推論を測定しているかを検証する評価妥当性監査手法ChainCheckを提案する。推論連鎖を読まない言語モデル採点器や単一文字列の一致でも高いスコアが得られ、評価された11のシステムのスコアは0.308から0.484の範囲にとどまることを示している。著者らは、CS4の正の値は意味的な多段推論ではなく、操作上の橋渡し一貫性への感度として解釈すべきだと述べている。
説明3R-Adapter：3次元再構成モデルを効率的に適応させる検索・再配線・精緻化手法
要約本論文は、大規模事前学習を経た順伝播型の3次元再構成モデルが、低照度での再構成、人と場面の同時再構成、テスト時適応などのロングテール状況で性能が落ちる問題を扱っています。主因として視点間の対応関係を表す構造の崩壊を挙げ、対応関係の回復として適応を定式化しました。提案手法の3R-Adapterは、可変形検索、関係の再配線、一貫性の精緻化の三要素からなるパラメータ効率型の微調整手法です。実験では、既存の手法よりも頑健性が向上し、軽量な適応が維持されることが示されています。
説明有用なノイズを形づくる：エネルギー分布が視覚事前学習の品質を予測する
要約本論文は、正規化された実画像の密度モデルのもとで、データセットが占める対数確率の分布（エネルギープロファイル）を合成データの監査と選別の指標として用いることを提案します。その比較指標としてエネルギー準位分布距離（ELD）を導入し、実データと合成データのエネルギー分布を比べます。ELDは、FIDが見逃す分布のずれを検出し、CNNとViTの自己教師あり学習の両方で、FID、LPIPSの変動、特徴空間の再現率よりも事前学習の性能を良く予測すると報告されています。さらに、ELDを使って合成データ源を再サンプリング・混合し、実画像のエネルギー分布に合わせつつ多様性を保ち、下流タスクへの転移性能を向上させています。
説明ICU退院リスク評価のための運用認識型マルチモーダル臨床意思決定支援システム
要約本論文は、ICU退院後30日以内の計画外再入室リスクを評価するため、病院の運用情報を組み込んだマルチモーダル臨床意思決定支援システムを提案している。経過記録テキスト、バイタルサイン、科別の業務負荷、入院フローなどを統合し、エンドツーエンドのマルチモーダル微調整モデルを用いる。MIMIC-IIIの20,000件のICU入室データによる評価では、このモデルがAUROC 0.8288、PR-AUC 0.4373で最高性能を示し、運用指標が独立したリスク信号を提供することが示された。
説明CHO-Bench：LLM広告におけるコンテキストヒントが広告ランキングに与える影響
要約LLM広告は、ユーザーとの会話内容に基づいて広告を選択します。広告主は、何を提供するか、誰に役立つか、いつ役立つかを自然言語のコンテキストヒントとして提示できます。本論文では、このヒントを構築する問題をコンテキストヒント最適化（CHO）として定式化し、What・Who・Whenを扱う7種類の生成戦略と、それらを統合した戦略を設計しています。CHO-Benchを導入し、5つのデータセットで119万回以上の対比評価を行った結果、ヒントは広告ランキングを改善する一方、戦略間の差は特定の設定で顕著になり、ヒントの量を増やすと改善幅は逓減することが示されています。
説明BharatSynthQA：インドの寺院と宗教遺産に関する文脈ベースの質問応答データセット
要約本論文は、インドの寺院およびそれに関連する宗教施設を対象に、原文の段落に基づく質問応答データセット「BharatSynthQA」を紹介する。研究者らはウィキペディアの記事から是非、事実、説明の各形式の質問と回答の組を生成し、大規模言語モデルで正確性を基準に絞り込み、98,677組を収録した。別途、人手で注釈を付けた300組も参照用として公開されている。五つの大規模言語モデルによる評価では、原文がない場合の事実問題のトークンF1は0.18〜0.30だったが、原文を与えると0.73〜0.77に向上した。
説明UltraVoxelGS：ボクセル優先のフィードフォワード型ガウシアン・スプラッティングによる3D超音波再構成
要約本論文は、位置姿勢付きの超音波画像から完全なガウシアン・シーン表現を直接フィードフォワードで予測する3D超音波再構成手法UltraVoxelGSを提案する。シーンごとの最適化を行わず、全スライスを固定サイズのボクセル空間に持ち上げてガウシアンのパラメータを直接予測する。反射と累積減衰を分離する描画戦略により、より忠実なレンダリングを実現している。実データおよびシミュレーションデータで、シーンごとの最適化を行う基準手法よりPSNR/SSIMが高く、推論時間は10〜20分から約10秒に短縮された。
注目点三次元超声の初の順伝播型ガウススプラッティング再構成手法で、推論を10〜20分から約10秒に短縮し、実データ・シミュレーションでPSNR/SSIMが最良と報告。
説明自己の視覚依存を監査する手法：動画推論のための自己監査型視覚依存学習
要約本論文は動画推論のための後訓練フレームワークVIOSを提案する。モデルは映像あり・なしの場合の各トークンの次トークン分布の差から、各予測が視覚入力にどれだけ依存しているかを測定し、教師モデルが利用しているが生徒モデルが見落としている視覚的根拠の位置を特定する。VIOSはこの信号を基に密で的を絞った教師信号を与え、外部報酬や評価モデルを必要とせず、単一モデルの1回のオンポリシー生成のみで学習する。著者らは、多様な理解タスクを含む12のベンチマークで3つのバックボーンモデルの性能が一貫して向上したと報告している。
説明デモデータの相対的価値：行動クローニングにおける実行時間制限と操作者の混合
要約本論文はロボットのデモデータにおける遠隔操作者ごとの相対的価値を研究している。同じ成功率に到達するために必要なデモ数の比（データ倍率）で評価し、robomimicのSquareとCanタスクで二群の遠隔操作者のデモから行動クローニング方策を学習した。Squareの25秒制限では、下位群のみのデータセットは上位群のみの1.55倍のデモ数を要し、差の大部分は完了の遅れによるものである。制限を100秒にすると倍率は1.11に下がる。
説明構造的制約のあるデータを用いた意思決定考慮型の起終点（OD）需要推定
要約本論文は、意思決定を考慮したOD需要推定の枠組みを提案する。構造的制約のある交通データを用いて許容可能な需要領域を特徴づけ、その中から下流の意思決定における後悔が最も小さくなるOD推定値を求める。手法としては、ネットワークの物理的制約から生じる許容領域を幾何学的表現で近似し、下流の後悔の凸近似を用いて扱いやすい最適化問題を構成する。数値実験では、従来の推定手法と比べて決策の後悔が一貫して減少することが示されている。
説明注意機構は「証拠」次第：高次層が役立つ場合と役立たない場合
要約本論文は、標準的なTransformerがグラフ探索やSETカードゲームの学習に失敗する理由と、高次注意機構の効果がまちまちである理由を検討しています。各層を証拠の族の分配関数を計算し、ある温度で読み取るものとみなし、層数と到達可能なステップ数、温度と候補数の関係という二つの法則を示しています。これらの法則に基づく小型モデルは、グラフ課題で大規模モデルと同等かそれ以上の結果を示しました。
説明ハイブリッド行動空間向け制約付き変分方策最適化
要約本論文は、離散モードとモード条件付きの連続制御を協調させ、長期的なコスト制約を満たす必要がある、ハイブリッド行動空間における制約付き強化学習を扱います。著者らは、連続行動向けの制約付き変分方策最適化（CVPO）をハイブリッド行動空間へ拡張したH-CVPOを提案し、報酬とコストの指数的な再重み付けによって結合目標分布を求め、離散部分と条件付き連続部分の二つの方策成分をそれぞれ信頼領域のもとで当てはめます。シミュレーションされたハイブリッド制御環境の実験では、ハイブリッド行動の基準手法と比べて、報酬とコストの良好なトレードオフが得られたと報告されています。
説明球面バンドル調整によるスケール一貫性を持つ単眼魚眼ビジュアルオドメトリ（教師なし深度学習）
要約本論文は、単眼魚眼カメラのためのビジュアルオドメトリ（VO）フレームワークS²D-FVOを提案する。球面バンドル調整（SBA）で誘導した教師なし深度学習を統合し、スケールの一貫性と深度推定精度の向上を目指す。SBAでは球面対数写像に基づく接空間の角度再投影残差と、中央値深度に基づくスケール正則化項を用いる。複数の公開データセットと新たに収集した2つの大規模データセットでの実験により、深度および軌跡推定精度で既存手法を上回り、異なるカメラモデルにも適用できることが示された。
説明LLMエージェントは自分のメモリを整理できるか？通常の文書で永続メモリを保存・整理・利用するフレームワークSoMemの提案。
要約多くのLLMエージェントは展開後に重みが固定されるため、新しい情報は外部メモリに保存する必要があります。既存手法は事前定義の記録と固定の整理規則に頼ることが多いです。本論文は自己組織化メモリ（SoMem）を提案し、メモリを相互にリンクされた文書として保存します。エージェントは要約内容、関連情報のまとめ方、既存トピックの改訂時期を自ら決め、各要約は元の対話に証拠としてリンクされます。LoCoMo、BEAM-100K、LongMemEval-Sで、SoMemは最強のベースラインをそれぞれ2.66、3.10、2.00ポイント上回りました。
説明自閉症者の脳における言語処理：モダリティと年齢を横断する神経画像研究のメタ分析
要約本研究は45件のfMRIおよびPET研究（自閉症参加者753名、非自閉症参加者777名）を統合し、言語処理時の脳活動を両群で比較した。両群とも左側優位の類似した言語ネットワークを活性化させた。自閉症者では左側の周シルビウス皮質の活動が低下し、右側の側頭極の活動が増加しており、左側への偏りが弱かった。
説明テキストだけで、セグメンテーションの読み出しが保持するクラスを予測できる
要約オープンボキャブラリーのセグメンテーションモデルを学習データ外のクラスに適用すると、一部のクラスが気付かれないまま失われます。モデルは高い信頼度でマスクを出力しますが、そのクラスは一度もピクセルを獲得しません。本論文は、どのクラスが崩壊するかはクラス名のリストだけで決まることを示し、画像を見る前に、学習語彙とのテキスト類似度から各クラスの崩壊リスクを順位付けできるとしています。さらに、崩壊したクラスは冻結特徴量の中では保持されており、読み出しの振幅を下げるか学習を早期に停止すると、再学習なしで最大16ポイント回復することを報告しています。
注目点新規性は、クラス名のテキスト類似度だけで開放語彙セグメンテーションにおいて崩壊するクラスを予測し、語彙距離のメカニズムを示した点にある。摘要は九つのモデル族、十二のバックボーン、八つの事前学習手法でAUROC 0.69-0.96を報告している。
説明表形式基盤モデルを学習なしの世界モデルとして評価する研究
要約本論文は、事前学習済みの表形式基盤モデル（TabFM）が、遷移データに対する文脈内回帰として次状態を予測することで、学習なしの動力学モデルとして機能するかを検討している。合成力学系とロボット歩行のベンチマークでは、限られた遷移データで一から学習したLSTMやMLPより、ほぼすべての設定で高精度だった。一方、全データで学習したモデルは多くの系で依然として大きく上回る。多段の自己回帰予測の精度は与える文脈の長さに強く依存し、推論速度はLSTMより約3桁遅い。学習なしの事前知識はデータが少なく文脈が十分な場合に有用だが、計画用の学習済み世界モデルの代替にはまだならないと結論づけている。
説明LBSNet：学習可能なスペクトルプロトタイプによる軽量な脳状態モデリングを用いた脳波ベースの疲労検出
要約本論文は、プロトタイプに基づく脳状態モデリングによって、ウィンドウ内の局所的なスペクトル構造と時間的集約を結びつける軽量ネットワークLBSNetを提案している。各ウィンドウのスペクトルパターンが学習可能なプロトタイプとどの程度一致するかに基づいて時間重みが決まる。SEED-VIGとSADTでの被験者非依存実験では、七つのベースラインを上回り、計算コストも低く保たれたと報告されている。
説明CRAFT-GBM：勾配ブースティング機械学習のための最良特徴量選択
要約本論文は、LightGBMを拡張したCRAFT-GBMを提案します。学習中に蓄積された分岐利得の情報を用い、各ブースティングラウンドで探索する特徴量とその数を適応的に決定します。期待利得が最大の特徴量は、初期化後の全ラウンドにわたって確率1-δ以上で保持されると保証されます。14のデータセット族と4つのノイズ付加設定での実験では、完全内生設定において1回の学習時間が幾何平均で39.74%短縮され、テスト損失は1.04%低下しました。
説明CHORD：マルチモーダル時系列データの多解像度圧縮手法
要約本論文は、ウェアラブル機器・モバイル機器・IoTから継続的に生成される異種マルチモーダル時系列データ向けの、粗から細へ圧縮する手法CHORDを提案します。残差カスケードにより広い時間スケールから細かいスケールへ順に符号化し、共有経路で複数モダリティに共通する合成基底を、私有経路でセンサー固有の形状を扱います。有限スカラー量子化により各モダリティ・スケールのビット幅を事前に定め、7つのベンチマークで8倍圧縮時の分類精度の平均差は非圧縮比0.62ポイントと、比較した圧縮手法中で最小でした。すべての解像度は単一のペイロードから復号できます。
説明LO-World：4D占有とLiDAR予測を統一するBEV潜在空間モデリング
要約本論文はLO-Worldを提案する。これは共有のBEV（鳥瞰図）潜在空間で、LiDAR点群と三次元意味的占有の両方を予測する統一的な4D世界モデルである。ハイブリッドな距離-ボクセル自己符号化器と、履歴文脈をキャッシュするフローマッチング生成器を組み合わせている。実験では、占有予測のIoUが10.9%向上し、LiDARのChamfer距離が30.1%低減した。単一のRTX 4090で25 FPSを超える実時間処理も維持している。
説明「遅くても価値がある」：締め切りが大規模言語モデルの推論の測定価値をどう変えるか
要約自動化実験室で動く大規模言語モデルの回答が締め切りに遅れると、システムは棄却などの安全な代替動作を実行します。そのため、回答品質と遅延を別々に測ると推論の価値を過大評価しかねないと論文は指摘しています。合成サンプル判断の課題で、即答する高速モードと推論してから答える思考モードを比較し、締め切りに間に合わなかった思考モードの回答は、間に合った回答の約5倍の価値があったと報告しています。単一GPUのQwen3-8Bの実験では、同時リクエストを8から56に増やすと、45秒の締め切りに間に合う思考回答の割合が79.2%から1.4%に下がりました。著者らは、回答の価値と到着時刻を一緒に測り、実際に実行された動作を評価すべきだと提案しています。
説明層の役割が重要：適応的層プロファイリングによるマルチモーダル感情推論のモダリティ不均衡の緩和
要約本論文は、マルチモーダル大規模言語モデルによる感情推論におけるモダリティ不均衡の問題を扱い、単一モダリティへの過度な依存と、クロスモーダル活用の不足という2つの失敗様式を指摘しています。モデルの各層が多モーダル感情処理において区別可能な機能的役割を持つことを示し、モダリティエントロピーとクロスモーダル強度の2指標で層を適応的に分析する枠組みLAMRを提案しています。2つの感情推論ベンチマークでの実験により、追加学習なしで複数のバックボーンモデルの性能が改善されることが示されています。
説明RBA：OCTA血管セグメンテーションのための読み出し基底アダプタ
要約本論文は、OCTA画像における血管のインタラクティブなセグメンテーションのためのパラメータ効率的な手法RBA（読み出し基底アダプタ）を提案しています。RBAはSEEMモデルのマスク読み出し段階で、半分の解像度の画像固有の基底マップを生成し、追加される学習可能パラメータは約47万個です。OCTA-500 3mm大血管のシミュレーションクリック実験では、LoRA、Conv-LoRA、AdaptFormerを上回り、平均IoUは85.16%、Diceは91.93%でした。
説明物理情報ニューラルネットワークにおける確率的Adamの大域収束性に関する研究
要約本論文は、Adam最適化手法で幅の広い二層ニューラルネットワークを訓練する場合について、全バッチと小バッチの両方で線形収束の保証を示しています。さらに、ポアソン方程式を解く物理情報ニューラルネットワーク（PINNs）へ解析を拡張し、決定的および確率的Adamの大域収束の保証と、小バッチサイズが収束に与える影響を示しています。
注目点新規性は、Adamの運動量と適応前処理の結合を扱う大域線形収束解析と、PINNへの拡張にある。作者は全バッチおよびミニバッチのAdamについて結果を報告している。