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WaveletLoRA：周波数を考慮した個人化画像生成のための内容・スタイル分解手法
要約本論文は、単一画像から被写体の内容と視覚スタイルを分離する個人化画像生成の課題に取り組み、WaveletLoRAという周波数認識フレームワークを提案する。参照画像に多段階離散ウェーブレット変換を施して低周波と高周波のサブバンドに分け、サブバンドごとに専用のLoRAブランチを割り当てる。低周波ブランチはスタイルを、高周波ブランチは構造的内容を学習する。さらに密なMixture-of-Experts集約モジュールと周波数領域の正則化を導入し、スタイルの漏れを抑えて内容の忠実度を高めている。またWaveBenchと、VLMに基づく評価手法を構築した。実験では既存手法を上回り、人間の好みにより合う結果が得られたとしている。
説明光子計数X線イメージングにおける検出器ギャップの学習ベース補間
要約モジュールを並べて構成された検出器にできる画像上の隙間を、後段の位相回復や断層再構成の前に埋めるための手法を扱った論文です。著者らは、WGAN-GPと条件付きPix2Pixという生成モデルを、隙間の画素だけを変更するマスク処理と、平均強度や強度分布を保つ損失項を用いて適用しました。知覚的類似度（LPIPS）とヒストグラム距離では両モデルが最良で、Pix2PixはWGAN-GPより訓練GPU時間が約5分の1で済みました。
説明対照学習とブートストラップを組み合わせた、少数ラベルで学ぶ農業画像分類のための自己教師あり表現学習
要約本論文は、対照学習とブートストラップを同一の表現経路で併用する手法CBRLを提案し、ラベルが極めて少ない農業画像分類への適用を検討しています。ViT-L/16バックボーンと下流ラベルの10%を用い、4つの主要な農業テストベンチマークと33枚の追加評価で、単一シードの点推定値を報告しています。CBRLは主要4ベンチマークでマクロF1の点推定値が最も高く、DeepWeedsとPlantVillageで高い数値を示しました。一方、PlantDocではいずれの手法も実用的な性能に達しませんでした。著者らは、統計的な優位性や確率的実行に対する頑健性は確立されていないと述べています。
説明GLCR：マルチタスク電磁信号処理のための全体・局所協調ルーティング手法
要約本論文は、異種の専門家モデル群の中から電磁信号ごとに適切なモデルを動的に振り分けるGLCR手法を提案している。第一段階で軽量な一次元畳み込みネットワークが全体的に振り分け、第二段階で勾配ブースティング木が混同しやすいタスク組を局所的に判別する。HeteroSignal-7という14万サンプル規模のベンチマークも構築された。報告によると、ルーティング精度は96.16%、システム総合スコアは76.30%で、全専門家を実行する場合と比べ期待浮動小数点演算量は約5.9分の1に削減された。
説明FADO：事前適合ネットワークによる因果的説明の学習
要約本論文は表形式データにおける機械学習の説明を扱い、SHAPや順列重要度などの予測的寄与法は相関を捉えるものであり因果を捉えるものではないと指摘します。著者は特徴量の介入効果Δiを定義し、構造的因果モデルで生成した合成表形式データで学習した事前適合ネットワークを用いる償却推論法FADOを提案します。実験では、代理変数、交絡因子、合流点、プラセボを含む状況で、既存の予測的寄与法より良い説明が得られることを示しています。
説明汎用機械学習原子間ポテンシャルのスケーリング則は本当に普遍的か？
要約本論文は、モデル構成を固定した上で、M3GNet、MACE、PET の三つの機械学習原子間ポテンシャルについて、学習データ量に対するスケーリング挙動を検討しています。ランダム抽出、化学・構造に基づく層別化、DIRECT、最遠点サンプリングなど複数のデータ選択方法を比較しています。その結果、誤差はべき乗則で改善するものの、その指数や誤差の下限、サンプル効率はモデル、対象量、サンプリング方針、テストデータ分布によって異なることが示されています。
説明CoCode-World：マルチプレイヤー世界モデルのための共有3Dプロキシ表現
要約本論文は、二人プレイの動画生成において構造的制御と視覚合成を分離する共有3Dプロキシ框架CoCode-Worldを提案します。プログラム可能なプロキシがシーンのレイアウト、動き、遮蔽を指定し、RGB参照画像がキャラクターとシーンの外観を導きます。ペアになったプロキシ動画、外観参照、対象視点を連結し、事前学習済み動画モデルで両視点を同時に生成します。また、GTA Vの二人プレイデータセットを構築し、学習時に見ていないキャラクターやシーンスタイルへの外観転移と、基準手法に比べた動画品質および視点間のプレイヤー同一性の向上を示しています。
説明Cat Royale包括データセット：姿勢検出、セグメンテーション、動物の行動認識、シーン理解のためのデータセット
要約本論文は、Cat Royale包括データセット（CRCD）を紹介する。これは、Cat Royaleのアート・研究プロジェクトで撮影された500時間以上の映像に基づく、ネコ科動物理解のための大規模なマルチモーダルデータセットである。インスタンスセグメンテーションマスク付きの画像2万枚、複数個体の姿勢座標付きの画像5000枚、行動クラス付きの動画クリップ800本以上、詳細なテキスト記述付きのクリップ800本以上が含まれる。さらに、インスタンスセグメンテーション、姿勢検出、時間的行動定位、動画とテキストの検索の各タスクについてベンチマークを提供している。
説明MemCredit：長期的なウェブエージェントの意思決定時メモリを、関連性から効用へ基づいて選ぶ手法
要約本論文は、意思決定を中心に据えたメモリ枠組みMemCreditを提案し、メモリの選択基準を意味的関連性から意思決定上の効用へ移します。反実仮想的な介入により個々のメモリの寄与を推定し、それを軽量な効用推定器に蒸留します。推論時には、固定トークン予算の下で予測された効用に基づいて保持するメモリを決めます。ALFWorldでは、BM25検索と比較して、500トークンの履歴メモリ予算におけるSR@50が高いと報告されています。
説明距離を考慮したエッジ特徴を持つグラフアテンションネットワークによる地表付近の気温欠測値の補完
要約本論文は、不完全な観測から地表付近の気温場を再構成するためのグラフアテンションネットワークを提案しています。各格子セルをノードとして、k個の最近傍と接続し、ノード特徴量、距離、陸海の遷移に依存するアテンション重みを用います。CMIP6のCESM2歴史シミュレーションを、1850年から2014年までのHadCRUT5観測範囲でマスクしたデータで学習し、空間RMSEは0.997 Kで、LaMaや普通クリギング、GraphEMより低い結果となりました。アブレーション実験では、性能は主に幾何学的なグラフ構築によるものだと示されています。
説明局所的な定義が欠けているとき：言語モデルに見られる安定した誤り
要約本論文は、文書内で一般的な語が局所的に別の意味で定義されているのに、言語モデルが通常の意味で読んでしまう場合の誤りを調べたものです。合成語彙、商業契約、Reddit のコミュニティ用語集、分散型取引所のドキュメントから選択問題を作り、定義の有無で3つの言語モデルの回答を比較しました。再定義された一般語が最も多くの誤りを生み、モデルは同じ誤答を繰り返す一方、繰り返しの一貫性や自己申告の確信度では誤りを確実に検出できないことが示されています。
説明エージェント型シンボリック実行によるバグ発見
要約本論文は、Python向けシンボリック実行ツールCrossHairとAIコーディングエージェントを組み合わせたエージェント型フレームワークを提案している。人手を介さずにアサーションの付与、データベース向け制約つき symbolic 環境の合成、シンボリック実行を行い、報告した各バグに具体的なテストを添付する。11のオープンソースPythonウェブアプリケーション（約115万行）で評価され、1,050件のバグが発見された。符号実行は入力境界値による異常終了を、コード検査は誤った出力のバグを主に見つけており、両者は補完的であるとされている。
説明小さなヘッド、強い判断：型付き決定モデルの統制比較研究
要約本論文は、テキストに対する構造化された判断（はい・いいえの判定、ラベル付き選択肢からの選択、段階評価など）を行う、小規模な出力ヘッドを持つモデルを比較しています。著者らは同じバックボーン、同じ公開英語学習データ、同じ学習手順のもとで、五種類の出力ヘッドを再実装しました。その結果、ヘッドの複雑さは精度にほとんど影響せず、バックボーンのサイズの影響がより大きいことが示され、著者らはバックボーンに注力しヘッドは最小限に保つことを勧めています。
説明EMS-Nav：実機ロボット向けの多スケールナビゲーション枠組み
要約本論文は、生物に着想を得た多スケールナビゲーション枠組み EMS-Nav を提案し、ロボット上のデバイスでオンライン動作させることを目指しています。知覚、空間理解、ナビゲーションを「領域」を単位として組織化し、物体とその関係を機能的に意味のある空間にまとめて、局所から環境全体までの階層を構築します。物体、部屋、領域、特定の個体という4種類の目標を対象とした実験では、全カテゴリで最も高い成功率を示し、最強のベースラインに比べ初回試行の成功率が9.39ポイント向上しました。
説明VWEN：ベトナム語パラフレーズのための厳選された小規模言語モデル
要約本論文は、ベトナム語で指定された変更幅に従って言い換えを行うパラメータ数0.8Bのモデル VWEN を提案する。複数の言い換え生成、簡略化、要旨抽出、文体変換、言い換え判定などの関連タスクにも対応する。Qwen3.5-0.8B を、四段階のパイプラインで選別した約7千件のサンプルで微調整している。高変化量の言い換えでは、同等の計算量でのViSPモデルの0.46に対し、VWENは0.61の成功率を示した。
説明長期計画のための周辺分布保存型結合拡散合成手法
要約本論文は、多様なモードを持つ環境において、組み合わせ型拡散プランナーの軌道断片が接続後に一貫しなくなる問題を扱っています。提案手法MCDCは、学習を必要としない推論手法で、隣接する断片の初期ガウスノイズを正に相関させつつ、各断片の周辺分布は標準ガウスのまま保ちます。OGBenchの長期接続タスクでは、独立サンプリングより性能が向上し、推論時間はほぼ変わらず、探索型の組み合わせ手法と比べて成功率と計算コストの良好なバランスを示したと報告されています。
説明AI4Plasma II：可変電極ギャップGEC プラズマ向け幾何対応サロゲートモデル
要約本論文は、規定または学習された幾何写像、拡張領域表現、連続座標、幾何ネイティブ離散化に基づく6種類の幾何対応サロゲートモデルを比較し、可変電極間隔におけるプラズマ場およびウェハ近傍のイオン密度分布の予測に必要なデータ量を検討している。参照ケースあたりの平均シミュレーションコストは5.32 CPU時間である。規定写像のGeo-FNOとTransolverは、4つのプラズマ場の平均誤差2%の達成に100件の学習ケースで足りるとされ、電荷分離重み付けを損失関数に導入することで、5%のプロファイル誤差に必要なGeo-FNOの最小学習件数が1000件から100件に減少したと報告している。
説明FoveaDet：物体検出向け中心窩型CNN-Transformerのソフトウェア・ハードウェア協調設計
要約本論文は、生物の中心窩の仕組みに着想を得て、視覚的顕著性に基づいて注目領域を動的に選び、ViTで無関係な背景のパッチを削除するFoveaDetを提案している。標準的なGPU上で浮動小数点演算量を65.4%から92.2%削減し、推論を4.76倍高速化しつつ、mAPの低下はわずかであると報告している。さらに、この処理を加速する専用命令を備えたカスタムRISC-VコアをあわせてAmbiguous設計している。
説明電子カルテ基盤モデルのメモリ化監査の構築と検証
要約本論文は、MIMIC-IV で学習させた自己回帰型の電子カルテ基盤モデルが、推論時に学習データの患者情報を漏らすかどうかを検証します。固定長ウィンドウのトークン再構成、機微属性の開示、ランダムな患者単位のカナリアなど複数の攻撃手法を評価しています。結果として、集団レベルでは弱いメモリ化が見られるものの、評価した攻撃では信頼できる患者単位の情報開示は確認されませんでした。また、強いメモリ化の検出感度も確認されています。