arXiv雑要約
AI - 2026/03/24 公開
UASTrack：モダリティカスタマイズによる統一適応選択フレームワーク（単一物体追跡） [cs.CV, cs.AI]目的：単一物体追跡における統一的適応選択
- 多様なセンサー情報を活用することで，物体外観の変化による追跡の課題を克服することが重要である。
- 既存のRGB-Xトラッカーは，個別のRGB-Xペアに特化した学習戦略に依存するか，モダリティ適応的な知覚の重要性に対応できていない。
- 異なるモダリティ間の適応的な識別と最適化を通じて，実用的な多モダリティ追跡を実現することを目指す。
- UASTrackは，モデルとパラメータの統一と，多様な多モダリティ追跡タスクにおける適応的なモダリティ識別を可能にするフレームワークである。
- Discriminative Auto-Selector（DAS）により，補助モダリティのデータ分布を識別し，モダリティ適応的な知覚を実現する。
- Task-Customized Optimization Adapter（TCOA）により，各モダリティの特性に基づきノイズをフィルタリングし，背景干渉を軽減する。
TimeXL：LLMを活用した説明可能なマルチモーダル時系列予測 [cs.LG]目的：マルチモーダル時系列予測における予測精度向上と解釈可能性の提供
- 時系列分析は，現実世界のシステムダイナミクス理解と意思決定に不可欠である。
- 既存手法では，時系列以外の情報源からの豊富な文脈信号が無視されることが多い。
- LLMを活用し，時系列予測の精度と解釈可能性を向上させることを目指す。
- TimeXLは，時系列とテキスト入力を処理し，予測と根拠を提供するプロトタイプベースのエンコーダを用いる。
- 予測LLMがエンコーダの予測と説明を基に予測を洗練し，リフレクションLLMが予測値と真値の不整合を検出する。
- 実証実験により，TimeXLはAUCを最大8.9%改善し，人間中心のマルチモーダルな説明を生成することが示された。
大規模言語モデルの分析レベル [cs.CL, cs.AI]目的：大規模言語モデルの理解のための分析枠組み
- AIの進化に伴い，その内部メカニズムの解明が不可欠となっている。
- 大規模言語モデルは高度だが，その動作原理が不明瞭である。
- 認知科学の手法を用いて，大規模言語モデルの理解を深めること。
- 本研究では，認知科学における分析レベルの概念を大規模言語モデルに適用する枠組みを提案する。
- David Marrが提唱した分析レベルに基づき，各レベルでの認知科学的手法を再検討し，大規模言語モデルへの応用可能性を示す。
- 大規模言語モデルの行動と内部構造を理解するためのツールキットを提供することを目指す。
沈黙を破る：バングラ語からグロス翻訳のためのデータセットとベンチマーク [cs.CL, cs.AI]目的：バングラ語からグロスへの翻訳
- 聴覚障害者のコミュニケーション支援は，包容的な社会実現に不可欠である。
- バングラ手話（BdSL）は研究が不足しており，翻訳リソースが皆無である。
- バングラ語からBdSLへの翻訳データセットを構築し，翻訳モデルの性能評価を行う。
- 初のバングラ語-グロス翻訳データセットを構築した。手動注釈1000ペア，合成データ4000ペアを含む。
- GPT-5.4が総合的に最も優れた性能を示し，微調整されたmBARTも競争力があることを示した。
- Qwen-3は人間による評価において他のモデルを上回り，合成データの有効性を示唆した。
モジュールカルマンフレームワークにおける小型ニューラルネットワークによる多物体追跡 [cs.CV, cs.LG]目的：多物体追跡の性能向上
- 自動運転などのリアルタイムなシステムにおいて，周囲の状況を正確に把握することが不可欠である。
- 従来の追跡手法では，ヒューリスティックなモデルに依存しており，精度やロバスト性に限界がある。
- 小型ニューラルネットワークを用いて，追跡の各段階を効率化し，精度とリアルタイム性を両立することを目指す。
- 提案手法では，予測，アソシエーションの各モジュールに小型ニューラルネットワークを導入し，モジュール性と解釈性を確保した。
- SPENTは予測誤差を50%以上削減し，SANTとMANTaは最大95%のアサインメント精度を達成した。
- これらの結果は，小型かつタスク固有のニューラルモジュールが，追跡の精度とロバスト性を向上させることを示している。
CVaR制約付き強化学習による適応的な保険引当金設定：マクロ経済状況下における検討 [cs.LG, cs.AI, stat.ML]目的：保険金引当金の適応的な設定手法
- 保険会社の財務安定性維持は重要であり，引当金設定はその根幹をなす。
- 従来の引当金設定手法では，マクロ経済状況の変化やテールリスクへの対応が不十分である。
- 本研究は，強化学習とCVaRを用いることで，テールリスクを抑制しつつ，財務効率を維持する引当金設定を可能とする。
- 本研究で提案する強化学習とCVaRを組み合わせた手法は，従来の引当金設定手法と比較して，テールリスクの制御とソルベンシー違反の減少に有効であることが示された。
- マクロ経済状況を考慮した学習により，現実的なストレスシナリオ下でも安定した引当金設定が可能であることを確認した。
- モデルパラメータの調整とガバナンス体制の構築が，企業固有のリスク許容度と監督要件への適合に不可欠である。
適応型タスク切り替えポリシーを持つスパイクニューラルネットワークによるスケーラブルなマルチタスク学習 [cs.NE, cs.AI, cs.LG, cs.RO]目的：多様な実環境への適応を目指したリソース制約のある自律エージェントのマルチタスク同時学習
- 現実世界の複雑な環境に対応するためには，複数のタスクを同時に学習できる自律エージェントが不可欠である。
- 従来のマルチタスク学習では，タスク間の干渉がパフォーマンス低下の大きな原因となっている。
- 本研究では，適応的なタスク切り替えにより，タスク干渉を軽減し，スケーラブルなマルチタスク学習を実現する。
- 提案手法SwitchMTは，Atariゲーム（Pong，Breakout，Enduro）において，最先端手法と同等以上の性能を達成した。
- SwitchMTは，ネットワークの複雑さを増加させることなく，タスク干渉に対処できることを示した。
- これにより，スケーラブルなマルチタスク学習能力を備えた知的な自律エージェントの実現に貢献する。
DIP：動的インターリーブパイプラインによる効率的な大規模マルチモーダルモデル学習 [cs.DC, cs.AI]目的：大規模マルチモーダルモデルの学習効率向上
- 多様なモダリティを扱うモデルの重要性が増しており，その学習効率が課題となっている。
- モデル構造の異質性によるパイプラインステージの不均衡や，マルチモーダルデータの多様性によるデータ変動がボトルネックとなっている。
- 動的なパイプラインスケジューリングにより，不均衡を解消し，マルチモーダルデータの変動に適応することを目指す。
- 提案手法DIPは，異なるモダリティの計算を専用のパイプラインセグメントに分離し，ワークロードのバランスをとる。
- DIPは，入力データを細かいモダリティ固有のサブマイクロバッチに分割し，セグメント間のワークロードを動的に調整する。
- 実験結果から，DIPは最先端システムと比較して最大97.3%高いスループットを実現し，変動するマルチモーダル学習ワークロードへの適応性が確認された。
AlphaZero-Edu：AlphaZeroへのアクセス民主化 [cs.LG, cs.AI]目的：AlphaZeroの数学的枠組みに基づいた，軽量で教育に焦点を当てた実装
- 近年，強化学習は目覚ましい進歩を遂げ，大規模言語モデルの汎化能力向上に貢献している。
- 既存のフレームワークは実装が複雑で再現性が低いという課題を抱えている。
- AlphaZero-Eduは，実装の簡素化と効率的な学習環境を提供し，研究と応用のハードルを下げる。
- AlphaZero-Eduは，主要なコンポーネントを分離したモジュール構造を採用し，アルゴリズムの透明性を高めている。
- 単一のNVIDIA RTX 3090 GPUでのリソース効率の良い学習が可能であり，自己対戦データの生成速度は8プロセスで3.2倍に向上。
- 五目並べ対局において，人間との対戦で一貫して高い勝率を示している。
計算説得に関する包括的サーベイ：必読 [cs.CL, cs.AI, cs.CY]目的：計算説得の現状と課題
- コミュニケーションにおいて不可欠であり，政治，マーケティング等，多様な場面で意思決定に影響を与える。
- AIによる説得が倫理的に問題となる可能性や，AI自身が操作されやすいという脆弱性が存在する。
- AI説得の安全性，公平性，有効性を高め，高度な言語モデルのリスクに対処する。
- 本サーベイでは，AIを説得者，被説得者，判断者という3つの視点から説得を包括的に概観する。
- 説得研究の分類体系を提示し，今後の研究における重要な課題を議論する。
- AIを活用した説得技術の進歩と，それに伴う潜在的なリスクの両面を明らかにする。
Transformerにおける学習様式に関する進化論的視点 [cs.LG, cs.AI, cs.CL]目的：Transformerの学習様式に影響する環境の安定性と手がかりの信頼性の解明
- Transformerは自然言語処理の分野で目覚ましい成果を上げているため，その学習メカニズムの理解は重要である。
- Transformerの学習様式（IWLとICL）が，環境の特性によってどのように選択されるのか不明確である。
- Transformerにおける学習戦略の切り替えメカニズムを，進化論的な視点から明らかにすることを目指す。
- 安定した環境下では，モデルパラメータの永続的な改良であるIWLが優位に立つことが示された。
- 信頼性の高い手がかりが存在する環境下では，文脈情報を活用するICLが有利であることが確認された。
- タスクの構造や学習者の誘導バイアスによって，ICLとIWLの間の戦略の切り替えが行われることが明らかになった。
一様損失と特殊化された最適化：マルチタスク学習における比較分析 [cs.LG, cs.AI]目的：マルチタスク学習における一様損失と特殊化された最適化手法の性能比較
- マルチタスク学習は，複数の関連タスクを同時に学習することで，単一タスク学習よりも効率が良い。
- タスク間の競合や勾配の大きさの違いにより，一様重みでの学習が困難になる場合がある。
- 特殊化された最適化手法が必ずしも有効であるかを検証し，より効率的な学習方法を提示する。
- 特殊化されたマルチタスク最適化手法は，一様損失と比較して良好な性能を示すことが明らかになった。
- 固定された重みを用いた場合でも，特殊化された最適化手法と同等の性能を達成できることが示された。
- 一様損失が特殊化された最適化手法と同程度の性能を発揮する要因についても考察された。
ロボFAC：ロボットの故障分析と修正のための包括的フレームワーク [cs.RO, cs.AI]目的：ロボットの故障分析と修正に関する包括的なフレームワーク
- ロボットの自律的な動作は，様々な分野での活用が期待されており，重要性が増している。
- 既存の視覚言語行動モデルは成功事例で訓練されており，故障診断と復旧の構造化された指導が不足している。
- 本研究は，ロボットが故障を自律的に診断し，復旧するための体系的な手法を確立することを目的とする。
- ロボFACは，9,440件のエラー操作軌跡と78,623件のQAペアを含む大規模な故障中心データセットを構築した。
- ロボFACはGPT-4oと比較して，故障分析精度が34.1%向上し，実世界でのVLA制御パイプラインにおいて29.1%の改善を実現した。
- 本研究は，VLAの故障回復能力を大幅に向上させる体系的な故障診断と復旧を可能にすることを示した。
モバイルIPL：反復型嗜好学習によるモバイルエージェントの思考プロセスの強化 [cs.CL, cs.AI]目的：モバイルエージェントの思考プロセス強化
- GUIタスク自動化の発展に不可欠であり，人間のような自然な操作を実現する基盤となる。
- CoaTデータの不足が，エージェントの表現力と汎化性能を制限している。
- CoaTデータの制約下で，より効果的な思考プロセスの学習を目指す。
- 提案手法MobileIPLは，3つの標準的なモバイルGUIエージェントベンチマークで強力なベースラインモデルを上回る性能を示した。
- 継続事前学習モデル（OS-ATLAS，UI-TARS等）と比較しても，最先端の性能を達成している。
- 実世界のモバイルUIスクリーンショットを活用した指示進化により，汎化性能とレイアウト理解が向上している。
大規模な自然走行データからの衝突リスクの積極的な学習 [cs.RO, cs.LG]目的：衝突リスクの学習
- 道路交通安全確保のため，高度な状況認識とリスク予測が不可欠である。
- 既存手法は，リスクのラベル付けに労力がかかる，状況変化への対応が難しい。
- 自然走行データから衝突リスクを効率的に学習し，未然防止に役立つこと。
- 提案手法GSSMは，衝突やニアミスといったラベルなしデータから衝突リスクを学習可能である。
- 2591件の事故・ニアミスデータで評価した結果，高い精度(PR曲線下面積0.9)を示した。
- 平均2.6秒前倒しで潜在的な衝突を予測でき，既存手法を上回る性能を発揮した。
MolLangBench：言語による分子構造の認識，編集，生成を評価するための包括的ベンチマーク [cs.CL, cs.AI, cs.LG, q-bio.BM]目的：分子と言語のインタフェースに関するタスクの評価
- 化学分野とAIシステムにおいて，分子の正確な認識，編集，生成は不可欠である。
- 既存のAIシステムは，基礎的な分子認識・操作タスクにおいても課題を抱えている。
- 言語による指示に基づいた分子操作の性能評価を可能にするベンチマークの開発。
- MolLangBenchは，分子構造の認識，編集，生成という3つの主要タスクを評価する包括的なベンチマークである。
- 最先端モデル(GPT-5)でも，認識タスクで86.2%，編集タスクで85.5%の精度を達成するものの，生成タスクでは43.0%にとどまる。
- 本研究は，化学分野におけるより効果的かつ信頼性の高いAIシステムの開発を促進することを目的とする。
テスト時における投機的並列スケーリング推論 (SSR) [cs.LG]目的：テスト時スケーリングにおける効率と精度のトレードオフの解消
- 大規模言語モデルの数学的推論能力は高いが，計算コストが大きいという課題がある。
- 並列デコーディングなどのテスト時スケーリング法は多様性を高めるが，効率が悪い。
- ステップレベルでの投機的デコーディングにより，精度を損なわずに推論を高速化すること。
- SSRは，AIME 2024，MATH-500，LiveMathBenchの3つの数学的ベンチマークで優れた成果を示した。
- LiveMathBenchでは，pass@1精度を13.84%向上させ，計算量をベースラインのFLOPsの80.5%に削減した。
- MATH-500では，精度を損なうことなく，計算量をわずか30%に削減した。
FRIREN：軌跡を超えて - 時間に対するスペクトルレンズ [cs.LG, cs.AI]目的：長期時系列予測における幾何学的構造の重要性
- 時系列データは様々な分野で不可欠であり，正確な予測が求められる。
- 従来のLTSFモデルは，データが点ごとに予測可能であると仮定し，汎用性に限界がある。
- 動的な性質に依存しない基盤モデルを構築し，長期予測の精度と解釈性を向上させる。
- FRIRENは，Wasserstein-2距離を最小化し，データの幾何学的変化を捉えることで，長期予測の精度を向上させる。
- このモデルは，ローレンツ63やロスラー系の実験で，既存モデル（TimeMixer）を大きく上回る性能を示した。
- 生成的なフローと古典的なスペクトル分析を組み合わせることで，正確かつ解釈可能な長期予測を可能にする。
バッチ内データ窃取とモデル推論操作のためのアーキテクチャバックドア [cs.CR, cs.AI, cs.LG]目的：バッチ推論環境におけるデータ窃取とモデル推論操作を可能にするアーキテクチャバックドアの構築と対策
- 深層学習モデルのセキュリティ確保は重要であり，特にプライバシー保護の観点から，悪意のある改ざんに対する防御が不可欠である。
- 既存のバックドア攻撃は予測操作に焦点を当てており，実際の被害が限定的であった。バッチ推論におけるデータ漏洩リスクは未解決の課題である。
- 本研究は，バッチ推論環境を悪用する新たなバックドア攻撃を提示し，情報漏洩を防ぐための決定論的な緩和策を提案する。
- アーキテクチャバックドアを利用することで，バッチ処理中に他のユーザーの入力と出力を窃取・操作できることが示された。
- Transformerを含む一般的なモデルアーキテクチャに容易にバックドアを注入可能であり，ユーザープライバシーとシステム整合性に対する深刻な脅威となる。
- モデルグラフを分析し，バッチ内の異なるユーザー入力間の非干渉性を証明する新しい情報フロー制御メカニズムにより，この脆弱性に対する効果的な緩和策が提供される。
状態空間モデルにおけるサンプル不要継続学習 [cs.MA, cs.CY, cs.DB, cs.LG]目的：状態空間モデルにおける継続学習の課題克服
- 系列モデリングにおいて，長距離依存性を捉える能力が重要であり，状態空間モデルはその有効性が示されている。
- 継続学習において，過去データの参照なしでは，状態空間モデルの状態更新が制約されず，破滅的忘却が発生しやすい。
- 無限次元グラスマン多様体の幾何学を利用し，状態空間モデルの状態遷移を制約することで，継続学習時の忘却を軽減する。
- 提案手法Inf-SSMは，既存の継続学習手法と比較して，状態空間モデルの効率的な正則化を実現する。
- ImageNet-RやCaltech-256などのベンチマークにおいて，Inf-SSMは忘却の軽減と逐次タスクにおける精度の向上を両立した。
- Sylvester方程式の効率的な解法を開発することで，計算コストを$\mathcal{O}(n^3)$から$\mathcal{O}(n^2)$に削減することに成功した。
外部報酬なしでの推論学習 [cs.LG, cs.CL]目的：複雑な推論のための学習方法
- 大規模言語モデルの性能向上は，AIの自律性を高め，多様な応用を可能にする上で重要である。
- 従来の強化学習は，高価な教師データやドメイン固有の報酬設計に依存しており，汎用性に課題がある。
- 本研究は，外部報酬に頼らず，モデル自身の内部フィードバックのみで推論能力を獲得することを目指す。
- Intuitorは，モデル自身の確信度を報酬信号として利用し，外部報酬なしでの強化学習を実現した。
- 数学ベンチマークにおいて，既存手法と同等の性能を示し，コード生成等の未知のタスクへの汎化能力も向上した。
- 検証可能な報酬が得られない自律型AIシステムにおいて，スケーラブルな学習代替手段となり得ることを示した。
LLMは協調的シグナルを理解しているか？診断と修復 [cs.IR, cs.AI, cs.CL, cs.LG]目的：協調的情報に対するLLMの推論能力の分析と改善
- 推薦システムにおいて，ユーザーとアイテムの相互作用から得られる協調的情報は重要な要素である。
- LLMを推薦システムに組み込む試みはあるものの，LLMが協調的情報を効果的に理解しているかの分析が不足している。
- LLMが協調的情報を効果的に利用し，推薦性能を向上させるための方法を確立すること。
- LLMは，関連情報を明確かつ理解しやすい形式で提供し，その情報を基にした推論を促すことで，従来の行列分解モデルを上回る性能を発揮する。
- 提供する情報量が多いほど，LLMの性能が向上する傾向が確認された。
- 検索拡張生成（RAG）とプロンプト戦略を用いることで，LLMの協調的情報に対する推論能力を効果的に改善できる。
数表における複雑な計算を伴うLLMの推論を，数式駆動型強化学習によって促進するFormula-R1 [cs.AI]目的：複雑な表形式データに対する数値推論能力の向上
- データ分析において表形式データは不可欠であり，その処理能力は知能システムに求められる重要な能力である。
- LLMは一般的な推論能力を持つものの，複雑な表形式データに対する正確な数値推論は課題となっている。
- 数式駆動型強化学習によってLLMが実行可能な数式を生成し，表形式データの質疑応答能力を高めることを目指す。
- Formula-R1は，数式駆動型強化学習フレームワークFormula Tuningを用いて訓練され，表形式データに対するLLMの性能を大幅に向上させた。
- 特に，複雑な表や多段階の数値計算を必要とするタスクにおいて，既存手法を上回る成果が得られた。
- 詳細な分析により，強化学習が数式駆動型表形式推論において果たす役割が明らかになり，LLMの推論能力強化への応用の可能性を示唆した。
SynPO：ビデオ詳細キャプションのための記述性と嗜好最適化の相乗効果 [cs.AI, cs.CV]目的：ビデオ詳細キャプションの性能向上
- 動画理解は，映像コンテンツの検索や分析に不可欠であり，その重要性は増している。
- 既存手法では，動画の微妙な動きや詳細な情報を捉えきれていないという課題がある。
- 嗜好学習を活用し，詳細な動画キャプション生成における限界を克服することを目的とする。
- 提案手法SynPOは，DPOとその派生手法と比較して，一貫して優れた性能を示すことが確認された。
- SynPOは，最適化における負の嗜好の支配を防ぎ，言語能力を維持し，学習効率を向上させる。
- 学習効率は，DPO派生手法に対して20％の改善が見られた。
確率的優越性に基づくピア予測 [cs.GT, cs.AI]目的：ピア予測メカニズムにおける真実性インセンティブの強化
- 機械学習において，信頼性の高い人間のフィードバックは，ノイズラベルからの学習やAIの人間との整合性を高める上で不可欠である。
- 従来のピア予測メカニズムは，線形な効用関数を仮定しており，非線形な報酬ルールや効用関数では真実性を保証できない場合がある。
- 幅広い単調増加効用関数に対して真実性をインセンティブとする，より強力な「確率的優越性に基づく真実性」を確立すること。
- 提案手法は，真実を述べることのスコア分布が，他の戦略よりも確率的に優越することを保証する。
- スコアの丸め処理を工夫することで，感度（公平性や統計的効率に関連）の低下を抑制できる。
- 新たに開発した合意メカニズム（EA）は，二値信号設定において確率的優越性に基づく真実性を理論的に保証し，実験的にも高い感度を示す。
ガウス混合モデルのKLダイバージェンス最小化による差分プライバシー保護分布公開 [cs.IT, cs.CR, cs.LG, eess.SP, math.IT, stat.ME]目的：ガウス混合モデルのパラメータ公開における差分プライバシー保護
- データマイニングや機械学習等，多様な分野でガウス混合モデルが利用されているため，その安全性が重要である。
- ガウス混合モデルのパラメータ公開は，プライバシー侵害のリスクを伴うことが近年指摘されている。
- 公開とプライバシー保護の両立を目指し，KLダイバージェンスを最小化するメカニズムを提案する。
- 提案手法は，KLダイバージェンスを精度指標として，ノイズの加え方を最適化することで，プライバシー保護と精度維持を両立している。
- 理論解析により，プライバシー予算の配分とノイズ統計が差分プライバシー保証に与える影響を定量的に評価した。
- 合成データと実データを用いた実験により，提案手法が強いプライバシー保護と高い実用性を実現することを示した。
変化するデータストリームにおける概念ドリフト下での汎化漸進学習 [cs.LG, cs.AI]目的：概念ドリフト下での汎化漸進学習の定式化と，新たなフレームワークの提案
- 実世界のデータストリームは非定常性を持つため，適応学習システムへの課題は大きい。
- 既存手法では，ラベル空間と分布の同時進化や，限られた教師あり環境への対応が不十分である。
- ラベル空間と分布の同時進化に対応し，安定した新しいクラス識別を実現する。
- 提案手法CSFAは，トレーニングを必要としないプロトタイプ較正機構により，安定した新規クラス識別を可能にする。
- 信頼性の低いサンプルを排除するエントロピーに基づく不確実性フィルタリングを導入し，分布のアラインメントを強化する。
- 実験結果から，提案手法CSFAが最先端手法と比較して優れた性能と有効性を持つことが示された。
LLMの推論における人間らしい誤謬パターンの理論的評価 [cs.CL, cs.AI]目的：LLMの推論における誤謬パターン
- 大規模言語モデルの推論能力の評価は，AIの信頼性と安全性を高める上で重要である。
- LLMは高度な能力を持つ一方で，論理的な誤りを犯すことがあり，その原因は不明である。
- LLMの誤りパターンを人間と比較することで，その根底にあるメカニズムを解明することを目指す。
- モデルの能力が高いほど，誤答のうち理論予測された誤謬の割合が増加する相関が認められた。
- データセット全体の正答率と能力の間には相関は認められなかった。
- 前提の順序を逆転させることで，多くのモデルにおける誤謬発生が減少した。
マルチエージェント強化学習による動的再保険条約入札 [cs.AI, econ.GN, q-fin.EC]目的：再保険条約入札のためのマルチエージェント強化学習フレームワーク
- 再保険市場は，リスク移転の効率化が重要であり，経済的安定に貢献する。
- 従来の仲介を介した入札プロセスには非効率性が存在し，最適化の余地がある。
- 強化学習を用いて，より効率的でリスクに敏感な再保険市場の構築を目指す。
- 提案するマルチエージェント強化学習モデルは，従来の方式と比較して，引受利益を最大15％向上させる。
- モデルは，テールリスク（CVaR）を20％低減し，シャープレシオを25％以上改善する。
- パラメータ設定やストレス試験においても，モデルの頑健性と耐性が確認された。
クエリワードによる画像分割：半教師あり画像セグメンテーションのための言語アンカー [cs.IR, cs.CV, cs.AI]目的：半教師ありセマンティックセグメンテーションにおける言語アンカーの活用
- 画像認識と自然言語処理の融合が，より高度な画像理解を可能にする重要な研究分野である。
- 既存手法では，画像とテキストの表現のずれにより，セマンティックな理解が不十分となる場合がある。
- ドメイン知識を考慮した画像とテキストの表現整合性を高め，セグメンテーション精度を向上させることを目指す。
- 提案手法HVLFormerは，事前学習済みVLMのテキスト埋め込みをオブジェクトクエリに変換し，データセットに依存した多段階クエリを生成する。
- 画像固有の視覚的コンテキストを注入することで，テキストの意味を局所的なシーン構造に整合させ，クラス識別能を高める。
- クロスビューとモダリティの一貫性正則化により，ドメインロバスト性を実現し，Pascal VOC, COCO等で最先端手法を凌駕する性能を示す。
硬接触の微分可能なシミュレーション：学習と制御のためのソフト勾配 [cs.RO, cs.LG, cs.SY, eess.SY]目的：ロボットダイナミクスにおける硬接触のシミュレーション精度向上
- ロボットの学習と制御において，物理シミュレーションは重要な役割を果たす。
- 従来のシミュレータでは，硬接触による不連続性が勾配ベースの最適化を困難にする。
- シミュレーションと実世界のギャップを埋め，正確な勾配計算を実現すること。
- 本研究では，適応的時間積分とペナルティベースシミュレーションを組み合わせるDiffMJXを提案した。
- DiffMJXは，硬接触下での勾配精度を大幅に向上させることが示された。
- さらに，距離からの接触(CFD)を導入し，物体分離時の勾配消失問題を解決した。
静的モデルを超えて：複雑なパラメトリック動的システムにおける適応的かつ汎化可能な予測のためのハイパーネットワーク [cs.CE, cs.LG, nlin.CD, physics.comp-ph]目的：パラメトリック変動に対する動的システムの予測モデルの汎化性能向上
- 動的システムは科学的領域においてモデリング，予測，意思決定において重要な役割を担う。
- システムパラメータの変化はモデルの挙動に大きな影響を与え，汎化性能を低下させる。
- パラメータ空間における滑らかな遷移を可能にし，幅広いパラメータ設定で動的挙動を捉える。
- PHLieNetはパラメータ空間から非線形埋め込みへのグローバルマッピングと，埋め込みからダイナミクス伝播ネットワークの重みへのマッピングを同時に学習する。
- 提案手法は，時間外挿，パラメータ空間における内挿・外挿において最先端の手法を凌駕する。
- 短期予測精度と，アトラクタ統計量などの長期的な動的特徴の捕捉において優れた性能を示す。
ノイズ除去拡散代理モデルを用いた山火事延焼予測の確率的アプローチ [cs.LG]目的：山火事延焼予測
- 山火事は社会と生態系に甚大な被害をもたらすため，正確な予測が不可欠である。
- 従来のモデルは，山火事の不確実性を十分に考慮できていないという課題がある。
- 本研究は，山火事延焼の多様な可能性を確率的に予測することを目指している。
- 生成AIの進展により，現実的な自然現象のシミュレーションが可能となり，山火事延焼予測に応用された。
- 本研究では，山火事延焼予測のための初のノイズ除去拡散モデルを提案し，複数の予測シナリオを生成することで不確実性を考慮した。
- 提案モデルは，物理的に意味のある分布を反映した予測アンサンブルを生成し，山火事行動予測の信頼性向上に貢献する。
LLMアシスタントがソフトウェア開発者の生産性に与える影響：システマティックレビューとマッピング研究 [cs.DC, cs.SY, eess.SY, cs.SE, cs.AI, cs.HC]目的：ソフトウェア開発者の生産性に対するLLMアシスタントの影響
- ソフトウェア開発は社会の基盤であり，その効率化は経済成長に不可欠である。
- LLMアシスタントの導入は急速に進んでいるが，その効果は十分に検証されていない。
- LLMアシスタントが開発者の生産性に与える影響を包括的に把握し，課題を明確化すること。
- 多くの研究でLLMアシスタントの利用により開発速度の向上，コード検索時間の短縮，単純作業の自動化といった利点が報告されている。
- 一方で，認知負荷のオフロードやチームコラボレーションの低下といったリスクも指摘されている。
- LLMアシスタントがコード品質を向上させるか否かは，研究によって結果が異なり，コンテキストや評価基準に依存することが示唆されている。
双方向情報集約による知識融合 [cs.CL, cs.AI]目的：知識グラフと大規模言語モデルの融合による知識の最新化と応用範囲の拡大
- 知識グラフはセマンティックウェブの基盤であり，現実世界の情報を構造的に表現する上で不可欠である。
- 大規模言語モデルは事前学習後に知識が固定化され，時間とともに陳腐化し，リアルタイムな応用が困難となる。
- 知識グラフを動的に統合することで，大規模言語モデルの知識を更新し，変化する現実世界に対応できるようにすること。
- KGAは，推論時にのみ知識グラフを統合する新しいフレームワークであり，モデルのパラメータを変更しない。
- ボトムアップの知識融合とトップダウンの注意誘導という2つの経路を組み合わせることで，リアルタイムな知識融合を可能にしている。
- 4つのベンチマーク実験により，KGAの優れた融合性能と効率性が確認された。
検索の連鎖：多側面反復検索拡張と後順位検索集約によるフルペーパー検索 [cs.IR, cs.AI, cs.CL, cs.LG]目的：フルペーパー検索のための反復検索フレームワーク
- 学術論文検索は研究活動の基盤であり，効率的な情報収集が不可欠である。
- 従来の検索手法はアブストラクトのみに着目し，フルペーパーの持つ情報が十分に活用されていない。
- 本研究はフルペーパーを多側面から捉え，反復的な検索拡張により関連論文を探索する。
- 提案手法CORは，クエリ論文を複数の側面から分析し，候補論文との関連性を評価する。
- 検索結果を新たなクエリとして活用する反復プロセスにより，検索の精度と網羅性を向上させている。
- 大規模ベンチマークSCIFULLBENCHを用いた評価により，既存手法を大幅に上回る性能が確認された。
長文コンテキストにおける状態空間モデルとハイブリッド言語モデルの性能評価 [cs.SI, cs.CY, cs.AR, cs.AI, cs.LG, cs.SY, eess.SY]目的：長文コンテキスト推論におけるTransformer，状態空間モデル，およびハイブリッドモデルの性能比較
- AR等の応用により，ローカルデバイスでの連続・長文コンテキスト入力処理能力を持つ機械知能の需要が高まっている。
- Transformerアーキテクチャに基づく既存モデルは，計算・メモリコストが長文コンテキストにおいて課題となっている。
- 本研究は，状態空間モデル等の新しいアーキテクチャのシステムレベルでの最適化に関する理解を深めることを目指す。
- 状態空間モデルは，長文コンテキスト推論において，コンシューマーおよび組み込みGPUでのエッジAIに適していることが示された。
- Transformerは短文（8Kトークン未満）では最大1.9倍高速だが，状態空間モデルは長文（約57Kトークン）では最大4倍高速である。
- 状態空間モデルのカスタムカーネルが推論時間の過半数を占め，逐次処理による要素ごとの計算がボトルネックとなっている。
潜在ポリシー操縦：具現化に依存しない事前学習済みのワールドモデル [cs.RO, cs.AI, cs.LG]目的：低データ環境における視覚運動ポリシーの改善
- ロボットの学習はデータ量に依存するが，高品質なデータ収集は困難である。
- ロボットと人間のデータセット間の具現化のギャップや行動空間の不一致が存在する。
- 複数の具現化からのデータを活用し，少ないターゲットデータでの学習を目指す。
- 本研究では，光学フローを用いたワールドモデルを事前学習し，異なる具現化のデータを活用する。
- ターゲット具現化のデモンストレーションを用いてワールドモデルを微調整し，ベースポリシーと価値関数を学習する。
- 提案手法（LPS）は，Robomimicタスクで平均10.6％の性能向上を示し，実世界実験では最大70％の改善を達成した。
プライバシー保護を保証するオープングラフデータのグラフ構造学習 [cs.LG, cs.AI]目的：オープングラフデータのグラフ構造推定
- 大規模オープンデータの利活用において，プライバシー保護は不可欠である。
- データ公開段階でのプライバシー保護が十分ではなく，プライバシーと有用性のバランスが課題である。
- データ公開段階でプライバシーを保証しつつ，正確なグラフ構造を復元することを目指す。
- 提案手法は，ガウス微分プライバシーに基づき，構造化されたノイズ注入機構を用いることで，バイアスのないグラフ構造復元を可能にする。
- 従来の勾配やモデル更新の摂動とは異なり，データ公開段階でのプライバシーを保証する。
- 理論的な推定精度保証を提供し，離散変数グラフにも拡張可能であり，実験結果も良好な性能を示す。
等しく有効なモデルからの恣意的な予測について [cs.LG, cs.AI]目的：機械学習モデルの多重性と，それによる予測のばらつき
- 医療分野における診断支援において，AIの活用が期待されるが，モデルの選択が結果に影響する可能性が懸念される。
- 同じデータセットに対して複数の有効なモデルが存在し，個々の症例で予測が異なるという「予測の多重性」が問題視されている。
- 予測の多重性の程度を評価し，その要因を明らかにすることで，診断の信頼性を向上させる。
- 標準的な検証指標では，最適なモデルを一意に特定できず，予測はモデル開発における恣意的な選択に大きく依存することが示された。
- 複数のモデルを用いることで，単一のモデルでは生じる可能性のある恣意的な診断を明らかにし，患者への影響を可視化できることが分かった。
- 小規模なアンサンブルと棄権戦略を組み合わせることで，予測の多重性を効果的に軽減し，高いモデル間一致度を持つ予測の自動化が可能になることが示唆された。
デュアルストリーム時系列場拡散を用いたパケットレベルDDoSデータ拡張 [cs.DC, cs.NI, cs.PF, cs.NI, cs.AI]目的：DDoS攻撃に対する機械学習の性能向上に資するデータセットの拡張
- DDoS攻撃はネットワークサービスを阻害する深刻な脅威であり，その対策は重要である。
- 機械学習を用いたDDoS検知はラベル付きデータセットの品質に依存するが，十分なデータセットの入手が困難である。
- 本研究は，現実のDDoS攻撃パターンをより忠実に再現するデータ拡張手法を開発し，検知精度を向上させることを目指す。
- 提案手法DSTF-Diffusionは，拡散モデルに基づき，ネットワークトラフィックの多視点・多ストリーム生成モデルである。
- 実験の結果，生成されたデータは既存手法と比較して，統計的に現実のデータに高い類似性を示した。
- DSTF-Diffusionは，様々な下流タスクにおいて，DDoS検知性能を向上させることを実証した。
情報理論的分散型安全集約：受動的共謀耐性 [cs.IT, cs.CR, cs.DC, cs.LG, math.IT]目的：分散型安全集約における情報理論的限界の特性評価
- 分散型機械学習の普及に伴い，プライバシー保護されたデータ集約の重要性が増している。
- 既存研究では，プロトコル設計と計算保証に重点が置かれ，情報理論的限界の理解が不足している。
- 分散型環境における通信効率とセキュリティのトレードオフを明らかにし，プロトコル設計に指針を与える。
- 本研究では，K個のユーザーからなるネットワークにおいて，各ユーザーが秘密鍵を保持し，少なくとも1シンボルを送信する必要があることを示した。
- 安全に1シンボルの入力合計を計算するためには，ユーザー全体でK-1個以上の独立した秘密鍵シンボルが必要となる。
- これらの結果は，分散型学習における安全で通信効率の高いプロトコル設計のための基礎となる。
TIC-GRPO：人間からのフィードバックを用いた強化学習のための証明可能かつ効率的な最適化 [cs.RO, cs.CL, cs.LG]目的：人間からのフィードバックを用いた強化学習における最適化手法
- 大規模言語モデルの性能向上には，人間のフィードバックを活用した強化学習が不可欠である。
- 従来の強化学習アルゴリズムは，計算コストが高く，収束が遅いという課題があった。
- より効率的かつ安定した強化学習アルゴリズムを開発し，大規模言語モデルの性能を向上させる。
- 本研究では，GRPOの改良版であるTIC-GRPOを提案し，トークンレベルの重要度サンプリングを軌道レベルの確率比に置き換えた。
- 理論的解析により，TIC-GRPOはGRPOよりも高速に収束することが示された。
- 数学的推論およびコーディングタスクにおける実験結果は，TIC-GRPOがGRPOよりも優れていることを示している。
アグノスティクス：汎用学習環境を用いた強化学習による，あらゆるプログラミング言語の学習 [cs.LG, cs.PL]目的：あらゆるプログラミング言語におけるコード学習手法
- 科学技術分野では，PythonやJavaScriptだけでなく，マイナーな言語も依然として不可欠である。
- 既存の手法では，新しい言語ごとにデータセットやテスト環境，強化学習基盤を構築する必要がある。
- 言語に依存しない学習パイプラインを構築し，言語ごとのエンジニアリングを不要にすること。
- アグノスティクスは，Lua，Julia，R，OCaml，Fortranなどの低リソース言語において，Qwen-3 4Bの性能を他の大規模モデルに匹敵するものに向上させた。
- モデルファミリー（Qwen-3 8B，DeepSeek Coder 6.7B Instruct，Phi 4 Mini）への拡張性も確認された。
- MultiPL-EとLiveCodeBench（多言語版）において，160億パラメータ以下のモデルで最先端のpass@1スコアを達成した。
類似度-確信度と確信度-差分からの学習 [cs.LG]目的：複数の関係的視点からの補完的な弱学習信号の活用
- 機械学習応用において，正確なラベル付けは困難であり，ラベル付きデータの増加には限界がある。
- 既存の弱学習手法は，単一の弱学習信号に焦点を当てているため，複数の情報を組み合わせられない。
- ラベル付きデータが限られた状況下で，より効果的な学習を可能にする新たな枠組みを提案する。
- 提案手法は，類似度-確信度と確信度-差分の2種類の弱ラベルを統合するSconfConfDiff Classificationを用いる。
- 2種類の弱ラベル間の相互作用をモデル化した新たなリスク推定器を導出，最適な収束率を理論的に保証した。
- 実証実験の結果，様々な設定で既存の手法と比較して，一貫して優れた性能を示した。
一般的な活性化関数を持つ深層ニューラルネットワーク：ソボレフノルムにおける超収束 [cs.LG, cs.NA, math.NA]目的：深層全結合ニューラルネットワークの近似精度
- 偏微分方程式の数値解法は科学計算の根幹であり，その精度向上が重要である。
- 従来の数値解法では，精度に限界があり，高次元問題への適用が困難となる場合がある。
- ニューラルネットワークを用いた偏微分方程式の解法において，理論的な誤差評価が課題であった。
- 一般的な活性化関数を持つ深層ネットワークは，ソボレフ空間において従来の数値解法を上回る超収束性を示す。
- 深層ネットワークは，偏微分方程式の弱解をより高精度に近似できることが示された。
- 本研究は，ニューラルネットワークを用いた科学計算のための理論的基盤を提供する。
内部脅威検知のためのデュアルモダリティログ解析フレームワークDMFI：LoRA調整済み言語モデルを活用して [cs.CR, cs.AI, cs.CL]目的：内部脅威検知のためのデュアルモダリティフレームワーク
- サイバーセキュリティにおいて，内部脅威は巧妙かつ長期にわたるため，対策が重要である。
- 従来のモデルは意味的意図や複雑な行動の変動を捉えにくく，LLMベースのソリューションも適応性と網羅性に課題がある。
- 意味推論と行動認識型ファインチューニングを統合し，内部脅威の検知精度を向上させる。
- DMFIは，セマンティックな情報と行動パターンを構造化し，LoRAを活用したLLMで分析することで高い検知精度を実現した。
- DMFIは，ログデータをセマンティックビューと行動抽象化の2つの形式に変換し，それぞれのLLMで独立してファインチューニングすることで，効果的な特徴抽出を可能にした。
- DMFI-Bは，異常行動の表現を分離することで，クラス不均衡な状況下でもロバスト性を向上させる。
非線形半ノルム収縮に対するパラメータフリー最適レート：Q学習への応用 [cs.LG]目的：非線形固定点方程式の求解における最適収束レートの確立
- 強化学習の理論的基盤を強化し，より効率的なアルゴリズム開発を可能にする。
- 半ノルム収縮を用いた手法では，パラメータ調整が困難で，最適収束レートを達成できていない。
- 半ノルムの収縮性と，誘導されたノルムの単調性を組み合わせることで，この問題を解決する。
- 平均報酬および指数割引設定におけるQ学習に対し，パラメータフリーで最適な$\tilde{O}(1/\sqrt{t})$レートを初めて確立した。
- この結果は，同期型・非同期型更新，単一エージェント・分散型デプロイメント，シミュレータまたはマルコフ過程からのデータストリームを含む幅広い枠組みで適用可能である。
- Polyak-Ruppert平均化を用いることで，非線形半ノルムの非単調性の問題を克服した。
概念検索による拡張LLMを用いた自動形式化 [cs.AI, cs.LG]目的：インタラクティブ定理証明における自動形式化の精度向上
- 形式化された数学的知識は，厳密な検証と自動推論を可能にし，信頼性の高いシステム構築に不可欠である。
- 手動形式化は専門知識と労力を要し，自動形式化は幻覚や意味の曖昧さといった課題を抱えている。
- 数学的概念の定義検索によってLLMを補強し，形式化における幻覚と曖昧さを軽減することを試みる。
- CRAMFは，Mathlib4から26,000以上の定義と1,000以上の数学的概念を抽出し，知識ベースを自動構築する。
- ドメインと適用レベルの信号を用いた文脈的クエリ拡張と，再ランキングによる二重チャンネル検索戦略を採用。
- miniF2F，ProofNet，AdvancedMathベンチマークにおいて，翻訳精度が最大62.1%の改善を示し，平均29.9%の相対的な改善を達成した。
ノードから物語へ：LLMとグラフコンテキストを用いたグラフニューラルネットワークの説明 [cs.LG]目的：グラフニューラルネットワークの予測に対する，忠実で解釈可能な説明の生成
- グラフ構造データ処理において，GNNは強力な手法であり，引用ネットワーク等，多様な分野で活用が広がっている。
- GNNは解釈可能性に乏しく，既存の説明手法では，特に自然言語を含むノード属性に対して詳細な説明を生成するのが困難である。
- GNNの内部表現と人間の推論を整合させ，解釈性と精度を両立する説明手法を開発することを目指す。
- GSPELLは，GNNのノード埋め込みをLLMの埋め込み空間に投影し，グラフ構造からのテキスト入力とソフトプロンプトを組み合わせたハイブリッドプロンプトを構築する。
- GSPELLは，現実世界のTAGデータセットにおいて，忠実性と疎さのバランスが良く，洞察力といった人間中心の指標を向上させることを示した。
- GSPELLは，グラフ学習におけるLLMベースの説明可能性の新たな方向性を示唆し，GNN内部と人間の推論との整合を目指す。