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）。
説明実用的かつスケーラブルな SOAP のための因子分解型片側 Adam モーメント手法（FOAM）
要約本論文は、Transformer の学習において二次最適化手法の収束上の利点を保ちつつ、AdamW に近い効率で動作する軽量な SOAP の派生手法 FOAM を提案する。FOAM は入力側のみで前処理を行い、出力側の Kronecker 因子を省くとともに、行と列の統計量に基づく因子分解型 Adam モーメント推定で SOAP の密な回転二次モーメントを置き換える。原文によれば、124M から 760M パラメータの大規模言語モデル事前学習で、FOAM は検証損失において SOAP および Muon の基準手法と同等であり、最適化器の状態量は SOAP の半分、実行時間は Muon 並みとされる。
説明TokenStream：トークン単位 LoRA と誘導型注意機構による複数被写体のパーソナライズ動画生成
要約本論文は TokenStream を提案します。これは参照動画の学習データや新しい被写体の組み合わせごとの共同最適化を必要とせず、独立に学習した被写体のアイデンティティをテキストからの動画生成で組み合わせる最適化ベースの枠組みです。手法にはトークン単位 LoRA（ToRA）と T2V 誘導ストリームが含まれ、30 被写体・122 プロンプトからなる Multi-DB ベンチマークも導入されています。1.3B 規模の Multi-DB では、アイデンティティ保持スコアが DreamBooth の 0.422 から 0.467 に、テキスト整合性スコアが 0.652 から 0.688 に向上しました。
説明人間の注釈か合成データか：固定予算で後処理に何が買えるか
要約本論文は、大規模言語モデルの後処理で、人手で注釈された選好データと合成生成された選好データを、同じドル額の予算で比べた結果を示す。有用性と要約の複数のタスクで、複数の基盤モデルを学習・評価した。低から中程度の予算では合成データの費用対効果が高く、200〜400ドル程度で高い勝率を得られたと報告している。人手データが差を埋めるのは有用性タスクで予算がおよそ2桁大きい場合に限られ、要約タスクでは試した予算のいずれでも差は埋まらなかった。人手データの信頼性も来源によって異なる。
説明大規模言語モデルを用いた Dafny による形式検証
要約本論文は、Dafny 検証システムを用いて科学アルゴリズムを形式検証する際に大規模言語モデル（LLM）を支援に使う、十段階のワークフローを提案している。アルゴリズムの形式化、契約の作成、不変条件の検証、証明の構築、ボトルネック分析、証明の最適化を含む。著者らは Claude Opus 5 と Opus 5.5 を用い、グラフ理論と遷移系のアルゴリズム 37 件で評価し、Hopcroft-Tarjan の三連結性判定を検証した。人間の検証者の役割は、詳細な証明構築から監督や仕様の確認、戦略的指導へ移りうると論じている。
説明事前学習データの統計的性質が言語モデルのエンティティ比較学習の段階を形作る研究
要約本論文は、言語モデルが事前学習の過程でエンティティ比較（例：「フランスとブラジルではどちらが大きいか」）を学ぶ仕組みを、五種類のエンティティにまたがる九つの比較タスクで検討しています。1億6,300万パラメータの小規模モデルによる対照実験では、頻度による選択、提示文中の位置による選択、正解の選択という三段階の学習が確認されました。これらの段階は学習データの統計的性質によって因果的に決まり、より大規模なオープンソースモデルOLMo-2 32Bでも同様の学習動態が見られたとしています。
説明不変的な文字の付け替えでは、タンパク質言語モデルの接触予測が保たれない
要約この論文は、タンパク質言語モデルが従来の共進化手法と同じ不変な統計量を学んでいるのかを検証しています。アミノ酸の文字を全単射で付け替えても、アライメント上の情報は変わらず、Potts モデルや逆共分散推定量の結果も不変ですが、複数のモデル（ESM-2、MSA Transformer、AMPLIFY）では接触マップが崩れると報告しています。著者らは、これらのモデルが純粋な共進化統計ではなく、標準的な残基の同一性に依存していると論じています。
説明コンテキストグラフ：AI-RANにおける説明可能なマルチエージェント意思決定連鎖
要約本論文は、共有の無線リソース上で複数の自律エージェント（xApp・rApp）が動作するAI-RANにおいて、どの決定がアラートや性能劣化を引き起こしたかを追跡することが難しい問題を扱います。策略、測定値、決定、アラートを照会可能な説明レイヤーに整理する異種有向グラフ「コンテキストグラフ」を提案します。中核となる決定イベントノードは因果の結節点として、入力エッジで発動文脈を、出力エッジで下流への影響を記録し、反事実検証によって段階的に確からしさを高めます。E2、A1、O1のデータフローに基づく概念実証では、数万ノード規模のグラフに対してサブミリ秒の遅延で照会が解決でき、真の因果的影響と見かけの相関を区別できることが示されています。
説明確率的カーネルモード分解：情報、不確実性、条件付きレジーム推論（ノイズ条件の変化で何が保たれるかを扱う理論研究）
要約本論文は確率的カーネルモード分解（sKMD）を提案し、符号付きKMDモード座標上で結合レジーム分布を当てはめ、参照モードの事後分布をレジーム確率と条件付き再構成に変換する。測定ノイズの分散が変化する場合に、固定されたモードエネルギーがレジームの事後情報をどこまで保持できるかを特徴づけている。また、特徴量の圧縮、独立に学習されたモード空間、センサーノイズによる誤差と対数損失の関係を示す境界を与え、2つの対照実験で符号付き情報がエネルギー要約より予測を改善しうることを報告している。
説明DPA：高度に異質なデータ向けの、準大域的モメンタムを用いた分散型プライマル平均法
要約本論文は、各エージェントが学習データをローカルに保持したまま深層学習モデルを分散的に訓練する手法DPAを提案します。DPAは、ローカルの準大域的モメンタムバッファと組み合わせたプライマル平均法で、データの異質性による精度低下を抑えることを目指します。滑らかな非凸目標に対して収束限界を示し、通信コストを従来手法と同程度に抑えたDPA-1Gも導入しています。GUTベンチマークによる画像分類実験では、疎なリング構造で高い異質性がある場合に特に改善が見られたと報告されています。
注目点集中型の原始平均を分散学習へ拡張し、準グローバル運動量と組み合わせる。補助追跡変数を送らず、GUTベンチマークの複数設定で複数の基線と比較して報告している。
説明Raysemble：単一のX線画像から実寸の三次元骨を再構成する手法
要約本論文は、単一のX線画像から腰椎と骨盤の8つの骨を三次元で再構成するRaysembleを提案している。形状と位置を分けて扱い、予測された深度とカメラ幾何を用いて、ミリメートル単位の共通グリッド上に三次元の骨を配置・スケール調整する。未学習の23名の患者、43件のCTから生成した模擬前後像で評価し、平均Diceは65.24%で、比較した15手法の中で最も高い結果を示した。VolumeNeRFと比べてDiceは5.86ポイント向上した。
説明Visual Cipher Bench：長期的視覚推論における LLM エージェントの評価ベンチマーク
要約本論文は、40 問のオリジナル視覚パズルからなる Visual Cipher Bench を提案する。パズルは空間操作・シミュレーション、論理制約・計画、規則帰納、知識ベースの解読の 4 分野に分かれ、各問は 1〜3 枚の白黒線画と簡潔な提出指示のみで構成される。8 つの最先端モデルの 29 の推論設定で評価した結果、最も高性能なモデルでも正答率は 26.7% にとどまり、8 モデル中 5 モデルは 1% 未満だった。10 問のサブセットでは、ネタバレにならない仕組みのヒントを一つ与えると正答率が 7.8% から 55.6% に上がり、現在のエージェントの主なボトルネックは視覚的証拠から規則を自律的に発見する点にあることが示された。
説明LoRAによる持続可能な連合学習の微調整：環境負荷と性能フットプリント
要約本論文は、連合学習とLoRAを用いたパラメータ効率的な微調整について、GPUごとのエネルギー消費と炭素排出を調べたものです。A40、RTX 6000 Ada、A100上で135Mと360Mのモデルを、ローカルステップ数10と100の条件で評価し、CodeCarbonで測定しました。エネルギーと排出量の変動の84.8〜91.2%はローカルステップ数に起因するとされています。A40とRTX 6000 Adaでは、ステップ数の少ない設定が同程度の精度を、約6〜8倍少ないエネルギーで達成しました。
説明近道か暗記か：大規模言語モデルによる自然言語理解のデータ摂動への頑健性を再検証
要約本論文は、入力を摂動（名詞の削除や語順のシャッフルなど）させた後も性能が保たれるかを、八つの大規模言語モデルと、GLUEおよびANLIでファインチューニングしたエンコーダで比較して検証しています。直接回答するモデルはMNLIで名詞を除いても多くの性能を保つ一方、ANLIでは保持率が低く、回答前に推論するモデルだけが異なる傾向を示しました。さらに368件の新規の人手検証済み項目で試したところ、頑健性は暗記よりもデータセットの近道（ショートカット）を反映しており、ベンチマーク側の性質をより強く示すと論じています。
説明Kosmo-GFM：実運用可能な幾何学基盤モデルによるシーン再構成
要約本論文は、幾何学基盤モデル（GFM）、位置姿勢最適化エンジン（PoseEngine）、KosmoWorld による再構成由来の教師信号を統合したシーン再構成システム Kosmo-GFM を提示する。GFM は画像と動画からカメラパラメータ、深度、視点間対応、動的な三次元点を予測し、PoseEngine はそれらを幾何最適化と組み合わせてシーン単位のカメラ姿勢と形状を復元する。実験では一部のデータセットで GFM の深度誤差と姿勢指標が比較手法を上回り、PoseEngine の累積実行時間は GLUEMAP の約 20% であったと報告されている。
説明領域特化言語モデルとグラフ学習によるESG予測のモジュール式フレームワーク
要約本論文は、企業のESGスコアを予測するためのモジュール式フレームワーク「ESGPred」を提案している。領域特化の言語モデルと、評価対象企業間の関係をモデル化したネットワト上でのグラフ学習を組み合わせている。2020年から2023年にかけて2,134社の上場企業が公表した5,266件のサステナビリティ報告書で評価し、LSEG Data & Analyticsのレーティングを正解データとして用いた。実験では、グラフによる関係学習を取り入れることで、テキストのみの基準モデルより予測性能が向上することが示された。
説明アラビア語と英語の医療質問応答における校正と適合予測：二つの非並列ベンチマークによる検証
要約本論文は、英語のMedMCQAとアラビア語のMedAraBenchの医療選択式問題で、二つのオープンウェイトモデルの確信度の校正と不確実性を調べたものです。生の選択肢確率はいずれの設定でも過信しており、温度パラメータ一つで誤差の大部分を除去できたと報告しています。適合予測は目標の被覆率に到達しましたが、正答率が低い場合は予測集合が大きくなりました。
説明結果と質量の整合（OMA）：多ターンLLMエージェントの強化学習で軌跡の長さによる影響の偏りを制御する手法
要約本論文は、多ターンLLMエージェントのステップごとのグループ相対学習において、一つの軌跡を複数の応答行とトークンに展開すると、結果統計が同じ結果を重複して数えたり、トークン単位の集計で軌跡ごとの目的関数の重みが不均等になったりする問題を指摘している。著者らは、一意の元軌跡ごとに結果統計を計算し、軌跡内で集約した後に全体の目的関数の重みを制御する「Outcome-Mass Alignment（OMA）」を提案している。ALFWorldやWebShopでの実験では、一部の設定で成功率が向上し、GiGPOやGSPOとの併用も可能であることが示されている。
説明検知は早期警告ではない：言語モデルの失敗に対するトークン単位のアラームの評価
要約本論文は、言語モデルの失敗が始まる起点トークンより前に警告できるかを測る評価手法PREWARNを提案する。三つのオープン言語モデルの反復的な退化を事例とし、活性化に対する線形プローブと六つの未学習ベースラインを比較している。応答単位の指標では差が見えにくいが、PREWARNでは二つのモデルの大半の退化応答で起点より前に警告できたと報告している。
説明EG360：効率的で汎化可能な360°パノラマ深度推定手法
要約本論文は、360°パノラマ画像の深度推定を行うEG360モデルを提案している。適応的パノラマ・透視蒸留（APPD）戦略と球面クロスレベル特徴融合（SCFF）モジュールを組み合わせ、計算量を抑えつつ異なる領域への汎化性能を高めることを目指している。再パラメータ化後のパラメータ数は6.593Mで、実世界ベンチマークでゼロショット性能が高く、Jetson Orin NX 16GB（MAXNモード）で35 FPSで動作すると報告されている。
説明機械学習による分子・材料特性予測のための学習データ生成戦略に関する体系的評価
要約本論文は、分子および材料の特性予測に用いる学習データの取得戦略を体系的に比較したものです。ランダムサンプリングから各種のアクティブラーニング手法までを対象としています。著者らは、異なるモデルの種類、表現方法、データセット、目標特性のもとで各戦略の性能を評価しました。その結果、戦略の有効性はモデル、データセット、予測タスクの相互作用に強く依存するものの、不確実性に基づくサンプリングが全体として他の戦略より優れていることが示されました。さらに、与えられたラベル付けの予算のもとで戦略を選ぶための指針も導き出されています。
説明ScrewSense：見えないものを可視化——ネジ締め工程における異常検知と誤差分類
要約本論文は、トルクや回転角度などの多変量時系列データを用いて、ネジ締め工程の異常検知と誤差分類に深層学習を適用する研究です。異常検知にはベクトル量子化変分自己符号化器の埋め込み空間を分析し、誤差分類では四種類のモデル構造を評価しました。二値分類を超えて複数の誤差カテゴリを区別でき、精度は最大100%に達し、実データでも高い汎化性能を示したと報告しています。
説明クラス能力集約（Class-Competence Aggregation）：クラスが集中した非IIDデータ下の連合学習によるマルチクラスDDoS検出のための出力層ルーティング
要約本論文は、侵入検知センサー間の連合学習で、ある攻撃クラスが単一クライアントにのみ存在する非IID（クラス集中型）データの問題を扱う。このような場合、標準の連合平均では該当クラスの出力ニューロンが反応を失うことを示す。提案手法のクラス能力集約（CCA）は、出力層をクラスごとに各クライアントの局所検証F1で重み付けして集約し、隠れ層は従来どおり集約する。CIC-DDoS2019で、CCAはLDAPクラスのF1を0%から大きく改善し、CICIDS2017でも結果を確認している。
説明自動運転の極端な事例に対するビデオLLMの理解力を評価する研究
要約本論文は、25のビデオLLMを対象に、衝突を伴う極端な事例と衝突を伴わない稀な事例を含む1,709本の運転映像で評価するベンチマーク「DashBench」を提案しています。多様なプロンプトと自由回答形式の質問を用いた結果、評価したすべてのモデルが安全性が求められる運転用途に必要な水準を大きく下回り、前方の危険な事象を誤判定したり見落としたりし、存在しない対象や動作を説明に含めることが明らかになりました。
説明モデル拡張と可視光・近赤外線のクロススペクトル照合による効率的な目周辺認証
要約本論文はAdaEyeを提案し、可視光および可視光／近赤外線（VIS/NIR）条件下の目周辺照合について、入力と骨格ネットワークの拡張を系統的に検証している。全顔、マスク顔、80x40の目周辺入力を比較し、四つのプロトコルで精度、計算量、推論スループット、学習メモリ、テンプレートサイズ、学習の安定性を評価した。目周辺画像を直接処理すると、1画像あたりの計算量は6.30から1.64 GMACsに減少し、スループットは約3倍になるが、効果は評価プロトコルに依存するとされる。
説明二値分類を超えて：NHANESデータによる糖尿病・糖尿病予備群リスク予測のための多クラス機械学習
要約本論文は、米国の全国健康・栄養調査（NHANES）のデータを用い、成人を正常、糖尿病予備群、糖尿病の3クラスに分類する教師あり学習の枠組みを構築したものです。対象は15,356人の成人で、糖化ヘモグロビン（HbA1c）はラベルの定義にのみ使用され、入力特徴量からは除外されています。従来の機械学習モデルとTransformerベースのモデルを比較しており、多クラスでの正解率は最大0.72、マクロ平均F1は0.70でした。糖尿病予備群が最も識別しにくく、F1は0.53から0.56でした。タスクを正常対糖尿病予備群や、予備群と糖尿病を合わせたスクリーニングに絞ると、F1が向上しました。
説明AgriSense：仮想温室における視覚言語による意思決定支援とロボット介入の枠組み
要約本論文はAgriSenseという枠組みを提案し、Isaac Sim上の仮想温室で四足移動マニピュレータ、RGBおよびLiDARによるセンシング、環境制御、教師あり視覚言語による意思決定支援を組み合わせています。凍結したDINOv2およびBERTエンコーダと構造化された環境入力により、12項目の環境基準値、目標ゾーン、介入フラグを同時に予測します。ゾーン判断、環境数値の誤差、仮想アーム目標の評価結果を報告していますが、ナビゲーションと処理はシミュレータの状態入力に依存しており、実際の温室での性能や農学的な処理効果は検証されていません。
説明無鉛ペロブスカイト太陽電池の劣化機構を温度・照度依存の電気測定から解釈可能な機械学習で診断
要約本研究は無鉛RbSn0.5Ge0.5I3太陽電池を対象に、約42,000件のSCAPS-1D シミュレーションを用いて、性能予測（順方向）と劣化機構の特定（逆方向）の両方を機械学習で検討したものです。正孔輸送層をSpiro-OMeTADからCuIに替えると、シミュレーション上の変換効率は19.6%から21.6%に上がり、その向上はほぼ全て曲線因子によるものです。温度・照度依存の開放電圧測定から六種類の劣化機構の有無を判定する多ラベル分類器は、マクロF1スコア0.938を達成し、物理規則ベースラインの0.687を上回りました。ただし、学習データに含まれない機構の組み合わせには汎化しませんでした。
説明ORCA：多視点クラスタリングのための直交残差コンセンサス整合手法
要約本論文は、深層多視点クラスタリングにおける融合時の冗長情報の蓄積と、表現階層間での無差別な整合という問題に対処するORCAを提案している。意味増分再帰融合モジュールは、視点間の直交残差を非冗長な増分として抽出し、分岐誘導ゲーティングによって再帰状態を適応的に重み付けする。コンセンサス校正型階層的対比整合モジュールは、全体コンセンサスを用いて視点レベル、対ごと、再帰表現の対比整合を重み付けする。5つのベンチマークで15の比較手法と比較した実験により有効性が示され、100leavesでは最強のベースラインに対し精度が5.25%向上した。
説明PhysLoop：大規模言語モデルの物理認識を活用した動画生成モデルの自己改善
要約動画生成モデルは映像としては写実的だが、物理的な動きや因果の一貫性に課題が残る。本論文はPhysLoopという統合フレームワークを提案し、動画の生成・選別・修正の各段階で大規模言語モデルを導き制約することで、その物理知識を物理的に整合した動画に変換する。学習データの制御可能な構築と推論時の動画修復を支援する。著者は10万本の動画と、評価用データセットPhysLoop-GenおよびPhysLoop-Repairを公開している。
説明視覚プロンプト注入における、スケールによる意味のずれ：VLMとWebエージェントへの攻撃に関する研究
要約本論文は、画像がリサイズや圧縮によって変換されると、視覚言語モデルが読み取る文字指示の内容が変化するという安全上の問題を扱っています。この現象をスケール誘発意味シフト（SISS）と名付け、黒箱型の反復的な攻撃フレームワークを提案し、4つの商用視覚言語モデルで攻撃成功率を評価しています。また、この種の攻撃を検出する一貫性検出器ScaleGuardを提示し、攻撃成功率の低下を報告しています。
説明Fog-FWL：霧に隠れた物体の復元のための大規模全波形LiDARデータセット
要約LiDARは霧に弱く、霧による散乱が遠方物体の弱い反射を覆い、従来のピーク検出でその信号が捨てられてしまいます。本論文は、霧中の実データ7,527フレーム（Fog-FWL-Real）と、物理ベースのシミュレータで生成した12,000フレームの合成データ（Fog-FWL-Sim）からなるFog-FWLデータセットを提案します。両者は同一のセンサ形式と注釈方式を共有し、実波形を学習に使わない厳密なシミュレーションから実環境への評価を可能にします。最も困難な条件では、物体の反射が上位3つのピークに含まれるのは物体光線の34.9%に限られ、波形レベルの復元の必要性が示されています。
説明自己回帰言語モデルにおける系列レベル教師あり学習の難しさ
要約本論文は、自己回帰言語モデルの教師あり学習で、貪欲復号や自己回帰サンプリングなど推論時の復号過程を取り入れた系列レベルの損失関数を設計できるかを検討しています。2つの自然な試みはいずれも下に有界でない損失関数になることを示し、サンプリングに基づく損失は自己回帰Gumbelトリックを用いると、Gumbel摂動下での貪欲損失の期待値に等しいことを示しています。また、サンプリング過程に停止勾配を適用して得られるモーメント一致方向は、関数空間で自己回帰の負の対数尤度に対する有効な降下方向であるものの、分散が大きいことを報告しています。結論として、自己回帰モデルの教師あり学習には教師強制で十分かもしれないとしています。
説明EgoX：具身ドリーミングによる一人称視点のクロスエンボディメント操作学習フレームワーク
要約本論文は、人間、実ロボット、シミュレーション上のエージェントから得た異種のデモンストレーションを、意味的に対応する観測・動作モダリティで整理して学習するEgoXフレームワークを提案しています。モジュール式クロスエンボディメントTransformer（MXT+）を、具身ドリーミング（embodiment dreaming）目的関数とともに混合データで事前学習し、対象の具身のデモで微調整します。5種類のタスクと6種類のロボット具身にまたがる13組のタスク・具身の組み合わせで、クロスエンボディメント事前学習により平均正規化タスク進捗が0.63から0.80に向上したと報告されています。
説明汎用基盤VLMから汎用運転VLMへ：三つ組インクリメンタル学習の手法
要約本論文は、汎用の視覚言語モデル（VLM）を自動運転に適応させる方法を扱う。画像・深度・質問応答ペアの三つ組データを用い、三本の学習ストリームで三次元幾何の認識を取り入れ、蒸留によって汎用的な能力を維持する。深度ストリームは展開時に破棄されるため、推論時の追加負荷はない。
説明データから知恵へ：認識論の視点から見直す人工知能
要約本論文は、データ、情報、知識、理解、知恵を相互に再帰的に作用する五つの認識機能として捉える人工知能の枠組み「EAAI」を提案します。著者は十冊のベイズ統計の参考書を検討し、事前情報と事前知識が認識論的カテゴリーとして一貫して区別されていないと指摘します。金融リスク、医療保険の保険数理、医療給付請求のエージェント型AIという三つの応用例を通じて、その使い方を示しています。
説明熱赤外線ドローン検出の限界：データセット横断ベンチマーク分析
要約本論文は、公開されている熱赤外線ドローンデータセットにおけるカメラ、処理パイプライン、アノテーションの差異を整理し、取得から処理までの過程で生じるアーティファクトを分類しています。長波赤外線データを対象に、学習データの構成やモデル特性がYOLOベースの検出性能、汎化能力、条件依存の失敗パターンに与える影響を調べています。結果として、検出性能はYOLOの世代やモデル容量よりも学習データの構成に強く左右され、データセット間の汎化には顕著な非対称性があることが示されました。最良の構成でも40%を超えるドローンを検出できず、特に極めて小さな対象、都市の複雑な背景、熱的交差の場面で見逃しが多いとされています。
説明正確性と利用者の評価のギャップ：日常タスクにおける追従的AIを利用者はどう評価するか
要約本論文は、ベンチマーク評価と2つの大規模利用者調査を組み合わせ、大規模言語モデルが利用者に同調し、こびへつらう傾向（追従性）を検証しています。システムプロンプトで定義した客観型、ソフト追従型、ハード追従型、基準の4つのペルソナを比較しました。客観型AIは会話の圧力下で最も高い正答率を示しましたが、尊重度・満足度・信頼性の評価は他のペルソナより低い結果となりました。
説明MusicRWKV：音楽表現学習のためのマルチモーダルRWKVフレームワーク
要約本論文は、RWKVアーキテクチャに基づくマルチモーダル音楽表現学習フレームワークMusicRWKVを提案している。波形、スペクトログラム、メタデータを統一的な自己教師あり学習の枠組みで共同モデル化する。長い音楽系列の効率化のため可逆圧縮モジュールを導入し、FiLMベースの条件付けで模態を意識した表現学習を行う。多様な音楽情報検索ベンチマークで、RWKVベースの構成が多様な音楽理解タスクに適用できることが示されている。
説明グリーンなテキスト生成に向けて：メモリベースの投機的デコーディング
要約本論文は、メモリベース分類器に基づく草稿モデル Olifant を提案し、大規模言語モデルによるテキスト生成を投機的デコーディングで高速化する手法を示しています。Olifant は CPU 上で 0.3 ミリ秒未満に次のトークンを予測し、GPU を必要としません。EU法律文書では、KVキャッシュなしの場合にスループットが2.43倍、トークンあたりのエネルギーが2.51分の1になりました。KVキャッシュを用いた場合も、スループットは1.25倍に向上し、研究で最も低いエネルギー消費を示しました。
説明スマートフォンによる音響呼吸相検出
要約本論文は、一般的なスマートフォンで録音した音響信号から吸気と呼気の相を検出する非侵襲的な手法を提案している。局所的なスペクトル特徴と長距離の時間的モデリングを組み合わせた、CNNとTransformerのハイブリッド構造を用いる。未見の被験者を含む評価で良好な結果を示し、モバイル端末上でのオンデバイス推論も20ミリ秒未満の遅延で実現できるとしている。
説明販売報告テキストにおける販売イベントの時間的分析による販売遅延予測
要約B2B企業では注文の実際の受注日が予定日とずれることがあり、開発コストが増加します。本論文は、販売プロセス中に受注日からどれだけ遅れるかを予測する「販売遅延予測」という新しい課題を提案します。販売担当者が報告書で予想する将来の販売イベントの日付から、顧客の受注意欲の代理指標となる信頼度特徴量を抽出し、現在日付と過去のイベントに基づく販売状況特徴量も併用します。実販売データでの実験では、類似の先行研究の特徴量ベース手法と比べて平均絶対誤差が16%低く、大規模言語モデルを用いた非特徴量ベースの手法よりも優れていました。
説明Sprint3D：パイプライン最適化によるエンドツーエンドの3Dアセット生成の高速化
要約画像から3Dを生成するモデルは、1つのアセットに数分かかるため反復作業や展開のコストが高いという問題があります。本論文は公開されているPixal3Dパイプラインを分析し、全体時間の大部分がネットワーク後のメッシュ後処理（85%、その多くはCPUによるUV展開）に費やされていることを明らかにしました。そこで後処理をGPU上で再構築してクリティカルパスから外し、整流フローの評価オーバーヘッドを減らし、評価回数を76回から8回に蒸留しました。同じ出力設定で1アセットの中央値時間は133秒から4.05秒に短縮され（約33倍）、2,653個のToys4Kテスト対象でも法線指標などはほぼ維持されています。
説明専門家の意見の不一致が害をもたらすとき：LLMの判断修正における権威性と選択性
要約本研究は、問い・証拠・モデルの初回回答を固定し、修正時の文脈（中立的な振り返り、匿名の不一致、専門家に帰属させた不一致）だけを変える二段階の統制された監査を行っています。医学・科学・法律の1,989件の根拠に基づく判断を五つのモデルで検証したところ、専門家の不一致の下では正答率を上げるための選択性の基準を満たすモデルはなく、正答率は最大16.1ポイント低下しました。専門家というラベルは改定の回数を増やしますが、正答率への影響は5.2ポイントの低下から2.4ポイントの上昇までばらつくため、改定回数は害の良い指標ではありません。
注目点双パス監査と選択性の厳密な閾値 a/(1-a) を提案し、同一論拠でも専門家ラベルが反転率を高めることを、5モデル・1,989件で報告。
説明強化学習に基づくエッジ勾配拡張による時系列グラフのリンク予測
要約本論文は、エッジの出現と消滅というイベントを明示的に符号化し、方策駆動型の強化学習によって情報量の多いエッジスナップショットを動的に選択・拡張するエッジ勾配強化学習（EG-RL）フレームワークを提案している。複数の動的グラフデータセットでの実験により、ROC曲線下面積と平均適合率の大幅な向上が示された。アブレーション実験では、適応的なエッジ勾配拡張と各符号化・強化学習機構の有効性が確認されている。
説明多様体吸引フローマッチング：連続的な幾何力学による物理制約付きサンプリング
要約本論文は、学習データで見られなかった等式制約の下で科学データを生成するための、多様体吸引フローマッチング（MAFM）を提案する。常微分方程式により持続的なアンカーを連続的に変化させ、制約多様体へ解析的に引き寄せることで、学習済みの物理構造を保ったまま制約違反を縮小する。幾何学および偏微分方程式のベンチマークでは、一部の制約誘導型ベースラインより生成品質が高く、制約残差も小さいことが示された。基礎となる生成モデルを再学習する必要はない。
説明側方回路による予測符号化での自然勾配学習
要約本論文は、標準的な予測符号化（PC）に側方回路を加えた「Natural PC」を提案する。この回路により、時間的・空間的に局所的な正確で効率的な自然勾配学習が可能になる。側方回路はFisher情報行列を決める活動の相関を学習し、その逆行列を暗黙的に計算するため、高コストな行列逆変換を避けられる。論文によれば、画像再構成のベンチマークにおいて既存のPC手法より標本効率と計算効率が高く、ImageNetにも拡張でき、AdamWなど各種二次最適化手法で学習した誤差逆伝播法と同等の性能を示す。
説明MuSeToM：六つの感覚の文章的手がかりによる信念修正の多感覚評価ベンチマーク
要約本論文は、心の理論推論における認識的信念修正を評価するための、人手で検証されたテキストベースのベンチマークMuSeToMを提案している。BigToMとOpenToMから改変した2,415件の事例を含み、文章的手がかりは六つの感覚カテゴリにわたる。モデルが登場人物はいつ信念を修正すべきかを判断し、更新後の信念状態を推論できるかを検証する。評価の結果、モデルは信念が変化しうることには気づくものの、更新後の信念を特定するのに苦労し、知覚的に目立つが認識的には不十分な手がかりに基づいて過剰に更新することが多いことが示された。
説明推論と環境の協調によるLLMエージェントのバッチ完了時間の短縮
要約本論文は、LLMエージェントのバッチ処理（ベンチマーク評価、合成データ生成、RLのロールアウトなど）において、推論と環境とのやり取りが交互に行われる点に着目し、バッチ全体の完了時間（メイクスパン）を短縮する協調的な最適化手法を提案しています。ハイブリッドLLM向けのGPUメモリ配分、軌跡を考慮したルーティングとスケジューリング、環境容量が制約される場合のChain-Advancing Action Scheduling（CAAS）が含まれます。Ling-3.0-FlashとLing-3.1-Flashを用いた評価では、評価スコアを維持したまま完了時間が10.4%から65.0%短縮されたと報告されています。
説明MuViRL：校正済み視点集約による多モーダル視点不変の視覚音声表現学習
要約本論文は、自己教師あり学習の枠組みMuViRLを提案し、校正された視点集約によって多モーダルで視点に不変な視覚音声表現を学習する。同期した3Dガウシアン視点合成とマルチモーダル自己教師あり学習を組み合わせ、実データと合成データから一貫した表現を得る。実験では、異なる視点間での表現の一貫性と視覚音声認識の性能が向上したと報告されている。
説明欠落した導関数を学習する：逆ボリュームレンダリングのためのニューラル多重散乱オペレータ
要約本論文は、多重散乱場をニューラルオペレータで予測し、逆レンダリングの中でその導関数を求める手法を提案します。透過率と単一散乱は直接計算します。最適化中に訪れる密度状態で導関数が不正確になる問題に対し、オペレータ駆動の逆問題で生成された状態上で、モンテカルロ散乱場を教師信号として微調整を行います。未学習の光学的に厚い雲で、同じ時間では凍結ソース断層撮影より再照明が改善し、より多くの時間を与えた場合には可微分パストレーシングを上回ると報告しています。
説明心電図の異常検知のためのGNN強化型TCNアルゴリズム
要約本論文は、時系列データに有向グラフの構造を与え、グラフニューラルネットワーク（GNN）をこの文脈で利用する道を開くものです。著者らは、通常の時間畳み込みネットワーク（TCN）とGNNの機能を統合する新しい幾何学的深層学習モデルを含むパイプラインを開発し、心電図信号の異常検知問題の解決を目指しています。
説明InertiaMPDD：感情の慣性にもとづく動的モデル化による、マルチモーダルな個別化うつ病検出
要約本論文は、音声・視覚的行動・言語というマルチモーダル情報からうつ病リスクを推定するInertiaMPDDを提案する。感情の慣性（情動の持続性）に着想を得て、ワールドモデル風の潜在予測器で健常な次状態のパターンを学習し、参照からの逸脱、残差減衰率、ヤコビアンのスペクトル記述子を算出する。4つのデータセットの5コホートで評価され、融合モデルはD-Vlogで98.41％、LMVDで84.98％のF1値を達成した。
説明無人機チャネル予測器の迅速な適応のための、測定により校正された合成事前学習
要約本論文は、目標飛行で短い校正区間しか得られない場合に無人機のCSI予測器を素早く適応させるため、測定により校正された合成データによるオフライン事前学習を検討している。合成データは飛行データに基づき電力変化、時間的形状、周波数選択性、位相擾乱を校正し、実測の源飛行データによる微調整と組み合わせて用いられる。時系列順に分けた留保飛行データでの評価では、合成から実測への微調整により、有効な予測に必要な実測データ量が削減されることが示されている。
説明行動を見直す：世界モデル計画のための連続性を考慮した事前分布
要約本論文は、専門家のデモンストレーションにおける行動に時間的構造があるかを検討し、五つの環境で順序通りの行動と並べ替えた行動を比較して、その依存性を確認しています。提案手法LG-DKGPは、直近および長めの実行済み行動履歴を組み合わせ、ニューラルな継続を予測し、時間的ガウス過程の残差を学習します。五つのシミュレーションタスクにおける宏観成功率は87.07%で、INTACTの71.03%、PRISMの61.66%、LeWMの58.66%を上回りました。
説明ドリフトによるデータセット蒸留：少数の合成サンプルで大規模データセットを置き換える手法
要約本論文は、大規模な実データセットの代わりに下流タスクで使える少数の合成サンプルを学習する、新しいデータセット蒸留手法を提案します。分類目標を用いず、特徴抽出器の潜在空間で合成データを実データに近づけつつ互いに遠ざけ、各クラスのデータ分布を直接近似させます。著者らは、既存手法より実分布をよく被覆しつつ分類学習にも有効であり、モデルの可視化ツールとして使えること、画像以外のモダリティにも拡張できることを示しています。
説明分解型JEPAによる非対称マルチモーダル学習
要約本論文は、モダリティ間で情報が非対称な場合、マルチモーダル表現学習においてクロスモーダルアラインメントだけを目的とすると情報が失われることを示している。共有コアと各モダリティ固有の私的ファイバーに潜在表現を分解する分解型JEPA（D-JEPA）を提案し、アラインメントで失われた情報を私的ファイバーで回復させる。組み合わせ推論ベンチマークで、アラインメントのみや再構成を加えた基線を大きく上回る精度を示している。
注目点整合冗長性の境界を示し、潜在表現を共有コアと私有ファイバーに分解するD-JEPAを提案し、合成推論ベンチマークで検証、マルチモーダル表現学習に影響しうる。
説明IEEE 802.11bnネットワークにおける拡張可能な複数アクセスポイント協調のための機械学習
要約Wi-Fiの展開が高密度化すると、完全分散型のランダムなチャネルアクセスでは必要な品質を保証できなくなります。本論文はIEEE 802.11bnで導入された複数アクセスポイント協調（MAPC）の枠組みを対象に、どのアクセスポイントが同時に送信し、どのように設定するかを決める方法を扱います。軽量な階層型多腕バンディット（H-MAB）から、グラフニューラルネットワークとフローマッチングに基づく生成的パイプラインまでの機械学習手法を提案し、シミュレーションとハードウェア試験環境で評価しています。その結果、従来のアクセス方式よりスループットが向上し、数十台のアクセスポイントへの協調にも拡張できることが示されています。
説明契約のチェーホフの銃は、それでも発砲する：テキストから画像モデルにおける過剰実現
要約本論文は、テキストから画像を生成するモデルで、プロンプトが言及しただけの対象が、要求されていない形で画像に現れる失敗を扱う。著者はこれを過剰実現と呼び、四つの状況に対応する698件のプロンプトからなるOverReal-Genと、人手で注釈された2,841枚の生成画像からなるOverReal-Detを構築した。八つのシステムの評価では、いずれも過剰実現を起こし、CLIPScoreなどの従来指標はこの失敗を罰するどころか評価してしまうことが示された。
説明安全を予算として扱う：視覚言語モデルの制約付き GRPO における制御チャネルの校正
要約本論文は、強化学習で視覚言語モデル（VLM）に有害な画像・テキスト要求を拒否させる方法を扱います。有害な支援率と過剰拒否率を予算として定式化し、GRPO 内でラグランジュ乗数により強制します。スコアラーの平均偏りが乗数の収束・飽和・停止を左右すること、また標準的な GRPO の群内標準化が乗数の効果を打ち消すことを示しています。そこで二系統の制約付き GRPO を提案し、基礎報酬には生のスコアを残し、罰則と制約推定は判定者ラベルで学習した単調写像を通し、優位性には乗数を保持します。Qwen3-VL-2B で、1,037 件の敵対的プロンプトに対する有害率は標準 GRPO の 8.9% から 4.8% に下がりました。
注目点新規性は、制約付きGRPOにおけるスコアラーの平均バイアスと正規化によるラグランジュ乗数の打ち消しという二つの問題を指摘し、二チャネル修正を提案した点にある。Qwen3-VL-2Bで1,037件の敵対的プロンプトと400件の良性クエリにより検証し、有害率は8.9%から4.8%へ低下したと報告。
説明Folio：長期タスク向け言語エージェントのための、復元可能な多段階コンテキスト折りたたみ手法
要約本論文は、履歴が文脈ウィンドウを超えて長期タスクを続けられなくなる言語エージェントの問題に対し、Folioという文脈管理手法を提案している。Folioは実行中に、モデルが通常の返答の一部として書く短いターンメモ（L1）、ランタイムが記録する各呼び出しのイベント一覧（L2）、取得された元の記録（L3）の三層を相互に関連づけて保存する。古いターンほど粗い表現を選んで折りたたみ、L2とL3を指すハンドルを残して証拠を取り出せるようにする。LOCA-bench の75タスクでは、Folioが66タスクを解き、同じランタイムでモデル生成の圧縮を用いた場合の54や、Claude Code、Codex、SoL-Piの49〜59を上回った。
説明DySR-GNN：自動車HiL多変量時系列の根本原因分析のための動的センサー関係グラフニューラルネットワーク
要約本論文は、自動車のハードウェア・イン・ザ・ループ（HiL）システムにおける根本原因分析を扱い、多変量時系列に対する教師あり多ラベルの根本原因識別手法DySR-GNNを提案しています。個々のセンサー信号の時間的パターンとセンサー間の構造的関係を同時に抽出し、入力ウィンドウごとに疎な関係グラフを再構成します。録画単位で分割した評価において、比較対象モデルより高い性能を示し、センサー変数間の持続的な関係と状態依存的な関係が学習されたグラフから確認できたと報告しています。
説明低リソース手話辞書における手話検索の研究
要約多くの手話は注釈付きコーパスがなく、単語ごとに一、二本の例示動画を持つ小規模な辞書しかありません。本研究では、アメリカ手話（ASL-Citizen）で学習した姿勢エンコーダを、対象言語での学習を行わずに六つの他言語の手話データセットに適用して評価しています。単一例の検索精度は、学習を伴わない手法やASLで学習したOpenHandsより高く、目的関数と身体・両手間の注意機構の遮断が重要な要素だと示されています。
説明中性子画像の超解像のための改良型CNN-Transformerネットワーク
要約中性子画像は解像度が低くノイズやエッジのぼけが多いため、高精度な解析に向かない場合があります。本論文では、畳み込みニューラルネットワーク（CNN）とTransformerを組み合わせた超解像モデルを提案します。実画像で微調整した画像復元モデルで参照画像を作り、改良したCRAFTベースのネットワークで学習させます。シミュレーションでは、双三次補間やSRCNN、SRGAN-VGGなどより優れた結果が示されています。
説明Unibuc - NLPチームによるPAN 2025「Voight-Kampff」生成AI検出タスクへの取り組み
要約本論文は、CLEF 2025のPANにおける「Voight-Kampff」生成AI検出タスクに対するUnibuc - NLPチームの手法を説明しています。サブタスク1では、大規模言語モデルから抽出した埋め込みを用い、従来の機械学習モデルと分類ヘッドを付けて微調整する手法を比較しました。従来モデルの多数決アンサンブルは微調整と同程度で、F1スコアは約99.4%でした。サブタスク2の人間とAIの協働テキスト分類では、トランスフォーマーの各層の特徴を組み合わせましたが、結果は限定的でした。
説明解釈可能な上肢運動脳波分類のための二分岐グラフ・畳み込みネットワーク
要約頭皮脳波から上肢運動と安静を区別するための二分岐型深層学習モデルを提案している。グラフ分岐は61個の電極を解剖学的に意味のある領域にまとめ、その空間的関係を学習する。畳み込み分岐はEEGNet型の構造である。Ofner上肢運動データセットでの留め置き被験者交差検証で、被験者平均のF1スコアは0.74±0.06だった。学習されたグラフを分析すると、最も強い結合が見られたのは左頭頂葉低部領域（電極P1とP3）で、これは右腕の運動とは反対側に位置する。
説明低データ医用画像分類の民主化に向けて：CPUで学習可能なZACH-ViTとその幾何学的変種
要約本論文は、資源が限られた環境での医用画像分類を扱い、線形、ユークリッド原型、ポアンカレ、球面の各分類ヘッドを持つ4種のZACH-ViT変種と、2種のコンパクトな多重インスタンス学習ベースラインを比較している。すべてのモデルは26万個未満のパラメータで最初から学習され、七つのMedMNIST+データセットと三つの外部ベンチマークで評価された。結果は、紧凑なモデルの性能がタスクや学習条件に依存することを示し、試験環境でCPUのみによる学習が実行可能であることを確認している。
説明Singularity-Bench：エージェントはエージェントを構築できるか？自律的AI開発能力を測るベンチマーク
要約本論文は、自律的なAI開発を評価するオープンエンドのベンチマーク「Singularity-Bench」を提案しています。事前学習、中間学習、事後学習、推論、エージェントハーネス、クラスタ管理にわたる6つのエンドツーエンドのタスクを含みます。エージェントは最小限の出発点から中核システムを実装し、同一ハードウェア上で成熟した人手による基準実装と比較されます。さらに、レッドチーミングにより従来のHarborフレームワークの報酬ハッキングの脆弱性を明らかにし、それを防ぐ拡張版Breakwaterを開発しました。Claude Codeを用いたOpus 5.5は6つのタスクすべてで人間の基準と同等以上となり、Singularity-Indexは1.25でした。他のエージェントの平均は0.58でした。
注目点エージェントに事前学習からクラスタ管理までのAI開発を端から端まで実装させ、評価フレームワークの報酬ハッキングを発見した点が新しい。6タスクで人間のベースラインと比較している。
説明AstroMemBench：宇宙機搭載型エージェントの記憶システムを評価するベンチマーク
要約本論文は、宇宙機の具現化エージェントが用いる記憶システムを評価するベンチマーク「AstroMemBench」を提案する。惑星表面作業、軌道上サービス、深宇宙探査の3分野にわたる9タスク、16の記憶サブ課題、2240のインスタンスで構成される。6つの構成を比較した実験では、Mem0などの記憶システムとRAGはいずれも原生のPi Agentより同一セッションの平均スコアを改善したが、記憶システム3種にRAGに対する明確な優位性は見られなかった。セッション再開後はMem0がRAGを12.25点上回った。ベンチマークと評価コードは公開されている。
説明大規模言語モデルをデジタルツインとして評価：分布を考慮した質問紙ベースの検証
要約本論文は、大規模言語モデルが特定の個人になりかわって性格検査の質問に答えられるかを検証している。利用者のSNS投稿をもとに、モデルがBFI-2-60（ビッグファイブ性格検査）に利用者本人として回答し、その予測結果を実際の得点と比較する。評価対象はGPT-4、Gemma、Llama 3.1、Mistralで、データセットはMyPersonalityである。結果として、利用者の文章を与えても予測精度は一貫して向上せず、モデルは性格得点の中央付近では比較的良く予測できる一方、両端では誤差が大きくなる傾向が示された。全体として、評価したモデルは特定の個人の質問紙への回答行動を一貫して再現できなかった。
説明ReFineR：点スプラッティングによる単一画像と高密度点群のピクセル単位の精密位置合わせ
要約本論文は、カメラとLiDAR（ライダー）のデータを、大まかに推定されたカメラ姿勢を基に位置合わせする課題を扱います。提案手法ReFineRは、事前に再構成された点群に単一画像を精密に合わせるオフラインの枠組みで、微分可能な点スプラッティングによるラスタ化と平滑化された勾配方向指標（GOM）を用い、分析・合成型の最適化でカメラ姿勢を反復的に修正します。手動で較正した画像からなるデータセットで評価を行い、最適化の前に点群のスケール係数を自動推定できることも示しています。
説明細部は全体を助けるか？JRDB-Social における VLM の個人行動から集団意図への一方向転移
要約本論文はJRDB-Socialデータセットで視覚言語モデル（VLM）を用い、個人の行動と集団の意図を同時に学習させると両方が改善するという仮定を検証する。Qwen3.5 などのモデルを複数の学習条件で微調整した。行動を先に書くと意図のマクロF1が30.1から31.0へ、意図を先に書くと31.2へ上がる一方、行動のF1はほぼ変わらなかった。意図の向上には画像に基づいた正しい行動が必要で、情報は行動から意図への一方向にのみ伝わる。
説明ActWorld-JEPA：エンドツーエンド自動運転のための行動条件付きJEPA世界モデルと潜在空間プランニング
要約本論文は、ピクセル再構成を用いずに潜在空間で将来を予測するJEPAを、自動運転の候補軌道選択に結び付けるActWorld-JEPAを提案している。PC-JEPAとR³による残差補正を組み合わせ、NAVSIM v1・v2およびnuScenesでの評価結果を報告している。
説明HALight：車線レベルの観測欠損下における交通信号制御のための異種マルチエージェント強化学習
要約本論文は、車線単位の観測データが欠損している状況で交通信号を制御するためのフレームワーク「HALight」を提案している。交差点ごとの構造の違いに対応する観測・行動モデルを用い、観測が一部欠けた際の空間情報を補うため軽量な一段近傍通信モジュールを組み込んでいる。さらに、異種エージェント間の協調を高めるために逐次的な方策更新方式を採用している。二つの実世界の道路網での実験において、交通効率と収束の挙動で代表的な同種・異種ベースラインを上回ったと報告している。
説明SPARC：代表ベクトルによる高精度なフォトニック行列積演算
要約フォトニックニューラルネットワーク加速器は、アナログのフォトニックハードウェアで行列積を実行し、DNN推論の消費電力を抑える手法として注目されています。しかし、フォトニック処理に必要な低ビット量子化とアナログノイズにより推論精度が制約されます。本論文では、DNNの活性化ベクトル同士の高い類似性を利用して精度を高める手法を提案します。類似したベクトルの各グループについて代表ベクトルを作り、その内積をデジタルで高精度に計算し、残りの内積をフォトニック加速器に任せます。残差ベクトルはノルムが小さくなるため、量子化誤差とノイズの影響が減ります。6つの代表的なDNNモデルでの実験により、様々なネットワーク構造と応用分野で推論精度が向上することが示されました。
説明SignSGDがSGDを上回る条件と仕組み：関数スケーリング則からの考察
要約本論文は、符号演算子と勾配ノイズの相互作用が、符号ベースの最適化手法（SignSGD）の学習ダイナミクスとスケーリング挙動にどう影響するかを検討しています。べき乗則カーネル回帰（対角特徴量）において、一般的な学習率スケジュール下でSignSGDの関数スケーリング則（FSL）を導出し、学習を信号の学習と雑音の忘却の二つの過程で記述しています。勾配ノイズが符号演算子を平滑化して実効的な前処理付きSGDを生じさせ、有効なヘシアンがHからH^(1/2)に変わるとしています。SGDと比べると信号の学習は速く、雑音の忘却は遅く、比較結果は課題の難易度とバッチサイズに依存します。
説明類似性を用いた近似ネットワーク対称性検出の最適化戦略
要約本論文は、複雑ネットワークにおける近似的な対称性を検出する際に、ノード間の類似性情報を用いて探索を導く方法を検討している。焼きなまし法、遺伝的アルゴリズム、禁忌探索などの最適化手法を類似性誘導版に改良し、双線形埋め込みで軟割り当て行列を学習するBASINを提案している。合成グラフ、脳コネクトーム、既知の自己同型群を持つ三つの実ネットワークで比較した結果、類似性誘導の効果は状況によって異なり、禁忌探索が全体として最も高い性能を示した。
説明Pl@ntNetマシン間植物同定サービスとAPI：大規模な植物同定による自動化された生物多様性モニタリングの実現
要約本論文は、Pl@ntNetのマシン間AI植物同定サービスを紹介しています。アプリケーションプログラミングインターフェース（API）を通じて植物認識モデルへプログラムからアクセスでき、人手を介さず自動化された処理ワークフローに組み込めます。このサービスは世界の85,000種を対象とし、種予測精度は0.89、人手を介する方法より666倍速く画像を処理するとされています。さらに、iNaturalistの昆虫写真から植物とポリネーターの相互作用データセットを作成する再現可能な例も示しています。
説明顔提示攻撃検出のための文脈予測型低ランク適応（CP-JEPA）
要約本論文は、実人物と偽造顔を区別する顔プレゼンテーション攻撃検出のため、CP-JEPAという適応フレームワークを提案している。事前学習済みCLIP画像エンコーダを低ランク適応（LoRA）で調整し、マスクされた空間位置で完全画像の教師特徴を予測する結合埋め込み予測目標を組み合わせる。推論時にはLoRA適応済みの視覚エンコーダと二値分類器のみを使用する。OCIMベンチマークでの平均HTERは3.74%、平均AUCは98.73%である。CelebA-Spoofを学習に加えると、平均HTERは3.45%から2.35%に低下した。
説明AIは数学の証明に独自のスタイルを持つ
要約本研究は、3つの大規模言語モデルにユークリッド『原論』の全465命題をそれぞれ独立に証明させ、引用の選び方を人間による証明と比較したものです。AIが生成した証明同士の類似度は、AIと人間の証明の間の類似度よりも明らかに高く、この違いは安定して再現されることが示されています。AIは定義・公理・公準といった基礎的要素を直接引用する割合が高く、後に確立された定理を引用することは少ないとされ、著者はこの傾向を「基礎から組み立てる」と呼んでいます。
説明『委任の迷路で：生成型検索におけるタスクオーケストレーションの有効性の研究』：大規模言語モデルが作業を外部ツールや他のモデルに委任することが本当に有効かを調べる研究
要約本論文は、大規模言語モデルが外部ツールや他のモデルに作業を委任するエージェント方式の効果を検証しています。著者らは知識のカットオフ前後で分けた専用データセットを用い、複数の委任方式を比較しました。その結果、委任によって正答率が一貫して向上するわけではなく、効果はモデルやタスクによって異なることが示されました。オーケストレーション側のモデルが把握していない情報を扱う場合、委任は正答率を大きく下げる一方、同じモデルが直接ツールを使う方が良い結果になりました。
説明ZONOS3-Mini 技術報告：超小型のゼロショット音声クローン音声合成モデル
要約ZONOS3-Mini は、超小型・超高速のゼロショット音声クローン対応の音声合成（TTS）モデルです。ノートパソコンやスマートフォン上でリアルタイムに動作します。主幹部には、パラメータ数886M（トークンあたり100M が有効）の潜在 MoE 構造を採用し、新しい音声コーデック Zyphra Audio Codec 1（ZAC-1）は 44.1 kHz の音声を 15 Hz のフレームレートで表現します。新しいベンチマーク ZTTS2-Eval の 55 言語セットでの平均単語誤り率は 6.71% で、より大規模で低速な先進モデルに匹敵すると報告されています。モデルの重み、推論コード、学習コードも公開されています。
説明大規模言語モデルと最適化エージェントを組み合わせた、要救助者捜索任務におけるドローン運用計画の方式
要約本論文は、山野での要救助者捜索に用いるドローンの運用計画を扱います。地上管制局のエージェントが、捜索サイクルごとに複数のドローンを調整する仕組みを提案しています。各サイクルでは、大規模言語モデルで捜索場所を推論し、エネルギー制約のもとで各ドローンの派遣方法を最適化器で決定します。シミュレーションでは、提案手法が捜索任務を一貫して完了した一方、大規模言語モデルを使わない6つの比較手法はいずれも完了できず、大規模言語モデルによる直接的な調度は信頼性が大きく下がると報告されています。
説明RESYNC：期限付きストリーミング推論のための残差潜在状態同期手法
要約本論文は、高頻度データストリームで期限内に逐次予測を行うための手法RESYNCを提案します。大規模モデルは非同期でバックグラウンド実行され、高速パスは前回の計算以降に受信した観測を用いて、正確だが古くなった潜在状態を更新し、変更しない予測ヘッドを適用します。更新器はタスクラベルなしで、凍結されたモデルの表現から学習します。実時間リプレイでは、RESYNCは到着データの少なくとも99.4%を期限内に処理し、単一CPUスレッドでの中央値遅延は0.35〜0.62ミリ秒でした。
説明PISim：ハードウェア対応のクロスレイヤー設計空間探索のための統合フォトニック推論シミュレータ
要約本論文は、事前学習済みのディープニューラルネットワーク実行と、6種類の加速器アーキテクチャ、6種類の電気光学変調器技術、4種類の光源構成、直接型またはコヒーレント型の読み出し方式の物理モデルを結合した統合シミュレータPISimを提案している。量子化、消光比、ショットノイズ、相対強度雑音、熱ドリフト、伝搬損失、チャネル間クロストークといった劣化要因をモデル化し、電気光学のボトルネックを把握するための時間モデルも備える。MNIST多層パーセプトロンによる評価では、複数の劣化条件下でMach–Zehnder型およびマイクロリング型変調器の最適精度が6ビットであること、VCSELアレイと並列ファンアウト型レーザ構成の間に52.5ポイントの精度差があることが示された。
説明UniSpark：マルチモーダルな理解と生成のためのハイブリッドアテンションの検討
要約本論文は、視覚的理解と生成のためのハイブリッドアテンションを検討した統一マルチモーダルモデルUniSpark-9Bを提案している。完全アテンションとGatedDeltaNet線形アテンションを組み合わせ、Mixture-of-Transformer-Expertsを基盤としている。視覚質問応答、テキストからの画像生成、指示に基づく編集、図文交互生成に対応し、MME-Sで2470.3、GenEvalで0.83を記録した。
説明PiLLVD：市販カメラで撮影した動的シーンの実world低照度動画データセット
要約本論文は、Raspberry Piベースのマルチカメラシステムと市販カメラで撮影した、実世界の低照度動画ペアデータセットPiLLVDを提案する。屋内外の動的シーンにおいて、低照度動画と位置合わせされた通常照度の参照シーケンスを提供し、さまざまな照明条件下での人や物体の動きを含む。さらに、事前学習済みの代表的な低照度動画強調手法をゼロショット設定で評価し、既存手法が各シーケンスで一様には汎化しないことを示している。
説明時系列予測のための導関数表現による時間的ダイナミクスの学習
要約本論文は、時系列の離散導関数表現に基づく動的認識型の予測フレームワーク DeltaTSF を提案します。系列とその離散的な時間導関数を入力区間と予測区間にわたって統一的かつモデル非依存的に同時学習し、時間的な一貫性を保つことを目指します。多様なベンチマークと複数のバックボーンで、予測性能の向上と、より動的に整合した予測が得られたと報告しています。
説明SignRot：大規模外れ値を考慮した符号調整回転による大規模言語モデルの量子化手法
要約本論文は、大規模言語モデルの量子化において、大規模な外れ値活性化が低ビット表現を妨げ、Hadamard 変換に基づく回転手法では分布が断片化することを指摘している。提案手法 SignRot は、大きな外れ値チャネルを特定し、対応する Hadamard 行の符号をそろえる符号調整ベクトルを構成して、双峰分布を単峰分布に変える。非対称活性化量子化と組み合わせ、校正の順伝播は 1 回で済み、推論時は要素ごとの符号反転のみを追加する。QuaRot に適用した結果、LLaMA3-70B で WikiText2 のパープレキシティ 5.88、平均ゼロショット推論精度 72.73 を報告し、SpinQuant を上回ったとしている。
説明EvenVLM：エヴェン語（ラムート語）のテキスト・マルチモーダルデータセットと視覚言語モデルの微調整に関する研究
要約本論文は、シベリアで話される消滅危機の北ツングース語派言語エヴェン語（ラムート語）を対象とした、初のテキストおよびマルチモーダル（視覚質問応答）データセットEvenVLMを提案する。辞書と会話集から抽出したエヴェン語－ロシア語の構造化エントリ50,521件をもとに、翻訳、文法、読解、意味分類にわたる107,543件の学習用例を合成している。さらに三段階のトークナイザ拡張手法を提案し、単語あたりの平均トークン数を4.99から3.64に減らした。Qwen3-VL-4BをLoRAで微調整した結果、視覚質問応答の精度は65%に達した。
説明午後ひとつで型付き意思決定モデルを再校正する：Laya の信頼度スコアのための実践レシピ
要約本稿は、Laya のような型付き意思決定モデルが出力する信頼度を再校正するための実践チュートリアルです。測定、診断、フィッティング、検証、デプロイの5段階の手順を、標準的な手法を用いた約130行の numpy コードで示しています。1,065件の合成かつ LLM によりラベル付けされたデータでは、問題の種類と選択肢数で分けたバケット単位のマクロ ECE が 0.143 から、バケットごとの交差温度により 0.073 へ改善しました。結論は、試された検査点とデータに限られます。
説明判断エンコーダーはLLMでラベル付けされた行をどれだけ必要とし、ラベルはどこまで誤ってよいのか
要約本論文は、Laya（ModernBERT-large）のような判断エンコーダーの学習に、LLMが作成した学習行がどれだけ必要か、またラベルの誤りがどこまで許容されるかを調べたものです。2,818行のプールの入れ子になった部分集合で19回の微調整を行い、同じ生成元による1,065件の未見項目で評価しています。結果として、正解率は学習データの増加とともに上がり、曲線は平坦になります。
説明ReA-Bench：責任あるエージェントの監査を評価するベンチマーク
要約本論文は、エージェントの責任ある振る舞いを監査するための診断用ベンチマーク「ReA-Bench」を提案しています。監査の課題は、内部の安全知識、軌跡内の矛盾、長文脈での証拠検索、情報源と推論の検証、間接的な誘導、情報の欠落という六つの階層に整理されています。リスクに見えても作業内容と許可に沿った良性の事例も含まれ、サンプルの多くは実際の本番環境の軌跡から選ばれています。
説明時間と空間：個人エージェント向けの二軸・証拠基盤型コンテキスト基盤
要約本論文は、個人エージェントの制約はモデルの能力よりも文脈の表現形式にあると論じる。時間軸と関係的な空間軸の二軸で定義される時空間コンテキスト（STC）を提案し、各関係を不変の原資料に結び付けることを求める。形式化された基盤と六つの不変条件、冲突検出、四つの利用類型を示し、SQLiteベースのローカル試作で341文書を対象に検索層の測定を報告している。
説明HeMeR：構造化KVキャッシュ再利用による埋め込みエージェントの異種メモリ整合
要約本論文は、埋め込みエージェント向けの推論フレームワークHeMeRを提案する。動的に更新される宣言的・手続き的・作業メモリの間でKVキャッシュの整合を行い、変化のない内容のKV状態は保持し、メモリ更新の影響を受ける部分だけを再計算する。実ロボット環境ではタスク成功率83.20%を達成し、MemRLと比べて1ステップあたりの推論時間を2.94秒から1.87秒に短縮したと報告している。
説明Contain, Conform, Compare（拡張版）：小規模コーディングエージェント向けのレッドチーム評価キットと全実験記録
要約本論文は、小規模なコーディングエージェント（Gemma 4 E4B）を評価するためのローカル評価キット drydock-eval を紹介します。ネットワークのないコンテナで各ジョブを実行し200件の脱出テストを通過した隔離機能、公式採点の設定と照合する8項目のチェック、リポジトリ単位のクラスタを考慮した対応統計を含みます。9,660件のエージェント実行記録や採点対照などの全記録も公開されており、いくつかのプロンプト変更の検証は新しいタスクで確認されませんでした。プロンプトとエージェント構成は非公開です。
説明同一モデルの二つの精度：量子化コピー同士の不一致は小型モデルの誤りを示すか？
要約本研究は、同じ重みの二つの精度（回答する8ビット版と同じ問題を読む低精度版）の不一致が、回答保留・上位モデルへの切り替え・再質問のための問題ごとの誤り指標として機能するかを検証しています。Qwen3-0.6BとQwen3-1.7Bで、ARC・MMLU・HellaSwagの部分集合から計8,398問の選択式問題を用いて評価しました。分歧指標による改善は限定的で、重みノイズや特徴量のシャッフルとの比較から、量子化に特有の信号とは言えないことが示されています。
説明一回のパスで判定するエンコーダは入力のどこを見ているか
要約本論文は、小型モデル Laya が一回の順伝播で文章に関する多肢選択問題に答える際、512 トークンの窓を超えた根拠が切り捨てられる問題を調べています。177 件のテスト項目、5 種のタスク、3 つのチェックポイント、93,275 件の評価リクエストで測定しました。根拠が窓の外にある場合、精度は約 26.4% まで低下し、推測の水準に近づきます。モデルの確信度では切り捨てられたリクエストと読めたリクエストを区別できません。
説明「話しすぎて、聞けていないロボット」：社会的ロボットとの音声対話の課題を考える
要約この短い論文は、社会的ロボットとの対話で音声認識と発話順番交代（turn-taking）を改善するための従来の手法を振り返っています。音声認識は大きく進歩したものの、発話順番交代の失敗や誤解はなお多いと指摘しています。著者は、順番交代の失敗頻度を減らすには、マルチモーダルな双方向ストリーミング処理（multimodal bidirectional streaming）が必要だと主張しています。
説明計画エージェントは探索空間をどう再構成すべきか？
要約計画エージェントやベンチマークは、ユーザーの最初の要求を固定されたものとして扱ってきた。本論文はこの再構成を ReSHAPE タスクとして定式化し、修正後の探索空間が受け入れ可能な計画を含み、計画器がそこから解を見つけられるかで評価する。旅行と買い物の分野で経路修正された5,800件の仕様を分析した結果、正しいトレードオフを一つ加えると同じ計画器が許容可能な計画に到達する確率が最大4.6倍になった。現行のエージェントは選好を尋ねるより計画を提示する方が効果的であることも示された。
説明最先端技術（State of the Art）から人間の予測アルゴリズムへ：インタラクティブアートと軌道予測を例に考える
要約本論文は、インタラクティブアートと人間の軌道予測アルゴリズムを例に、モデルの定量的性能が向上する一方で、人間の行動や将来の思考、社会的相互作用への配慮が数値の陰で減りつつあると指摘する。知覚、相互作用、タイミングの三つの観点から、両分野の構造と発展の共通点を分析している。さらに、芸術に着想を得た予測アルゴリズムがデータから人間行動の興味深いパターンを導き出せることも示している。