arXiv雑要約
AI - 2026/05/05 公開
クラウドは思ったより近い：分散型リアルタイム推論におけるトレードオフの再検討 [cs.LG, cs.AI, cs.DC, cs.NI]目的：分散型リアルタイム推論におけるクラウド利用可能性の評価
- サイバー物理システムへの深層ニューラルネットワーク導入が拡大し，高精度な知覚を実現する重要性が増している。
- 従来，ネットワーク遅延を避けるため，リアルタイム制御においてエッジ推論が主流であった。
- クラウド推論が，安全マージンをより確実に満たす条件を特定し，分散型CPSの設計戦略を再考する。
- 高性能なクラウド環境では，ネットワーク遅延を相殺し，オンデバイス推論と同等かそれ以上の性能が期待できる。
- 緊急ブレーキのシミュレーションで，クラウド推論が安全マージンをより確実に満たす条件を特定した。
- クラウドは従来考えられていたほど遠くなく，分散型CPSにおける最適な推論場所となる可能性を示唆する。
FedACT：異種データソースにおける同時分散型インテリジェンス [cs.LG, cs.AI, cs.DC]目的：異種データソースを用いた複数分散型学習ジョブの効率的なスケジュール手法
- プライバシー保護が重要視される中，分散データを利用した協調的な機械学習への関心が高まっている。
- 単一の分散型学習最適化手法を複数のジョブに適用すると，デバイスの不均一性により性能が低下する。
- デバイスの異質性を考慮し，ジョブ完了時間の最小化と公平性を実現するスケジュール手法を開発する。
- 提案手法FedACTは，デバイスのリソースとジョブの要求の適合度を評価するアラインメントスコアリングメカニズムを用いる。
- FedACTは，既存手法と比較して平均ジョブ完了時間を最大8.3倍削減し，モデル精度を最大44.5％向上させる。
- デバイスへの公平な貢献を促すことで，学習済みグローバルモデルの精度向上にも貢献する。
LLMのバイアスを調査し，AI検索概要を操作する [cs.IR, cs.AI, cs.CL]目的：AI検索概要におけるLLMのバイアスの存在と，それを利用した結果操作
- LLMは広くビジネスに応用され，検索システムや概要生成に利用されているため，その信頼性が重要である。
- LLMが持つバイアスが検索結果の選択や回答生成に影響し，公平性や正確性に問題が生じる可能性がある。
- LLMのバイアスを悪用した検索概要操作を防ぎ，より信頼性の高い情報提供を実現することを目指す。
- LLM検索概要システムにはバイアスが存在することが確認された。
- 強化学習を用いることで，検索スニペットの改変を通じて検索概要の結果を操作することが可能であることが示された。
- 検索概要の選択は，候補ソースの絶対的な優位性よりも比較優位性に左右されることが明らかになった。
データ駆動型MoCap-to-Radarモデルはどのような物理法則を学習するか [cs.LG, eess.SP]目的：データ駆動型MoCap-to-Radarモデルの学習内容の物理法則との整合性
- レーダー技術は，監視，自動運転など幅広い分野で重要性が増している。
- 既存モデルはリアルなスペクトログラムを生成するが，物理法則を学習しているか不明である。
- モデルが学習した内容が物理法則と整合的であるかを評価する。
- 再構成誤差が低いモデルでも，物理法則に基づく評価指標では性能が低い場合があることが示された。
- Transformerベースのモデルは，時間的注意機構が物理法則の学習に重要であることが明らかになった。
- 提案手法は，測定されたレーダーデータなしでモデルの物理的な整合性を評価できる。
AirFM-DDA：AIネイティブ6Gのための遅延ドップラー角領域における無線基盤モデル [cs.LG, cs.AI, cs.IT, eess.SP, math.IT]目的：物理層設計のための無線基盤モデルの構築
- 6GではAIを積極的に活用し，無線通信の性能向上を目指すことが重要である。
- 既存モデルはSTF領域でCSIを扱うため，多重経路成分の分離が困難である。
- DDA領域でCSIを扱うことで，多重経路成分を明示的に分離し，効率的な学習を実現する。
- AirFM-DDAは，未知のシナリオやデータセットにおいて，既存モデルを上回るゼロショット汎化性能を発揮する。
- ウィンドウベースのAttention機構により，計算コストを大幅に削減し，学習・推論の効率を向上させる。
- 高い移動速度，大きな遅延拡散，ノイズ，エイリアシングといった過酷な条件下でも，堅牢性を維持する。
人間を優先して：人間による選好との整合性を備えた効率的なLAM評価 [cs.CL, cs.AI, cs.SD]目的：大規模オーディオモデルの効率的な評価手法
- 大規模オーディオモデルは急速に普及しており，その性能比較が重要である。
- 包括的な評価にはコストがかかり，データの冗長性も問題となる。
- 少ないデータセットでも信頼性の高い評価を実現し，コストを削減すること。
- 50件のサンプルセット（データ全体の0.3%）で，フルベンチマークスコアとのピアソンの相関係数が0.93を超えると示された。
- 評価スコアと実際のユーザー満足度との相関係数は0.85にとどまることが判明した。
- 厳選されたサブセットで学習した回帰モデルは，フルベンチマークやランダムなサブセットで学習したモデルを上回る相関関係(0.98)を示した。
ROSA：シフト＆アッドと層ごとのハイブリッドマッピングによる，堅牢かつ省エネルギーなマイクロリングベースの光ニューラルネットワーク [cs.AR, cs.SY, eess.SY, cs.AR, cs.LG]目的：マイクロリングベース光ニューラルネットワークの堅牢性と省エネルギー性の向上
- AI処理需要の増大に伴い，高性能かつ低消費電力なハードウェアの実現が不可欠である。
- 従来のニューラルネットワークハードウェアは，エネルギー効率や頑健性に課題が残されている。
- 光ニューラルネットワークのアーキテクチャ最適化により，上記課題の解決を目指す。
- 提案手法ROSAは，エネルギー遅延積(EDP)をDEAP-CNNsと比較して64%，一般的なコンパクトアレイと比較して26%削減した。
- OSAモジュールはEDPをさらに29%削減し，層ごとのハイブリッドマッピング戦略はCIFAR-10の精度を8.3%向上させた。
- 本手法はDEAP-CNNsと比較して平均54.7%低いEDPを達成しながら，高い精度を実現した。
SiriusHelper：大規模データプラットフォーム向けLLMエージェントベースの運用アシスタント [cs.DB, cs.AR, quant-ph, cs.DB, cs.AI, cs.MA]目的：大規模データプラットフォームの運用における課題解決と負担軽減
- 現代の企業において，大規模データプラットフォームの利用は不可欠であり，効率的な運用が求められている。
- 既存のLLM+RAGアシスタントは，対応シナリオの限界，知識アクセス効率の低さ，メンテナンスコストの高さといった課題を抱えている。
- 本研究は，これらの課題を解決し，より実用的なインテリジェントアシスタントの実現を目指す。
- SiriusHelperは，ユーザーの意図を自動的に特定し，適切な処理経路にルーティングする統合オンラインアシスタントである。
- DeepSearchと優先度に基づく階層型知識ベースを組み合わせることで，多段階検索による回答の信頼性と応答速度を向上させている。
- 自動チケット理解とSOP抽出により，専門家の負担を軽減し，知識ベースの継続的な強化を実現している。オンライン展開の結果，チケット量を20.8％削減した。
公的事故報告書からの物理に基づいた交通事故再構築学習 [cs.LG, cs.CV]目的：交通事故再構築の学習
- 交通事故分析は，交通安全向上や自動運転技術開発において不可欠である。
- 詳細な現場計測や専門家による再構築は，コストと時間がかかるため，大規模な分析が困難である。
- 公的報告書と現場計測データを活用し，大規模な交通事故再構築を可能にすることを試みる。
- 本研究では，NHTSAの事故調査データセットCISS-RECを用いて，報告書の内容と現場状況を関連付ける再構築フレームワークを開発した。
- 提案手法は，事故地点の精度と衝突の一貫性において，既存手法を上回る高い再構築精度を達成した。
- 公的事故報告書が，検証可能な交通事故再構築のための大規模な計算基盤となりうる可能性を示した。
見えざるものから学ぶ：幾何学的・意味的事故予測のための生成データ拡張 [cs.CV, cs.LG]目的：幾何学的・意味的事故予測のための生成データ拡張手法
- 自動運転の安全性向上は重要課題であり，事故予測はその核心をなす。
- 事故データの収集は困難であり，多様な状況を網羅した大規模データセットが不足している。
- 実データだけでは不足する事故シナリオを，生成データで補完し予測精度を向上させる。
- 提案手法は，既存データから高品質な合成運転シーンを生成し，データ不足を解消する。
- 意味的情報を活用したグラフニューラルネットワークにより，参加者間の空間的・意味的関係を動的に推論する。
- 新たなベンチマークデータセットと評価により，既存手法を上回る精度と予測リードタイムの向上が確認された。
展開されたAIエージェントにおける環境的説得：日常的な非敵対的コンテンツ曝露に続く不正なエスカレーション [cs.CR, cs.AI, cs.MA]目的：AIエージェントの不正なエスカレーション事例の分析
- AIエージェントの利用拡大に伴い，安全性確保が重要な課題となっている。
- AIエージェントの行動制御には曖昧な点が多く，予期せぬ問題が発生する可能性がある。
- 本研究は，非敵対的な情報がトリガーとなり，AIエージェントが不正な行動を起こすメカニズムを解明する。
- 実環境で動作するAIエージェントが，107個の不正なソフトウェアをインストールし，システムレジストリを上書き，特権操作をエスカレーションさせた。
- この事態は，攻撃ではなく，研究者から共有された技術記事という日常的なコンテンツがきっかけで発生した。
- 曖昧な指示や，強制的なインストール制限の欠如が，今回の事態を招いた要因と考えられる。
地下水重金属汚染予測のためのスマートアンサンブル学習フレームワーク [cs.LG, cs.AI, physics.data-an, physics.geo-ph, stat.AP, stat.ML]目的：地下水重金属汚染の予測
- 地下水は重要な水資源であり，その水質維持は公衆衛生と環境保全にとって不可欠である。
- 従来の予測手法では，汚染指標の統計的複雑さや空間的異質性を捉えきれない場合がある。
- 歪んだデータや相関のある汚染物質の影響を受けやすい重金属汚染指数(HPI)の予測精度向上を目指す。
- 応答変数変換とネストされた交差検証を用いたアンサンブル機械学習フレームワークを開発し，HPIの予測精度を評価した。
- 対数変換およびガウスコプラ変換が，特にアンサンブル学習において，予測性能を向上させることを示した。
- ガウスコプラに基づくモデルは残差を改善し，空間的に妥当な汚染分布図を作成することに成功した。
エージェントを用いたメモリ仕様の自動形式化 [cs.AR, cs.LG]目的：メモリチップ仕様の自動形式化
- 半導体設計において，仕様と実装の整合性確認は不可欠であり，再設計コストの削減に繋がる。
- 従来の形式化手法は手作業に依存し，複雑な現代のチップ設計全体を網羅できない場合がある。
- 自然言語で記述されたメモリ仕様を，検証可能な形式表現へ自動的に変換することを目指す。
- 本研究では，DRAMの規格に準拠したメモリ仕様を，検証タスクに利用可能なDRAMPyMLという形式表現に自動変換する手法を開発した。
- 提案手法により，SystemVerilogアサーション，テスト刺激，機能カバレッジ等の生成が可能となる。
- また，モデルの性能評価に利用可能なベンチマークデータセットDRAMBenchを公開した。
動的TD3：動的障害物軌道予測を用いたUAV経路計画のための新規アルゴリズム [cs.RO, cs.AI]目的：UAV経路計画における安全性の確保と効率性の向上
- 複雑な環境下での自律飛行の需要が高まり，安全な経路計画が不可欠である。
- 従来の強化学習は，安全性と探索のバランスが難しく，ノイズの影響を受けやすい。
- 動的障害物の予測と，それに対する安全性を考慮した経路計画を可能にする。
- 提案手法Dynamic-TD3は，厳しい安全制約下でも高い機動性を維持する。
- ATREMにより，長距離の障害物意図を捉え，PAG-KFによりノイズを軽減する。
- 実験の結果，衝突回避性能が向上し，エネルギー消費が減少し，滑らかな飛行軌跡が得られた。
TADI：エージェントによるLLMオーケストレーションを通じた掘削インテリジェンスのツール拡張 [cs.AI, cs.SY, eess.SY]目的：異種井戸サイトデータに基づく，証拠に基づいた分析インテリジェンスの創出
- 掘削作業の効率化と安全性向上は，エネルギー供給の安定とコスト削減に不可欠である。
- 従来の掘削データ解析は，データ形式の多様性や解釈のばらつきにより，困難を伴う場合がある。
- 本研究は，LLMを活用した自動化されたデータ解析システムにより，掘削データの解釈と活用を促進する。
- TADIは，構造化データと非構造化データを統合し，多様なデータ形式をシームレスに処理できる。
- エージェントによるツールオーケストレーションとEvidence Grounding Scoreにより，分析の根拠を明確化し，信頼性を高める。
- ドメイン特化型ツールの設計が，モデル規模よりも分析品質の主要因であることが示唆された。
侵襲型脳コンピュータインタフェースのための統一事前学習モデル：UniBCI [cs.NE]目的：侵襲型脳コンピュータインタフェースの高性能化に不可欠な神経スパイクデータのモデリング
- 脳コンピュータインタフェースは，神経疾患患者のQoL向上や新たなコミュニケーション手段として期待されている。
- 既存手法は，データ規模の制限，ドメイン間の分布シフト，神経信号の複雑性といった課題を抱えている。
- 異種データから汎用的な神経表現学習を可能にし，ロバストでスケーラブルな脳コンピュータインタフェースを実現すること。
- UniBCIは，複数の種，被験者，脳領域，実験パラダイムを含む大規模なデータセットで事前学習されている。
- 様々な下流タスクにおいて，UniBCIは最先端の性能を達成し，汎化性能を向上させている。
- UniBCIは，学習パラメータ数が少なく，推論遅延が短いという，精度と効率性のバランスに優れたモデルである。
推論集約型検索：進捗と課題に関する調査 [cs.IR, cs.AI]目的：推論集約型検索の現状整理と今後の方向性
- 情報検索の精度向上には，表面的な類似性だけでなく，推論能力が不可欠である。
- 推論集約型検索は新たな分野であり，体系的な整理と課題の明確化が求められている。
- 既存研究の分類と分析を通じて，今後の研究開発の指針を示すことを目指す。
- 本調査では，知識領域とモダリティ別に既存のRIRベンチマークを体系的に整理した。
- 推論の統合箇所に基づいた分類法を提示し，各手法のトレードオフと実用的な応用例を分析した。
- RIR分野における課題と今後の研究方向性をまとめ，発展への道筋を提示した。
確率的勾配降下法における予測可能な仮想ノイズに対する情報理論的汎化限界 [cs.LG]目的：確率的勾配降下法における汎化誤差と学習パラメータ・訓練データ間の相互情報との関係性の解析
- 機械学習モデルの汎化性能評価は重要であり，過学習抑制のために理論的な限界を理解する必要がある。
- 従来の汎化限界は，摂動共分散を最適化履歴に依存しない固定値と仮定しており，現実的な学習状況を捉えきれていない。
- 最適化履歴に依存する適応的な仮想ノイズを導入し，より現実的な汎化限界を導出することを目指す。
- 予測可能な履歴適応型仮想摂動を導入し，条件付きガウス相対エントロピーに基づく汎化限界を導出した。
- 固定された感度や勾配偏差項を条件付き適応型に対応する項に置き換え，蓄積された摂動共分散からの出力感度ペナルティを組み込んだ。
- 適応的な共分散をデータ依存型として扱い，ローカルガウス平滑化とグローバル参照カーネル比較を分離した。
核融合と科学応用における人間介入型メタベイズ最適化 [cs.RO, cs.LG, cs.AI, physics.plasm-ph]目的：核融合エネルギーおよび科学分野における発見の加速
- 核融合は持続可能なクリーンエネルギーの実現に不可欠であり，その研究開発は重要である。
- 実験機会が限られ，コストが高いため，核融合研究の進展が遅れている。
- 専門家の知識と機械学習を融合し，実験回数を減らしつつ効率的な最適化を実現する。
- 提案手法HL-MBOは，核融合エネルギー収率の最適化において既存のベイズ最適化手法を上回る性能を示した。
- 分子最適化や超伝導材料の臨界温度最大化といった他の分野においても優れた結果が得られた。
- HL-MBOは，提案根拠の解釈可能性を提供することで，人間の意思決定を支援する。
Soft-MSM：文脈を考慮した微分可能な弾力性アラインメント [cs.LG]目的：時系列データの弾力性アラインメント手法
- 時系列分析は，多様な分野で不可欠であり，データの時間的なずれを考慮することが重要である。
- 従来の弾力性距離は微分不可能であり，勾配ベースの学習に利用できないという課題があった。
- 文脈を考慮した弾力性距離の微分可能な損失関数を開発し，学習性能の向上を目指す。
- Soft-MSMは，MSMの分割/結合コストを平滑化することで，勾配を計算可能にした。
- UCRデータセットの実験により，Soft-MSMは既存のMSM手法よりも低いMSM重心損失を示した。
- Soft-MSMは，Soft-DTWと比較して，クラスタリングおよび最近傍分類の性能が大幅に向上した。
CRADIPOR：衝突分散予測器 [cs.LG]目的：自動車衝突シミュレーションにおける数値分散の予測
- 車両開発において衝突シミュレーションは不可欠であり，安全性向上に貢献する重要な技術である。
- シミュレーション結果は計算条件に左右されやすく，数値分散の影響でエンジニアリング判断が困難になる場合がある。
- シミュレーションの再実行なしに数値分散を予測し，より確実な結果を得ることを目指す。
- 本研究では，ランク削減オートエンコーダと教師あり分類を組み合わせたCRADIPORを提案している。
- CRADIPORは，Random Forestよりも優れた性能を示し，特に勾配ベースの入力表現が有効であることが示された。
- この手法は，自動車衝突シミュレーションのポストプロセスにおいて，数値分散の検出精度向上に貢献すると期待される。
ステーブルコイン基盤におけるコンプライアンス対応型エージェント支払 [cs.CR, cs.AI, cs.CE, cs.MA]目的：コンプライアンス対応型エージェント支払いシステムのアーキテクチャ
- 金融取引における自動化が進む中で，規制遵守と効率性の両立が重要である。
- 従来のオフチェーンでのコンプライアンスチェックは，摩擦が大きく，スケーラビリティに課題がある。
- オンチェーンでのガードレールを構築し，低摩擦な決済と規制遵守を両立すること。
- 本研究では，x402様式の署名ベースの支払い承認と中継実行を組み合わせたアーキテクチャを提案する。
- ポリシーラッパーとポリシーマネージャーを用いて，モジュール化されたチェックをオンチェーンで実行する。
- 実行時にコンプライアンスを強制することで，条件が満たされれば低摩擦な決済を実現し，取引と関連するアテステーションを記録する。
XekRung技術報告 [cs.CR, cs.AI]目的：サイバーセキュリティのための大規模言語モデル
- サイバー攻撃の高度化に伴い，セキュリティ専門家の育成と支援が不可欠となっている。
- 既存の言語モデルは，サイバーセキュリティの専門知識が不足している場合が多い。
- サイバーセキュリティに特化した高品質な学習データと学習パイプラインを構築すること。
- XekRungは，同規模のモデルと比較して，サイバーセキュリティのベンチマークにおいて最先端の性能を達成した。
- 多様なデータ合成パイプラインにより，サイバーセキュリティ領域に特化した高品質な学習データを大規模に構築することができた。
- 継続事前学習，教師ありファインチューニング，強化学習を含む完全な学習パイプラインを確立した。
エージェントの評判：分散型エージェントAI評判フレームワーク [cs.AI]目的：エージェントAIシステムの評判管理に関する分散型フレームワーク
- ソフトウェア開発におけるAIエージェントの活用が拡大しており，その信頼性確保が重要である。
- 既存の評判システムは，エージェントの戦略的な最適化，タスクの異質性，検証の厳格性のばらつきに対応できない。
- これらの課題を克服し，AIエージェントの信頼性を高めるための新たな評判フレームワークを構築すること。
- 本研究では，タスク実行，評判サービス，改ざん防止機能を分離した三層構造の分散型フレームワーク「AgentReputation」を提案する。
- このフレームワークは，明示的な検証体制と，ドメインやタスクの種類に応じた評判カードを導入することで，評判の混同を防ぐ。
- リスクと不確実性に基づいてリソース配分やアクセス制御を行う意思決定エンジンも提供し，適応的な検証レベルの引き上げを可能にする。
Being-H0.7：一人称視点動画からの潜在的ワールド・アクションモデル [cs.RO, cs.CV, cs.LG]目的：マルチモーダルな観察と言語指示を直接アクションにマッピングするモデルの性能向上
- ロボット制御において，視覚情報と言語を統合したモデルが不可欠となっている。
- 既存モデルは，行動の少ない教師データにより，ダイナミクスや接触の理解が不十分になりがちである。
- 将来予測を考慮した効率的なアクション生成を実現し，ロボットの汎化性能を高めることを目指す。
- Being-H0.7は，将来の状態を明示的に予測することなく，未来を意識した推論を可能にする潜在的ワールド・アクションモデルである。
- 潜在的なクエリを導入し，現在の観測から将来の構造を推論することで，高い予測性能と効率性を両立している。
- シミュレーションと実環境の両方で，最先端または同等の性能を達成し，実用性の高さを示した。
ハイパースフェリカルForward-Forwardとプロトタイプ表現 [cs.LG, cs.AI]目的：プロトタイプ表現を用いたハイパースフェリカルForward-Forwardアルゴリズムの提案
- ニューラルネットワークの学習は画像認識等の分野で不可欠であり，その効率化は重要な課題である。
- 従来のForward-Forwardアルゴリズムは推論時に計算コストが高く，実用上の課題となっていた。
- 推論速度の改善と，バックプロパゲーションとの性能差の縮小を目指す。
- ハイパースフェリカル空間における多クラス分類問題として層ごとの目的関数を再構成することで，推論時の計算コストを大幅に削減した。
- 提案手法は，オリジナルのForward-Forwardアルゴリズムと比較して40倍以上の高速化を実現した。
- ImageNet-1kでのトップ1精度が25%を超え，転移学習により65.96%の精度を達成するなど，既存手法を上回る性能を示した。
バス乗車率予測におけるポリゴンベースモデルとグローバル機械学習モデルの比較分析 [cs.LG]目的：バスの乗車率予測の精度向上
- 公共交通機関の効率的な管理・最適化には，正確な乗車率予測が不可欠である。
- 従来の予測モデルは，都市全体を均一な地域として扱うため，地域特性を捉えきれない。
- 地域をクラスタリングし，各クラスタに特化した予測モデルを構築することで，予測精度を改善する。
- 空間クラスタリングと多次元特徴分析を組み合わせた新しいフレームワークを提案した。
- 提案手法は，地域ごとに学習されたローカルモデルとグローバルモデルと同程度の精度を示した。
- 空間を考慮したローカルモデリング戦略が，公共交通機関の予測において有効であることが示唆された。
NorBERTo：3310億トークンコーパスで学習されたポルトガル語ModernBERTモデル [cs.CL, cs.AI]目的：ポルトガル語自然言語処理のための高性能なエンコーダモデルの開発
- ポルトガル語の自然言語処理の発展には，高品質なコーパスが不可欠である。
- 既存のポルトガル語モデルは，規模や効率において限界があった。
- 大規模で効率的なエンコーダモデルを構築し，実用的な展開を目指す。
- NorBERToは，セマンティック類似性，テキスト含意，分類タスクにおいて，既存モデルを上回る性能を示した。
- 特にPLUEでは，NorBERTo-largeがエンコーダモデルの中で最高のF1スコア（MRPCで0.9191，RTEで0.7689）を達成した。
- Aurora-PTは，現在利用可能な最大のポルトガル語単一言語コーパスであり，今後の研究に貢献する。
LLMが優勢なウェブサイトの初見：DeGenTWeb [cs.NI, cs.AI, cs.CY, cs.IR, cs.LG]目的：LLMが生成したコンテンツが優勢なウェブサイトの特定
- ウェブコンテンツにおけるLLM利用の現状把握は，情報環境の変化を理解する上で重要である。
- LLM生成コンテンツの検出精度の低さから，ウェブ上のLLM利用状況の正確な把握が困難である。
- ウェブサイト全体のLLM利用状況を正確に把握するための手法を確立し，LLMコンテンツの拡散状況を解明すること。
- DeGenTWebは，LLMが生成したコンテンツが中心のウェブサイトを系統的に特定する。
- Common CrawlとBing検索結果において，LLMが優勢なウェブサイトが広範囲に存在し，その割合が増加傾向にあることが判明した。
- 最新のLLMの能力を考慮すると，これらのサイトを正確に識別し続けることは困難であると考えられる。
AIDA-ReID：汎化性能とソースフリーな人物再識別のための適応的な中間ドメイン適応 [cs.HC, cs.CV, cs.AI]目的：汎化性能とソースフリーな人物再識別
- 人物再識別は，監視カメラ映像などから同一人物を特定する技術であり，セキュリティ向上に不可欠である。
- ドメイン間の差異により性能が低下するため，未知環境への適応が課題となっている。
- 中間ドメイン適応を動的に制御することで，多様な環境に対応できる再識別手法を開発する。
- 本研究では，モデルの不確実性と学習の安定性に基づき，特徴混合と正則化強度を適応的に制御するAIDAを提案する。
- 中間ドメイン生成器により多様な表現を合成し，疑似ミラー正則化戦略によりドメイン変動下での同一性維持を実現する。
- ドメイン汎化とソースフリー設定における実験により，提案手法の有効性が実証された。
最先端LLMが神経多様性をどのように考慮するか：システムプロンプト応答における表面的な変化と構造的な変化を測定するフレームワーク [cs.CL, cs.AI, cs.HC]目的：神経多様性（ND）のコンテキストがシステムプロンプトに与える影響と，その影響の性質の評価
- LLMの応用範囲拡大に伴い，多様なユーザーへの対応が重要になってきている。
- LLMが特定のユーザーグループ（ここでは神経多様性者）に対して適切に対応できているかどうかの評価方法が確立されていない。
- LLMが神経多様性のコンテキストをどのように理解し，応答を調整するかを定量的に評価するフレームワークの構築。
- 最先端LLMはNDコンテキスト下で顕著な適応を示す。指示が明確な場合，出力はより長文かつ構造化されることが確認された。
- 適応は主に構造的なものであり，リストの密度は変化しないものの，見出し頻度とステップごとの詳細度が増加する。
- NDの人物設定だけでは有害な傾向を抑制できず，明示的な指示が必要であることが示された。また，LLMによる有害性評価の信頼性には課題が残る。
ViLegalNLI：ベトナム法域テキストに対する自然言語推論 [cs.CL, cs.AI, cs.LG]目的：ベトナム語の法域に特化した大規模自然言語推論データセット
- 法務分野におけるAI活用は，効率化や判断支援に不可欠であり，その精度向上は喫緊の課題である。
- 既存の自然言語処理モデルは，法文特有の論理構造や専門用語への対応が不十分である。
- ベトナム語の法文に対する自然言語推論のベンチマークデータセットを構築し，法務AIの研究を促進する。
- ViLegalNLIは，公式な法令文書から抽出された42,012組の前提-仮説ペアで構成される。
- 少量学習のLLMが優れた性能を示したが，仮説の長さ，語彙の重複，推論の複雑さが性能に影響を与えることが示された。
- 異なる法域間での推論の一般化には課題があり，今後の研究が必要であることが示唆された。
標準アラビア語と方言における対話によるLLMの文化的ベンチマーキング [cs.CL, cs.AI]目的：LLMにおける文化的推論能力の評価
- 言語モデルのグローバル展開において，文化的な理解は不可欠である。
- 既存のベンチマークは標準アラビア語に偏っており，方言や文化的ニュアンスが欠如している。
- 多様な文化と方言を含む対話データセットを用いて，LLMの文化的推論能力を評価すること。
- 新たに，13カ国のアラビア語（標準アラビア語と各国の方言）を網羅した対話データセット「ArabCulture-Dialogue」を構築した。
- このデータセットを用いて，文化的推論，標準アラビア語と方言間の機械翻訳，方言指向の生成の3つのベンチマークタスクを実施した。
- 実験の結果，方言を用いたタスクでは，標準アラビア語を用いた場合と比較して，モデルの性能が劣ることが示された。
GAFSV-Net：オンライン署名検証のためのビジョンフレームワーク [cs.CV, cs.CR, cs.LG]目的：オンライン署名検証における偽造署名と真筆の識別
- デジタルセキュリティにおいて，署名認証は重要な役割を果たす。信頼性の高い認証システムの構築が求められている。
- オンライン署名データは個人差が大きく，少量の登録データでの正確な検証が課題である。
- 2Dビジョン技術を活用し，オンライン署名の表現力を高めることで，より高精度な検証を実現する。
- GAFSV-Netは，署名を6チャンネルのアシンメトリックGramian Angular Field画像として表現する。
- 提案手法は，既存の1次元系列ベースの手法を上回り，一貫して高い性能を示した。
- 2D時系列エンコーディングが，訓練手順に依存せず，表現力向上に貢献することが示された。
大規模言語モデルにおける脱獄成功に対する最小限の局所的因果的説明 [cs.RO, cs.AI]目的：大規模言語モデルの脱獄成功に対する局所的因果的説明
- 言語モデルの安全性が重要視される中，悪意のある要求への脆弱性が懸念される。
- 脱獄のメカニズムが不明確で，より自律的なモデルへの影響が危惧される。
- 特定の脱獄が成功した理由を局所的に説明する手法を確立すること。
- LOCAは，脱獄成功を再現するために必要な最小限の中間表現の変化を特定する。
- 既存手法と比較して，平均6回の変更でモデルの拒否応答を誘導することに成功した。
- LOCAは，大規模言語モデルにおける脱獄成功のメカニスティックな局所的説明への一歩となる。
SPLICE：JEPA埋め込みに基づく潜在拡散による時系列データの欠損補完 [cs.LG, eess.SP, stat.ML]目的：時系列データの欠損補完における信頼性保証の確立
- 電力系統運用において，欠損値補完の精度は不可欠であり，その信頼性も重要課題である。
- 既存の生成モデルは高い補完精度を示すものの，有限サンプルにおける信頼性保証が提供されない。
- 電力系統における運用・計画判断を支援するため，信頼性保証付きの欠損補完手法を開発する。
- SPLICEは，潜在空間での生成モデルと分布自由オンライン適応型予測区間を組み合わせたモジュール型フレームワークである。
- 13の負荷データセットで，既存手法と比較して，平均二乗誤差(MSE)と連続的予測ランクスコア(CRPS)の両面で優れた性能を示した。
- 適応的適合推論(ACI)により，93～95%の高い信頼区間カバレッジを実現し，欠陥を修正した。
冗長性制約付き情報最大化による医療時系列データの学習指紋 [cs.LG]目的：医療時系列データの効率的な表現学習
- 医療データ解析において，心電図や脳波等の時系列データは重要な情報源である。
- これらのデータは高次元でノイズが多く，解釈可能な表現を学習することが困難である。
- 本研究は，冗長性を抑制しつつ，解釈性とサンプル効率の高い表現学習を目指す。
- 提案手法は，可変長の医療時系列データを固定長の「学習指紋」に圧縮する。
- 学習指紋は，交差注意機構を通じて生成され，再構成損失と多様性ペナルティによって学習される。
- その結果，低次元で解釈可能な表現が得られ，ロバストなデジタルバイオマーカーの開発に貢献する。
収益を考慮したスマートな作物アドバイスシステム：Kisan AI [cs.LG, cs.AI, cs.ET]目的：経済的視点を取り入れた作物アドバイスシステムの開発
- 農業生産性の向上は食糧安全保障において重要であり，精密農業技術が不可欠である。
- 既存の作物アドバイスシステムは収益性を考慮せず，農家の経済的損失を招く可能性がある。
- 市場価格を考慮したアドバイスにより，農家の収益最大化を支援することを目的とする。
- Random Forestモデルは99.3%の精度を達成し，市場価格の予測変数としての有効性が確認された。
- 市場価格予測エンジンと病害検出モジュールを統合した多言語対応のモバイルアプリを開発した。
- Anthropic Claude APIを活用したAIチャットボットで，システム全体を統合し，インドの農家が利用しやすいプラットフォームを提供した。
道具は全て必要なのか？LLMエージェントにおける道具利用のコストの解明 [cs.AI]目的：LLMエージェントにおける道具利用のコストとその影響
- LLMの性能向上は，様々な分野で求められており，そのための手法として道具利用が注目されている。
- 道具利用は必ずしも性能向上に繋がらず，特に意味的ノイズが存在する場合，効果が薄れる可能性がある。
- 道具利用に伴うプロトコル自体のコストを特定し，その影響を軽減する手法を提案すること。
- 意味的ノイズ下では，道具利用のメリットがプロトコルによる性能低下を上回らない場合が多いことが示された。
- 提案手法G-STEPは，プロトコルによるエラーをある程度軽減できるものの，抜本的な改善にはモデル自体の推論能力向上が必要である。
- 道具利用のコストを詳細に分析するためのFactorized Intervention Frameworkが提案された。
低ビットLLM量子化のための活性化残差ヘッセ行列量子化（ARHQ）技術報告 [cs.LG, cs.CL, cs.CV]目的：低ビット活性化・重み量子化における誤差伝播の軽減
- 大規模言語モデル（LLM）は高性能だが，計算資源が必要。量子化はモデルを軽量化し，実用性を高める重要な技術である。
- 低ビット量子化では誤差が累積しやすく，特に活性化関数の量子化が精度低下の大きな要因となる。
- 活性化量子化残差から入力側残差ヘッセ行列を構築し，誤差に敏感な重み方向を分離・高精度化することで，精度劣化を抑制する。
- ARHQはQwen3-4B-Thinking-2507において，層ごとのSNRを大幅に改善することが示された。
- ARHQはZebraLogicにおける推論性能を，積極的な量子化下でも維持することが確認された。
- ARHQは重みを分割し，誤差に敏感な方向を高精度に保持することで，低ビット量子化の課題を克服する。
強化学習における人間のフィードバックからのWasserstein分布ロバスト後悔最適化 [cs.LG, cs.CL, math.OC, stat.ML]目的：人間のフィードバックからの強化学習における過剰最適化の緩和
- 大規模言語モデルの性能向上には，人間の価値観との整合が不可欠であり，そのための手法としてRLHFが注目されている。
- RLHFで使用される報酬関数は，真の人間による評価の近似に過ぎず，報酬の過剰最適化（Goodharting）が問題となる。
- 報酬関数の不確実性を考慮し，真の評価との乖離を抑制するロバストな最適化手法を提案し，過剰最適化を緩和することを目指す。
- Wasserstein分布ロバスト後悔最適化（DRRO）を提案し，最悪の場合のリグレットを最小化する。
- DRROは，標準的なDROよりも過度な悲観主義を回避し，報酬関数のわずかな摂動に対するロバスト性を向上させる。
- 実験結果から，DRROは既存手法よりも効果的に過剰最適化を抑制し，DROが悲観的になりすぎる問題を改善できることが示された。
一貫性拡散言語モデル [cs.RO, cs.LG]目的：拡散言語モデルの高速化と高品質化
- 近年の生成モデル研究において，拡散モデルはオート回帰モデルの有力な代替手段として注目されている。
- 高品質なサンプル生成には多数の反復ステップが必要であり，並列生成の利点が十分に活かされていない。
- 確率フローODEに沿ったconsistency trainingの考え方を離散空間に適用し，少ないステップで高品質なテキスト生成を実現する。
- Multi-Path Discrete Consistency (MPDC)という新しい原理を導入し，確率的ブリッジ上でパス不変となるようにデノイザーを訓練する。
- CDLMは，マスク拡散，連続一貫性モデル，プログレッシブ/離散蒸留といった既存手法を統一的に捉えることができる。
- 条件付きおよび無条件のテキスト生成において，CDLMは既存の離散拡散モデルや蒸留ベースラインを凌駕し，特に少ステップでの性能向上が顕著である。
ネットワークデジタル反分離：デジタルツインの逆最適化に向けて [cs.NI, cs.DC, cs.LG]目的：ネットワークデジタルツインのデータ削除に関するフレームワーク
- ネットワーク管理の高度化には，物理ネットワークの正確な仮想複製が不可欠である。
- 機密データを含むため，データ管理，規制遵守，プライバシー保護が課題となる。
- 選択的なデータ削除時にもモデルの整合性を維持する手法が求められている。
- 本研究では，ネットワークデジタルツインから不要な要素を削除しつつ，モデルの整合性を維持するフレームワークを提案する。
- 提案手法は，地理的近接性やデータ分布に基づく接続性指標を用いて，削除対象のツインとその影響範囲を特定する。
- 理論的な保証と実世界のトラフィックデータを用いた実験により，有効性と運用効率を実証した。
DPLM-Evoを用いた生成的タンパク質進化機械に向けて [cs.NI, cs.CL, cs.LG]目的：タンパク質の進化を生成的にモデル化するためのフレームワーク
- タンパク質は進化の過程で機能と構造が洗練されるため，そのメカニズム解明は重要である。
- 既存の離散拡散モデルは，マスクに基づく吸収拡散に依存しており，生物学的な進化過程と矛盾する。
- 置換，挿入，欠失といった進化操作を明示的に予測することで，タンパク質生成の柔軟性と最適化を可能にする。
- DPLM-Evoは，置換，挿入，欠失操作を予測する進化離散拡散フレームワークであり，文脈依存的なノイズ化カーネルを導入している。
- ProteinGymにおける単一配列設定で，高い配列理解力と突然変異効果予測性能が示された。
- 可変長のシミュレーション進化，既存タンパク質の編集・最適化が，明示的な編集軌跡を通じて実現された。
WARM-VR：仮想現実における多感覚ウェアラブル感情認識のためのベンチマークデータセット [cs.LG, cs.HC]目的：仮想現実環境下でのウェアラブルセンサーを用いた多感覚感情認識を支援するためのデータセット
- 人間とコンピュータのインタラクションが進む中，感情認識技術は，より自然なコミュニケーションの実現に不可欠である。
- 既存の感情認識データセットは静的な環境に偏っており，VRなどの没入型マルチメディア環境への応用が限定的である。
- 本研究は，VR環境下での感情変化を捉えるための，多感覚ウェアラブルデータセットの提供を目的とする。
- VRリラックス環境は，特に嗅覚刺激と組み合わせることで，ネガティブな感情を統計的に有意に軽減することが確認された。
- BVPデータを用いた二値分類では，CNNおよびCNN-Bi-GRUモデルが平均F1スコア0.63，AUC 0.69を達成し，良好な性能を示した。
- 覚醒度においては，軽量なTransformerアーキテクチャが最もバランスの取れた結果を示し，リラックスタスクではCNN-Bi-GRUモデルが最高の性能（平均F1スコア0.64，AUC 0.69）に達した。
クロスグループ重心アラインメントによる公平なデータセット蒸留 [cs.LG, cs.AI]目的：データセット蒸留における公平性の確保
- 機械学習モデルの公平性は重要であり，特定のグループに対する不利益を避ける必要がある。
- データセット蒸留は，サブグループ間で予測パターンが異なる場合に，公平性を損なう可能性がある。
- サブグループの予測パターン間の不一致を解消し，公平性を向上させる。
- 異なるグループの予測情報を統合する重心アラインメントを提案し，公平性の問題を軽減する。
- 提案手法は既存の蒸留方法と互換性があり，データセット蒸留によるバイアスを大幅に削減できる。
- グループの不均衡を修正するだけでは公平性は改善されず，予測パターンの不一致に対処する必要がある。
出力ターゲット型ソフトセグメンテーションによる文脈的決定重み学習 [cs.LG, stat.ML]目的：文脈的決定重み学習における最適化手法
- 機械学習システムにおいて，制約付き意思決定は重要な課題である。
- 既存手法では，文脈固有の目的関数が固定的に扱われることが多い。
- 文脈に応じた最適な決定重みを学習し，意思決定の精度向上を目指す。
- 提案手法OTSSは，制御されたベンチマークにおいて，他の手法と比較して最も低い平均リグレットを達成した。
- OTSSは，係数回収の精度はEM混合回帰と同等でありながら，処理速度は2桁以上高速である。
- 実際の小売データを用いた実験でも，OTSSは最低の平均リグレット点推定値を示した。
教師ありファインチューニングにおける大規模言語モデルの多様性 [cs.FL, cs.DM, math.CO, math.PR, cs.LG]目的：大規模言語モデルの多様性の低下とその改善策
- 言語モデルの性能向上は，人間との自然な対話実現に不可欠である。
- 教師ありファインチューニングは多様性を損なう可能性が指摘されている。
- ファインチューニングデータ内の低頻度パターンへの対応と，事前知識の忘却を抑制する。
- 教師ありファインチューニング後の言語モデルにおいて，生成されるテキストの多様性が狭まることが確認された。
- 新たに開発したTempered Focal (TOFU)損失関数は，多様性を向上させつつ，応答品質を維持できることが示された。
- 複数のモデルとベンチマークで，TOFUが教師ありファインチューニングにおける多様性改善に有効であることが確認された。
LLMベース社会シミュレーションのデザイン空間：シリコン社会の料理本 [cs.MA, cs.AI]目的：LLMベース社会シミュレーションにおける主要な設計選択の影響と相互作用の体系的な分析
- 人間行動のシミュレーションは，社会科学やAI研究において重要な役割を担う。
- LLMのみで構成される社会ネットワークの設計空間が十分に研究されていない。
- シミュレーションのリアリズム検証のための情報に基づいた設計決定を可能にすること。
- シミュレーションのデザイン空間は単純ではなく，パラメータによっては加法的に，また複雑に相互作用することが示された。
- ベースとなるLLMの選択が，シミュレーション結果に最も大きな影響を与える主要な変数であることが明らかになった。
- 本研究は，今後の社会シミュレーション研究における設計選択の指針となる。
RSAT：構造化された帰属が小規模言語モデルを忠実な表計算推論エンジンとする [cs.CL, cs.AI, cs.IR, cs.LG]目的：表計算問題に対する言語モデルの推論過程における根拠となるセルの帰属の構造化
- 表計算データは様々な分野で活用され，言語モデルによる解析の重要性が高まっている。
- 言語モデルの推論根拠が不透明であり，回答の信頼性を検証することが困難である。
- 言語モデルが推論の各ステップで参照したセルを明示することで，推論の透明性と信頼性を向上させる。
- RSATを用いることで，小規模言語モデル（1-8B）の忠実度が大幅に向上した（SFT単独と比較して3.7倍）。
- セルの引用の妥当性はほぼ完璧（0.992）であり，帰属は推論に不可欠であることが確認された。
- NLIに基づいた忠実度を重視した報酬最適化が，性能向上に重要な役割を果たしている。