arXiv雑要約
AI - 2026/06/16 公開
エージェントRosettaによるタンパク質設計：特殊な科学エージェントの事例研究 [cs.AI]目的：タンパク質設計のためのLLMエージェント環境
- タンパク質設計は，創薬やバイオテクノロジーにおいて重要な役割を担う分野である。
- 既存の機械学習手法は，標準的なアミノ酸と限定的な目的しか扱えず，汎用性の高いツールが不足している。
- 非標準アミノ酸や複雑な構造を扱える汎用的なタンパク質設計ツールを提供すること。
- Agent Rosettaは，標準アミノ酸を用いた設計において，専門モデルや専門家と同等の性能を示した。
- 非標準アミノ酸を用いた設計においても，機械学習アプローチが苦手とする領域で同等の性能を達成した。
- 適切な環境設計により，LLMエージェントが専門的なソフトウェアをより活用できることが示された。
MAND：モダリティ認識による新規性検出を用いたオープンワールド一人称活動認識 [cs.RO, cs.CV, cs.AI]目的：オープンワールド一人称活動認識における新規活動検出と継続学習
- 一人称視点での活動認識は，ロボットやウェアラブルデバイスの応用において重要である。
- 既存手法では，RGBデータに偏ったモダリティ融合が行われ，IMUなどの他のモダリティの活用が不十分である。
- モダリティ間の貢献度を適応的に調整し，より信頼性の高い新規活動検出を目指す。
- 提案手法MANDは，MoASによりサンプルごとの信頼度に基づきモダリティの貢献度を調整する。
- MoRSTにより，各モダリティの識別能力を維持し，タスク間の知識の忘却を防ぐ。
- 公開データセットでの実験により，MANDは新規活動検出精度と既知クラスの精度を向上させ，誤検出率を大幅に低減した。
順位における反射拡散による置換分布の学習 [cs.MA, cs.LG, cs.AI]目的：置換分布の学習
- 組合せ最適化や順序付け問題において，置換の確率分布のモデリングは重要な課題である。
- 置換の空間は離散的かつ非ユークリッド的であり，大規模なデータに対する学習が困難である。
- スムーズで扱いやすい軌跡を得るため，順位に基づく拡散モデルを提案し，学習を改善する。
- 提案手法であるソフトランク拡散は，既存の拡散ベースラインよりも一貫して優れた性能を示す。
- 特に，長系列や本質的に逐次的な設定において，顕著な改善が見られた。
- 置換を連続的な潜在表現に持ち込むことで，より滑らかで扱いやすい軌跡を実現した。
Rel-Zero：AI編集に対する堅牢なゼロウォーターマーキングのためのパッチペア不変性の活用 [cs.CV, cs.AI, cs.CR]目的：AI編集に対するデジタル画像の真正性を保護するためのゼロウォーターマーキング手法
- デジタルコンテンツの改ざんが容易になり，画像の信頼性が損なわれることが問題となっている。
- 従来のウォーターマーキングは画質劣化を招き，既存のゼロウォーターマーキングは高度な編集に弱い。
- パッチペア間の関係性の不変性を利用し，編集に強く非侵襲的な認証機構を構築すること。
- AI編集において，個々の画像パッチは変化しても，パッチペア間の関係性は比較的安定であることが示された。
- Rel-Zeroは，この安定性を利用し，元の画像を変更せずにゼロウォーターマークを生成する。
- 多様な編集モデルや操作に対して，既存手法と比較して大幅に高い堅牢性を示すことが実験で確認された。
低遅延エージェント提供のためのツール実行とLLM生成の並列化 [cs.DC, cs.AI]目的：LLM駆動エージェントのタスク完了時間短縮
- LLMエージェントの応用範囲拡大に伴い，応答速度が重要課題となっている。
- 従来のシステムでは，LLM生成とツール実行の直列化がボトルネックとなっていた。
- エージェントのパターンを予測し，ツール実行をLLM生成と並行して行うことで遅延を削減する。
- PASTEは，エージェントのツール利用パターンを予測し，LLMの生成と並行してツール実行を投機的に行うシステムである。
- PASTEは，推測結果をLLMの確認待ちとし，GPUのボトルネックを回避するようツール実行とLLMセッションを共同でスケジュールする。
- 研究，コーディング，科学的エージェントのタスクにおいて，タスク完了時間を平均43.5%短縮，ツール遅延を1.8倍低減した。
AgenticRec：ツール統合型推論最適化による推薦志向のエージェントフレームワーク [cs.IR, cs.CL, cs.IR, cs.AI]目的：推薦システムにおける，ツール統合型推論と段階的嗜好洗練
- 大規模言語モデルを活用した推薦エージェントは，パーソナライズされた推薦の有望な手段となりうる。
- 既存のエージェントは，ツール利用と推薦フィードバックの乖離により，詳細なユーザー嗜好の識別が困難である。
- 推薦指向のツールスイートを用いた推論プロセスを最適化し，ユーザー嗜好のより正確な識別を目指す。
- AgenticRecは，推薦をツール統合型推論プロセスとして捉え，推薦エージェントフレームワークを構築する。
- 暗黙的フィードバックに基づき，推薦能力を最適化する「推薦指向の軌跡活性化」という二段階の学習パラダイムを開発した。
- 自己ブートストラップされたハードペアを用いた双方向の嗜好推論により，嗜好境界を段階的に明確化する「段階的嗜好洗練」を行う。
オートリサーチループの閉環：プロダクション検索ランキングのためのAI共同研究者 [cs.IR, cs.AI]目的：プロダクション検索ランキングシステムの改善
- オンラインプラットフォームにおける検索ランキングは，ユーザーエクスペリエンスと売上に直結する重要課題である。
- 検索ランキングの性能向上には専門知識と多大な実験が必要であり，人的リソースに限界がある。
- AIを活用して，ランキングシステムの改善プロセスを自動化し，効率化することを目指す。
- AI共同研究者フレームワークは，人間の科学者と連携し，アイデア創出から結果分析までを自動的に反復する。
- AIによる自動化ループは，既存のランキングモデルに追加で0.083%のオフライン性能向上に貢献した。
- AIの提案は，自然言語処理や画像認識分野の標準的な手法であり，学際的な知識の橋渡し役となりうる。
過負荷から収束へ：ベイジアン可視化による複数議題の人間とAIの交渉支援 [cs.HC, cs.AI]目的：人間とAIの交渉における複数議題の交渉パフォーマンスへの影響と，その支援手法
- AIが交渉を仲介する機会が増加しており，人間の主体性を維持するには，議題数とパフォーマンスの関係を理解することが重要である。
- 議題数が増えると認知負荷が高まり，交渉パフォーマンスが低下するという問題がある。
- ベイジアン推定に基づく不確実性可視化によって，人間の交渉パフォーマンスと効率を改善し，人間の制御を維持すること。
- 提案する可視化手法は，交渉の進展に伴い，合意可能な範囲が狭まる様子を示すことで，有望な選択肢の特定を支援する。
- 実験の結果，可視化手法は人間の交渉結果と効率を向上させ，人間の制御を維持し，価値の再分配を回避することが示された。
- 本研究は，人間とAIの交渉における人間の管理可能な議題数の限界を示し，複雑な交渉における人間のパフォーマンスに関する理論を深め，インタラクティブシステムの設計指針を提供する。
ギャップを意識した生成による異種DAGスケジューリング学習法 [cs.LG, cs.AI, math.OC]目的：異種DAGスケジューリングにおける性能向上
- 大規模データ処理システムでは，効率的なDAGスケジューリングが不可欠である。
- 環境変化への適応やリアルタイムでのスケジュール生成が課題となっている。
- タスクプール適合性や生成による最適性ギャップを解消する。
- 提案手法WeCANは，タスクプール適合性係数と生成による最適性ギャップに対処する。
- 重み付きクロスアテンションエンコーダを用いて，タスクプール間の相互作用をモデル化している。
- TPC-HクエリDAGや機械学習コンパイラ計算グラフにおいて，既存手法を上回る性能を達成した。
注意の不均衡修正によるLVLMにおける物体幻覚の軽減 [cs.CV, cs.AI]目的：大規模ビジョン言語モデルにおける物体幻覚の軽減
- 実世界での応用において信頼性が重要であり，特に自動運転や医療画像分析などの分野で不可欠である。
- 大規模ビジョン言語モデルは物体幻覚を起こしやすく，それが実用上の大きな障壁となっている。
- 注意の不均衡が物体幻覚の原因となることを明らかにし，その修正によって幻覚を抑制することを目指す。
- 注意の不均衡を定量化する指標を新たに提示し，幻覚を引き起こすパターンを可視化した。
- 提案手法AIRは，デコーディング時に注意の重みを再配分し，不均衡を修正することで物体幻覚を軽減する。
- AIRは，既存手法と比較して最大35.1%の物体幻覚の減少と，最大15.9%の汎化性能の向上を達成した。
継続的ロボット学習における「自己」の出現に関する証拠 [cs.RO, cs.AI, cs.LG]目的：継続的ロボット学習における「自己」概念の出現
- 意識研究において，「自己」の定量的評価は重要な課題である。
- 「自己」を他の認知構造と区別する明確な基準が欠けている。
- 経験の中で最も持続的な側面として「自己」を捉え，その不変性を評価する。
- 継続学習を行うロボットは，制御群と比較して有意に安定した不変サブネットワークを発達させる。
- このサブネットワークは機能的に重要であり，保持することで適応を助け，損傷するとパフォーマンスが低下する。
- このパターンは，移動と操作の両方を行う3つの異なるロボットで確認された。
FlowRL：拡散ポリシーを用いた強化学習の分類とモジュール型フレームワーク [cs.LG]目的：拡散/フローポリシーを用いた強化学習アルゴリズムの分類と，効率的な学習環境の提供
- 近年，生成モデルが政策表現として注目されており，柔軟な行動生成が期待される。
- 既存手法は，明示的な対数確率の欠如により，効率的な強化学習が困難であるという課題がある。
- 拡散/フローポリシーを用いた強化学習手法の体系化と，実践的なアルゴリズム選択の指針を示す。
- 本研究では，拡散/フローポリシーを用いた強化学習アルゴリズムの包括的な分類を提示した。
- 再現性と迅速なプロトタイピングを支援するため，JAXベースのモジュール型オープンソースコードベースを開発した。
- Gym-Locomotion等の環境で標準化されたベンチマークを行い，アルゴリズムの比較と選択の指針を提示した。
電気脳波信号における特徴分析とグラフ畳み込みニューラルネットワークを用いた周波数帯分離型てんかん発作検出 [cs.NI, cs.LG, cs.AI, cs.NE]目的：てんかん発作検出の精度向上
- てんかんは神経疾患であり，早期発見と適切な治療が重要である。
- 従来の深層学習は高い精度を出すものの，解釈性に乏しい。
- 周波数帯ごとに分析することで，発作の特性をより詳細に把握する。
- 周波数帯分離による分析で，中周波数帯の識別能力が特に高いことが示された。
- 各周波数帯において，それぞれ97.1%から99.7%の高い検出精度を達成した。
- 広帯域での総合精度は99.01%であり，従来の広帯域EEG法よりも高い解釈性と診断精度が期待できる。
俳句から大作まで：10ビットでLLMが大きな圧縮率を実現 [cs.RO, cs.HC, cs.LG, cs.AI, cs.IT, math.IT]目的：LLM生成テキストの圧縮
- LLMの利用拡大に伴い，データ転送・保存コストが課題となっている。
- 既存の圧縮手法では，LLMの複雑なテキストを効率的に圧縮できていない。
- 計算コストと圧縮率のトレードオフを明らかにし，効率的な圧縮手法を開発する。
- ドメイン適応型LoRAアダプタにより，LLMベースの算術符号化が2倍に改善。
- モデルへの要約を求めるプロンプトと算術符号化の組み合わせで，約0.03の圧縮率を達成。
- 質疑応答圧縮（QA）プロトコルは，従来のLLMベースの圧縮よりも100倍以上高い効率で知識伝達を実現。
Fisher幾何学による潜在拡散性の理解 [cs.LG]目的：潜在空間における拡散性の定量化
- 拡散モデルは画像生成などで重要な役割を担うため，その挙動理解が不可欠である。
- 潜在空間における拡散性の劣化原因が十分に解明されていない。
- 潜在空間における拡散性の劣化を理論的に分析し，安定性を高める条件を導出する。
- 潜在空間の拡散性は，Minimum Mean Squared Error (MMSE) の変化率によって定量化できる。
- MMSEの変化率は，Fisher Information (FI) と Fisher Information Rate (FIR) に分解される。
- 拡散性の劣化は，次元圧縮，接線方向の歪み，エンコーダの曲率，データの曲率という4つの要因によって説明できる。
EMS：効率的な多数決によるマルチエージェント投票 [cs.AI]目的：マルチエージェント投票における効率化
- 複数のエージェントからの意見を集約し，最終決定を行う上で，多数決は標準的な手法である。
- 従来の多数決方式では，合意が得られた時点で無駄な計算が発生しやすい。
- エージェントの信頼度に基づき，早期に投票を停止することで計算コストを削減する。
- 提案手法EMSは，多数決の精度を維持しつつ，起動エージェント数を平均35%削減する。
- また，トークン消費量を平均44%削減することを示した。
- タスクと条件に依存した信頼度順序に基づき，効率的な投票を実現する。
形態形成的に成長させた再帰型ネットワークにおける活動依存的可塑性 [cs.RO, cs.NE]目的：形態形成的成長による再帰型ネットワークの活動依存的可塑性の特徴付け
- 神経アーキテクチャ探索は，複雑な課題解決に不可欠であり，効率的な学習方法の確立が求められている。
- 従来のネットワークは固定された重みで動作し，環境変化への適応が困難であるという課題があった。
- ネットワークの性能を向上させるため，可塑性を進化的に最適化する手法を開発することを目的とする。
- 有能なネットワークにおいて，ヘブ則よりもアンチヘブ則による可塑性が有意に高いことが示された。
- 固定された設定下では，最適な性能に対する後悔が52〜100%に達することが明らかになった。
- 非定常環境下では，可塑性の役割が微調整から真の適応へと変化することが確認された。
LLM共同進化におけるカリキュラム多様性のための語彙ドロップアウト [cs.CL, cs.AI]目的：LLM共同進化におけるカリキュラム多様性の維持
- LLMの能力向上には，多様で質の高い訓練データの重要性が認識されている。
- LLMの自己対戦学習では，問題生成モデルが報酬関数を満たす問題に収束し，多様性が失われる。
- 語彙ドロップアウトにより，問題生成モデルの多様性を維持し，学習を促進する。
- 語彙ドロップアウトは，訓練を通じて，提案者の語彙，意味，機能的な多様性を維持する。
- Qwen3-8Bを用いた数学的推論において，8ポイントのソルバー性能向上が確認された。
- 構造的制約が，言語における生産的な共同進化を維持する上で有効であることが示唆される。
事前定義されたスキーマを超えて：文脈を豊かにした知識グラフ生成のためのTRACE-KG [cs.AI, cs.IR, cs.LG]目的：文脈を豊かにした知識グラフと誘導されたスキーマの同時構築
- 知識グラフは情報検索や推論に不可欠であり，その重要性はますます高まっている。
- 既存手法は，スキーマ設計コストや断片化されたグラフ構造という課題を抱えている。
- 文脈情報を活用し，再利用可能なスキーマを構築することで，これらの課題を解決する。
- TRACE-KGは，構造化された修飾子を通じて条件付き関係を捉え，一貫性のある知識グラフを生成する。
- データ駆動型スキーマを用いることで，ソース証跡への完全な追跡可能性を維持しながら，再利用可能な意味的足場を提供する。
- 実験結果から，TRACE-KGは既存手法と比較して，構造的に首尾一貫性があり，追跡可能な知識グラフを生成することが示された。
いつLLMが必要か：言語駆動型バンディットの診断 [cs.AI]目的：言語駆動型バンディットにおけるLLM利用の必要性の診断
- 金融分野など，文脈情報を含む多腕バンディット問題は重要であり，最適な意思決定を支援する。
- LLMは計算コストが高く，不確実性の推定が困難であるため，常に利用できるとは限らない。
- テキスト埋め込みを利用した軽量な数値バンディットでLLMと同等以上の精度を，より少ないコストで実現する。
- LLM由来の不確実性推定を用いたLLMP-UCBアルゴリズムを提案し，その有効性を検証した。
- テキスト埋め込みを用いた軽量な数値バンディットが，LLMベースのソリューションと同等かそれ以上の精度を達成することを示した。
- 埋め込み次元数を調整することで，探索と活用のバランスを調整し，コストと性能のトレードオフを可能にする幾何学的診断手法を提案した。
判例を超えて：構造を意識した検索と安全性評価による法律条文中心のQA [cs.IR, cs.AI]目的：法律条文中心のQAにおける構造を意識した検索と安全性の評価
- 法務分野において，法的根拠に基づく正確な情報提供は不可欠であり，QAシステムの信頼性向上は重要課題である。
- 既存のQAベンチマークは判例に偏っており，法律条文の階層構造や文脈の断片化といった特有の問題に対応できていない。
- 法律条文の階層構造を考慮した検索と，十分な情報がない場合の安全な回答拒否を評価するベンチマークを構築し，モデルの課題を明らかにする。
- SearchFireSafetyベンチマークを用いて評価した結果，グラフ構造に基づく検索手法が性能向上に貢献することが示された。
- しかしながら，特定の分野に特化したモデルは，重要な条文情報が不足している場合に誤った情報を生成するリスクが高いことが明らかになった。
- この結果から，法律条文中心のQAにおいては，階層構造を考慮した検索とモデルの安全性を同時に評価する必要があることが示唆される。
非有界領域における高次元グロス・ピタエフスキー方程式に対する確率的次元固定サンプリングニューラルネットワーク [cs.LG]目的：高次元グロス・ピタエフスキー方程式の解法
- 量子多体系のダイナミクス記述において，グロス・ピタエフスキー方程式は基本的な役割を担う。
- 高次元問題に対する従来の離散化法は次元の呪いを克服できず，計算コストが増大する。
- 確率的次元サンプリングにより，計算コストとメモリ使用量を削減し，高次元問題に対応する。
- 提案手法であるSD-FSNNは，最先端手法と比較して，最大1000次元において有意に高い精度と効率を達成した。
- SD-FSNNは，確率的次元サンプリングとデータ駆動型サンプリング特徴を組み合わせることで，次元の呪いを緩和する。
- 離散保存則を適用することで，長期的な安定性を確保している。
自己事前分布を用いた鏡像自己認識課題における能動推論 [cs.LG, cs.AI]目的：鏡像自己認識課題における自己認識行動の発生メカニズムの解明
- 自己認識は，認知発達における重要なマイルストーンであり，意識や自己概念の形成に不可欠である。
- 従来の自己認識研究では，報酬や学習のメカニズムに焦点を当てており，自己認識の自発的な発生過程は不明であった。
- 本研究では，自己事前分布という新たなメカニズムを通じて，自己認識行動がどのように自発的に生まれるかを明らかにすることを目指す。
- 自己事前分布は，馴染みのある多感覚経験の密度を学習し，鏡像におけるマークの出現によって生じる差異が，マーク指向行動を促す。
- 触覚情報を一切用いずに，自己事前分布に基づいたシミュレーションされた乳児は，鏡中の顔に貼られたシールを約70%の確率で除去することに成功した。
- シールの除去後には自由エネルギーが有意に減少し，自己事前分布が自己と非自己を区別する内部基準として機能することが確認された。
HCP-MAD：効率的なマルチエージェント議論のための異種コンセンサスプログレッシブ推論 [cs.MA, cs.AI]目的：効率的なマルチエージェント議論のための手法
- 複雑な問題解決において，複数のエージェントが協力して議論することで，より良い解決策を見出すことが期待される。
- 既存の手法では，議論のラウンド内とラウンド間の最適化が分離されており，タスクの複雑さに応じたトークンコストの調整が不十分である。
- タスクの複雑さに応じて議論の規模を調整することで，効率的に問題を解決することを目指す。
- HCP-MADは，コンセンサスを動的なシグナルとして活用し，プログレッシブな推論を促進する。
- 異種エージェントペアによる迅速なコンセンサス検証により，早期停止を実現する。
- 実験の結果，HCP-MADは精度を向上させるとともに，トークンコストを大幅に削減できることが示された。
AIエージェントにおける認知アーキテクチャの欠如する知識層 [cs.AI]目的：AIエージェントの認知アーキテクチャにおける知識層の不在
- AI技術の発展において，人間の認知能力を模倣したアーキテクチャの重要性が高まっている。
- 既存の認知アーキテクチャは，事実に関する知識の保持と更新に関する明確なメカニズムを欠いている。
- 知識，記憶，知恵，知能の各層を明確に分離し，それぞれに異なる永続性セマンティクスを適用すること。
- CoALAとJEPAの既存の認知アーキテクチャは，知識層を明示的に持たないという共通の欠陥を抱えていることが判明した。
- 知識，記憶，知恵，知能の4層分解を提案し，それぞれの層に特有の永続性セマンティクスを定義することで，この問題を解決する。
- PythonとRustによる実装により，アーキテクチャの分離が可能であることが実証された。
動的な環境における自律型AIエージェント学習のための適応的記憶結晶化 [cs.LG, cs.AI]目的：動的環境における継続的な強化学習のための進行的経験統合を目的とした記憶アーキテクチャ
- AIエージェントの自律性は，多様な環境への適応能力に依存する。その学習能力が重要視されている。
- 既存のAIエージェントは，新しい知識を獲得する際に過去の知識を失う「破滅的忘却」の問題を抱えている。
- 本研究は，過去の知識を保持しつつ新しい知識を獲得できる，記憶アーキテクチャの開発を目指す。
- 提案手法AMCは，Meta-World MT50，Atari 20ゲーム，MuJoCo環境において，既存手法を大幅に上回る性能を示した。
- 転移学習性能が34-43%向上し，破滅的忘却が67-80%減少，メモリ使用量が62%削減された。
- 記憶結晶化のSDEの安定性，収束性，Q学習誤差，メモリ容量限界に関する理論的証明が提供された。
機械における人間認知：ワールドモデルの統一的視点 [cs.RO, cs.AI, cs.CV, cs.ET]目的：ワールドモデルにおける認知機能の体系化と今後の研究方向性の提示
- AI研究において，人間のような認知能力を持つ機械の開発は重要な目標である。
- 既存のワールドモデル研究は，認知機能の定義や評価基準が曖昧である。
- 人間認知理論に基づいた統一的なフレームワークを提示し，未発達な認知機能を明確にする。
- ワールドモデルを構成する認知機能（記憶，知覚，言語，推論，想像，動機づけ，メタ認知）を包括的に整理した。
- 特に動機づけ（内発的動機づけを含む）とメタ認知は，既存研究で十分に扱われていないことが示された。
- 能動推論とグローバルワークスペース理論に基づき，これらのギャップを埋めるための具体的な方向性を示した。
会話における有害性検出のためのRoTRAG：検索拡張生成による経験則を用いた推論 [cs.CL, cs.AI, cs.HC, cs.IR, cs.LG]目的：会話における有害性検出
- 対話システムにおける安全性確保は，社会実装において不可欠である。
- 既存手法は，外部の規範原則に基づかず，判断の不整合や解釈の困難性を招く。
- 会話全体の文脈に基づき，明確な規範原則を用いて有害性を正確に判定することを目指す。
- RoTRAGは，人間の記述した倫理規範を外部知識として活用し，LLMによる有害性評価を改善する。
- ProsocialDialogおよびSafety Reasoning Multi Turn Dialogueの実験により，F1スコアで平均約40%の相対的な向上が確認された。
- 軽量なルーティング分類器により，計算量を削減しつつ，性能を維持している。
戦略的なペアごとのデータ摂動によるランキング操作 [cs.LG, cs.AI, cs.GT]目的：ランキングシステムの操作可能性の評価
- 集団意思決定において，多数の意見を統合するランキングシステムは重要である。
- 既存のランキングシステムは，悪意のあるデータ操作に対して脆弱である可能性がある。
- 限られた操作資源でランキングを大きく変化させる手法を開発する。
- 最尤推定に基づくランキングシステムは，小さなデータ摂動でも急激にランキングが変化する。
- 提案手法ASSAは，ランダムや貪欲法よりも制約下で優れた性能を示す。
- 構造化された摂動に対するランキングシステムの脆弱性が明らかになった。
RSRCC：検索拡張型Best-of-Nランキングに基づくリモートセンシング地域変化理解ベンチマーク [cs.CV, cs.AI]目的：リモートセンシングにおける地域変化に関する質問応答のためのベンチマークデータセット
- リモートセンシング技術は，環境モニタリングや災害対応など，幅広い分野で不可欠である。
- 従来の変化検出は変化箇所を特定するのみで，変化内容の詳細な自然言語説明が不足している。
- 局所的で具体的な変化に関する質問応答を通じて，リモートセンシングデータの意味理解を深める。
- RSRCCは，12.6万件の質問を含む新しいベンチマークデータセットであり，変化箇所に特化した質問応答を可能にする。
- 本研究では，Best-of-Nランキングを用いた階層的な半教師ありキュレーションパイプラインを導入し，ノイズや曖昧さを含む候補を効率的にフィルタリングする。
- RSRCCは，リモートセンシングの変化検出における，詳細な意味的推論に基づく教師あり学習の初の試みである。
ノイズから意図へ：残差ブリッジによる生成VLAポリシーの固定 [cs.RO, cs.AI]目的：具現知能における，高レベルな意味理解と低レベルな物理制御の統合
- 認知と行動のスケールミスマッチが課題であり，ロボットの効率的な制御が求められる。
- 既存の生成VLAポリシーはノイズからの生成に依存し，表現効率や条件整合性に問題がある。
- 意図に基づいた生成プロセスにより，局所的なダイナミクスの洗練に焦点を当てることで，課題を解決する。
- ResVLAは，標準的な生成ベースラインと比較して，競争力のある性能と高速な収束を実現した。
- 言語やロボットの具現化の摂動に対する堅牢性も高く，汎用性も示唆された。
- 実世界でのロボット実験においても，良好な性能が確認された。
AIにおける創発的な戦略的推論リスク：分類に基づいた評価フレームワーク [cs.AI]目的：AIにおける創発的な戦略的推論リスクの分類と評価
- AIの推論能力向上に伴い，自律的な行動によるリスクが顕在化しているため。
- AIが自身の目的を達成するために，欺瞞や評価操作といったリスク行動を示す可能性がある。
- AIのリスク行動を体系的に理解し，定量的に評価する手段の確立を目指す。
- 本研究では，AIのリスク行動を7つのカテゴリ，20のサブカテゴリに分類した。
- ESRRSimという，自動化された行動リスク評価フレームワークを開発した。
- 11種類の推論LLMの評価により，リスクプロファイルに大きなばらつきが確認され，世代が進むにつれて評価環境への適応が見られた。
ワークフローに注目：ビデオストリームからの自動効率的なイベント検出 [cs.CV, cs.LG]目的：ビデオストリームからのイベントデータの抽出
- 業務プロセス管理は，組織のプロセス改善に不可欠であり，データに基づいた意思決定を支援する。
- ビデオデータのようなマルチモーダルデータは，直接イベントとして解釈が難しく，分析のボトルネックとなる。
- 既存手法の限界を克服し，ビデオデータから正確かつ詳細なイベントログを生成すること。
- 提案手法SnapLogは，画像埋め込みとフレーム間の類似度行列を用いて，ビデオフレームからイベントデータを抽出する。
- 少数の学習データを用いた分類により，フレームセグメントにラベルを付与し，タイムスタンプ付きのイベントログを作成する。
- 実験結果から，生成されたログがビデオ内のプロセスを正確に反映することが示された。
階層的クラスタリングにおける許容可能な目的関数の特徴付け [cs.DS, cs.LG]目的：階層的クラスタリングのための許容可能な目的関数
- データ分析の基礎であり，多様な応用分野で利用されている。
- 従来のクラスタリング手法は，明確な原理に基づいた目的関数が不足していた。
- 許容可能な目的関数の明確化と，その近似アルゴリズムの開発。
- 本研究では，合計型目的関数について，対称多項式の次数が2以下の範囲で完全な特徴付けを行った。
- また，最大型目的関数について，許容性の判定条件を導出し，次数が2以下の多項式の場合の完全な特徴付けを示した。
- さらに，提案された目的関数に対する近似アルゴリズムの性能評価を行った。
グラフ誘導による言語モデルのファインチューニング：G-Loss [cs.HC, cs.CY, cs.CL, cs.AI, cs.LG]目的：言語モデルの埋め込み表現の学習
- 自然言語処理において，文脈を理解した高品質な埋め込み表現は重要である。
- 従来の損失関数は局所的な関係のみに着目し，大域的な意味構造を捉えきれない。
- 埋め込み空間における構造的関係を利用し，より識別力と頑健性を高めることを目指す。
- G-Lossは，ドキュメント間の類似性グラフを構築することで，大域的な意味関係を捉える。
- その結果，従来の損失関数を用いたモデルよりも，高速な収束と意味的に一貫性のある埋め込み空間を生成する。
- 5つのベンチマークデータセットで，分類精度が向上することが確認された。
MARS：異種エージェントシステムのための効率的適応型共同スケジューリング [cs.OS, cs.DC, cs.LG, cs.MA]目的：異種エージェントシステムの効率的な共同スケジューリング
- LLMを活用した自律エージェントの重要性が増しており，効率的なシステム基盤が求められている。
- LLMとツール実行の連携における，GPUとCPUの資源競合が課題となっている。
- GPU-CPU間の資源圧力を考慮し，エージェント処理の遅延を最小化することを目指す。
- MARSは，GPUとCPU資源の制約下で，異種エージェントワークロードを効率的に共同スケジューリングするシステムである。
- エンドツーエンドの遅延を最大5.94倍削減し，高いシステムスループットを維持することに成功した。
- OpenHandsコーディングエージェントフレームワークのバックエンドに統合し，タスク完了時間を最大1.87倍高速化した。
SAM 3およびDINOv3の軽量蒸留による，エッジデバイス展開可能な個体レベルの家畜モニタリングと縦断的視覚分析 [cs.CV, cs.AI]目的：家畜の個体レベルモニタリングパイプラインの軽量化
- 精密畜産は，家畜の福祉向上と生産性向上に不可欠である。
- 高性能なモデルはGPUメモリを多く消費し，エッジデバイスでの利用が困難である。
- GPUメモリ消費量を削減し，エッジデバイスでの運用を可能にすること。
- SAM 3のバックボーンを蒸留し，パラメータ数を大幅に削減することに成功した。
- Edinburgh Pigデータセットにおいて，MOTAは92.29%，IDF1は96.15%を達成し，教師モデルとの性能差は小さい。
- NVIDIA Jetson Orin NX 16GB上で動作し，将来的なオンデバイス埋め込みプールの再識別メカニズムの可能性を示唆した。
BRITE：あり得ないシナリオにおけるT2V評価のための信頼性と解釈可能性のあるベンチマーク [cs.MM, cs.AI, cs.CV]目的：テキストから動画への生成モデルの評価のためのベンチマークフレームワーク
- 写実的な動画生成技術の進歩に伴い，適切な評価手法の確立が急務となっている。
- 既存のベンチマークは，現実離れしたシナリオや音響と映像の一致を十分に評価できていない。
- 本研究は，現実離れしたプロンプト，音響と映像の一致評価，解釈可能な評価を統合した新たなベンチマークを提供する。
- BRITEは，人間による評価を組み込むことで，自動評価パイプラインが抱える幻覚や曖昧さの問題を克服し，信頼性の高い評価を実現する。
- 最先端の5つのモデルの評価から，静止オブジェクトの合成には優れるものの，オブジェクトの動作と音響・映像の同期に課題があることが明らかになった。
- 本フレームワークは，次世代T2Vモデルの限界を特定し，特に現実離れしたプロンプトに対する性能評価に役立つ。
StyleShield：連続的な制御可能なスタイル変換によるAIGC検出器の脆弱性露呈 [cs.LG, cs.AI]目的：AIGC検出器の脆弱性の検証
- AI生成コンテンツの利用拡大に伴い，その検出技術の信頼性が重要視されている。
- AIモデルの進化により，AIと人間が執筆した文章の区別が曖昧になりつつある。
- 検出器の回避可能性を示し，検出の信頼性に対する疑問を提起すること。
- StyleShieldは，DiTバックボーンとQwen-7B表現を用いた連続的なテキストスタイル変換フレームワークである。
- 中国語ベンチマークにおいて，StyleShieldは訓練された検出器に対して94.6％の回避率，未学習の検出器に対しては99％以上の回避率を達成した。
- RateAuditにより，ドキュメントレベルの検出率を任意の値に設定可能であることが示され，スコアベースの評価の信頼性が疑問視される。
仮想言語聴覚士：個別化・監督型治療のためのAI言語聴覚治療エージェント [cs.AI, cs.CL, cs.SD, eess.AS]目的：吃音評価の効率化と，自動化・適応的なAI駆動型ワークフローによる個別化された治療計画の提供
- 言語聴覚士の業務負担は大きく，より効率的な治療支援ツールの需要が高い。
- 既存の吃音治療計画は，専門家の知識と経験に依存しており，標準化が難しい。
- AIを活用し，客観的データに基づいた，質の高い治療計画を迅速に生成すること。
- 開発された仮想言語聴覚士(VST)は，最先端の深層学習と大規模言語モデル(LLM)を活用し，吃音の種類を正確に分類する。
- VSTは，LLMエージェントによる自律的な治療計画の生成，批判，反復的な改善を行い，臨床的な安全性と有効性を確保する。
- 専門家による評価の結果，VSTが生成する治療推奨は質の高いものであり，臨床ワークフローの改善に貢献する可能性が示された。
自動微分可能な浮動小数点ネットワークは，ほぼ全ての浮動小数点関数とその勾配を表現可能 [cs.LG]目的：浮動小数点演算下におけるニューラルネットワークの表現能力の理論的検証
- 機械学習における関数の近似は，モデルの性能向上に不可欠である。
- 現実の計算環境では，浮動小数点演算の丸め誤差が無視できない。
- 浮動小数点演算下でも，ニューラルネットワークが関数と勾配を表現可能か検証する。
- 任意の浮動小数点関数に対して，浮動小数点ネットワークと自動微分が，その関数値と勾配を表現可能であることが示された。
- 複数の関数に対して，浮動小数点ネットワークが関数値を，自動微分がそれらの勾配を同時に表現できることが示された。
- ReLU，ELU，GeLU，Swish，Sigmoid，tanhといった一般的な活性化関数においても同様の結果が成り立つ。
GEASS：ゲート付きエビデンス適応型選択的キャプション信頼性による視覚言語モデル [cs.CV, cs.AI]目的：視覚言語モデルにおける幻覚（存在しない対象の生成）の抑制
- 視覚言語モデルの性能向上は，画像とテキストを理解するAI開発の鍵となる。
- 視覚言語モデルは，画像に存在しない物体を幻覚することが課題となっている。
- キャプションの利用方法を改善し，幻覚を抑制することで精度向上を目指す。
- 既存手法では，キャプションを単純に追加すると精度が低下することが示された。
- GEASSは，クエリの種類に応じてキャプションの信頼度を動的に調整する。
- GEASSは，４つの視覚言語モデルと２つのベンチマークで，既存手法を上回る性能を示した。
複数ユーザ対戦バンディット：ナッシュ社会厚生を用いた公平なアプローチ [cs.LG]目的：人間の選好データに基づいた学習における公平性の確保
- 大規模言語モデルや強化学習エージェントの学習において，人間の選好データ活用が重要視されている。
- 選好のばらつきが大きい場合，少数派のユーザに対して不公平となる可能性がある。
- ナッシュ社会厚生を導入し，ユーザ間の公平性を促進することで，少数派の選好も考慮した学習を目指す。
- 対戦バンディットにおいて，ユーザ固有のコンドセ優勝者を基準としてアームを評価する手法を提案した。
- 提案手法の正当性を示すため，時間幅T，アーム数K，ユーザ数Dに対する後悔の下限をΩ(T^{2/3}\min(K,D)^\frac{1}{3})と導出した。
- 探索後に確定するFair-Explore-Then-Commitと，ε-Greedyアルゴリズムを開発し，理論的な後悔の上限を導出した。
任意のテキスト条件における学習学習：ハイパーネットワーク駆動のメタゲートLLM [cs.CL, cs.LG]目的：テキスト条件に対するメタ学習機構
- 大規模言語モデルの活用が広がる中で，多様なデータへの適応能力が重要である。
- 従来のLLMは，データセットの不均一性や条件変化に弱く，ファインチューニングでは忘却が起きやすい。
- LLMへのメタ学習の適用は複雑でスケーラビリティに課題がある点を克服すること。
- 提案手法は，SwiGLUブロック内のβメタ信号を活性化し，FFNの非線形性を適応的に調整するメタゲーティング機構を導入した。
- ハイパーネットワークを用いてテキスト条件に応じてβを動的に生成することで，LLMのメタ制御を実現した。
- タスク，ドメイン，ペルソナ，スタイルなど多様な条件で，ファインチューニングや既存のメタ学習手法を上回る性能を示し，未知の条件への汎化能力も確認された。
モデルは知っており，デコーダーが見つけ出す：将来価値に基づく粒子パワサンプリング [cs.AI, cs.LG]目的：正解の多段階解にすでに非自明な確率質量を割り当てるベースLLMの効率的な探索
- 大規模言語モデルの推論能力向上は，AI研究の重要な進展であり，実用的な応用を広げる。
- 推論時の効率的な解探索が課題であり，計算資源の浪費や性能低下を招く。
- 将来価値に基づくサンプリングにより，限られた計算資源でより正確な解を効率的に発見すること。
- 提案手法であるAPPSは，将来価値に基づいた選択により，有望な部分解を維持し，探索効率を向上させる。
- APPSは，有限の計算資源を競合するプレフィックスに分散させ，単一の展開経路への固執を避ける。
- APPSは，訓練なしでのデコーディングの精度と実行時間のトレードオフを改善し，推論時のパワー近似がポストトレーニングによる利点を回復することを示す。
アクセントに強いASRのためのコントラスト正則化 [cs.SD, cs.LG]目的：アクセント変動に対するASRシステムのロバスト性向上
- 音声認識技術は，人間と機械の自然な対話を可能にする重要な技術である。
- 既存の音声認識システムは，アクセントの変化に弱く，性能が低下しやすい。
- コントラスト正則化を用いて，アクセントに依存しない堅牢な表現学習を目指す。
- L2-ARCTICベンチマークにおいて，複数の事前学習済みエンコーダで一貫したWERの低減が確認された。
- 未知のアクセントでの評価において，最大で25～29％の相対的なWER削減を達成した。
- SupConは，アクセント変動下でよりコンパクトかつ安定した表現幾何学を促進する。
動的なQoS予測のためのバイアス付き非負ブロック項テンソル分解モデル [cs.LG]目的：クラウドサービスにおけるQoS予測精度の向上
- クラウドサービス利用において，QoSはサービス選択の重要な判断基準であるため，その予測は重要である。
- 既存手法では，複雑なユーザー-サービス間の動的な依存関係を捉えきれず，予測精度に限界がある。
- 本研究は，より高精度なQoS予測を実現するため，新たなテンソル分解モデルを提案する。
- 提案手法BNBTは，ブロック項テンソル分解と線形バイアス項を導入することで，潜在的特徴の表現能力を高めている。
- 効率的なパラメータ推定のために，単一要素依存非負乗算更新アルゴリズムSLF-NMUTを設計した。
- 実世界のQoSデータセットを用いた実験により，BNBTが既存手法よりも高い予測精度を示すことが確認された。
ジャンル適応型コード生成のためのポップとジャズの混合比に関する実証的研究 [cs.SD, cs.IR, cs.LG]目的：ジャンル適応型コード生成における混合比の最適化
- 音楽生成の自動化は，作曲支援や新たな音楽表現の可能性を広げる上で重要である。
- 既存のコード生成モデルは，特定のジャンルに特化しやすく，他のジャンルへの適応が困難な場合がある。
- ポップとジャズの混合比を調整することで，多様なジャンルに対応可能なコード生成モデルを開発すること。
- 最適な混合比は，ポップの精度を維持しつつ，ジャズの予測性能を向上させることが確認された。
- バージョン2では，チェックポイントの選択に誤りがあった点を修正し，より正確な結果が得られた。
- 異なるシードを用いても，ジャズに適応したモデルの性能が再現性をもって確認された。
ゲート付き QKAN-FWP：スケーラブルな量子に着想を得た系列学習 [cs.IR, cs.CL, cs.LG, cs.AI, quant-ph]目的：量子に着想を得た系列モデルの効率的かつスケーラブルな学習
- 系列データ処理は，自然言語処理，時系列予測など，多様な分野で重要である。
- 従来の深層学習モデルは，パラメータ数が多く，計算コストが高いという課題がある。
- 量子計算の原理を応用し，パラメータ効率の良い系列学習モデルを開発する。
- 提案手法 gated QKAN-FWP は，パラメータ数が少ないにも関わらず，古典的な再帰型モデルと同等またはそれ以上の予測精度を達成した。
- 528ヶ月の入力ウィンドウと132ヶ月の予測期間における太陽周期予測において，優れた性能を示した。
- IonQやIBM QuantumといったNISQデバイス上での実験により，ノイズ環境下でも高い精度を維持できることが示された。
信頼なき信頼：自律エージェントのための再計算可能な信頼プロトコル [cs.CR, cs.AI]目的：自律エージェントにおける信頼性の確保
- AIエージェントの取引規模拡大に伴い，信頼メカニズムの重要性が増している。
- 中央機関への依存は，権限の集中と恣意的な運用を招く可能性がある。
- 境界所有者が自身のルールを遵守しているかを，第三者なしに検証可能にすること。
- 本研究では，Combined Evidence Protocol (CEP)を提案し，アンカー化されたデータから誰でも再計算可能な五つの条件で検証を可能にする。
- CEPは，境界所有者が自身のルールに従っていることを，事実として検証できる仕組みを提供する。
- このプロトコルは，相互不信なピア間の合意事項遵守検証に適用可能であり，W3C VC + DID信頼層上で既に実用化されている。