arXiv雑要約
AI - 2026/06/19 公開
Tri-Info：情報理論によるVLAモデルの汎用性・解釈性のある故障予測 [cs.RO, cs.AI, cs.CV, cs.LG]目的：VLAモデルにおける故障の予測手法
- VLAモデルの応用範囲拡大に伴い，安全性の確保が重要課題となっている。
- VLAモデルの動作原理が不明瞭であり，故障時の原因特定が困難である。
- 汎用性と解釈性のある故障予測により，安全なVLAモデルの実現を目指す。
- Tri-Infoは，6つのVLAモデルと3つのベンチマーク環境で，既存の最高性能手法と同等の性能を示した。
- アーキテクチャ，環境，シミュレーションから実世界へのギャップを越えて転移学習が可能であり，実世界タスクで83%の精度を達成した。
- 故障検出に加え，故障モードの解釈を可能にする簡潔で強力な手法である。
ドットをつなぐ：強化学習によるドメイン横断的な汎化能力を用いた，長寿命エージェントのためのLLMの訓練 [cs.LG, cs.AI, cs.CL]目的：長寿命エージェントに必要となるメタ能力「ドットをつなぐ」をLLMに訓練するための汎用的な枠組み
- LLMを活用した自律エージェントの実現には，継続的な学習と環境への適応が不可欠である。
- LLMは特定のドメインに特化しやすく，異なる環境への汎化能力が課題となっている。
- LLMに環境探索と自己更新を通じて学習し，将来のタスク性能を向上させる能力を習得させる。
- 本研究では，タスク解決とコンテキスト更新を繰り返す強化学習フレームワークが有効であることを示した。
- 訓練されたLLMは，訓練ドメイン内，異なるドメイン，およびRalph-loop設定において，高い汎化能力を示すことが確認された。
- この研究は，LLMとAIエージェントの発展に新たな可能性を開き，今後の研究を促進する。
StreamKL：アテンション蒸留のための高速かつメモリ効率の良いKLダイバージェンス [cs.LG, cs.AI]目的：アテンション蒸留におけるKLダイバージェンスの高速化とメモリ効率の向上
- 知識蒸留やモデル圧縮の分野において，アテンション機構の効率的な学習が不可欠である。
- 既存手法では，アテンション分布を事前にマテリアライズするため，長い系列長でメモリ使用量が増大する。
- StreamKLは，アテンション分布のマテリアライズを不要にし，メモリ使用量を削減することで，長文脈での蒸留を可能とする。
- StreamKLは，既存手法と比較して，順伝播で最大43倍，逆伝播で最大14倍の高速化を実現した。
- StreamKLは，アテンション蒸留におけるHBM使用量を，$O(N_QN_K)$から$O(1)$へと大幅に削減した。
- これにより，単一のGPUで長文脈の蒸留が可能となり，計算リソースの制約を克服した。
VIMPO：LLMにおける価値暗黙的方策最適化 [cs.LG]目的：大規模言語モデルの推論能力向上
- LLMの性能向上が重要視されており，特に推論能力の向上が課題となっている。
- 既存手法は，簡便性と報酬の適切な帰属のバランスを取るのが困難である。
- 価値関数を学習せずに，報酬を組み込みながら方策を改善することを目指す。
- VIMPOは，KL正則化された強化学習の最適条件から価値関数を導出する，批評家不要の方策最適化手法である。
- 数学的RLVRベンチマークにおいて，VIMPOはGRPOを上回り，特に競争形式の評価で大きな改善が見られた。
- ノイズの多い報酬下でもVIMPOはGRPOに対して一貫した優位性を示しており，暗黙的価値最適化がより詳細な報酬帰属を可能にする。
スケール異質性を持つ時系列予測のための自己適応型スケール処理 [cs.LG]目的：スケール異質性を持つ時系列データの予測における課題解決
- 時系列予測は，金融，製造業など幅広い分野で重要な役割を担う。
- 従来の時系列予測は，スケールが均一なデータに焦点を当てており，現実の産業データには不向きである。
- 異なるスケールの時系列データに対し，情報損失や誤差増幅を防ぎつつ，効率的な予測を目指す。
- 提案手法であるASモジュールは，入力毎にスケール因子を学習し，データの識別性を保ちつつ逆スケール誤差を低減する。
- ASモジュールは，事前平均スケール因子の調整を行うスケール較正（SC）と，較正の適用を決定するスケーリング選択（SS）で構成される。
- 実際のファンド販売データによる実験で，ASモジュールが既存の時系列予測モデルに容易に組み込み可能であり，性能向上に貢献することが示された。
マルチエージェントゲームにおける階層的制御：LLMによる計画とRLによる実行 [cs.LG, cs.AI]目的：マルチエージェントゲームにおける戦略的制御と協調行動の実現
- 複雑な環境下での協調行動は重要であり，特に多人数でのゲームにおいて課題となる。
- 報酬の希薄性や状態空間の広さから，従来の強化学習では協調戦略の学習が困難である。
- LLMとRLを組み合わせ，複雑な環境下での協調行動を効率的に学習することを目指す。
- 提案手法は，既存の行動木(BT)と比較して遜色ない性能（勝率46.4% vs 51.5%, p=0.103）を示した。
- 従来の強化学習(Flat RL)と比較して，有意に高い性能を発揮した。
- ユーザ調査の結果，LLM+RLエージェントは人間らしい行動として認識された（60%, p=0.027）。
長大道路橋梁における適応距離認識トランク深層演算子学習 [cs.LG]目的：長大道路橋梁の局所的な構造応答予測
- 橋梁の構造保全は社会基盤を支える上で重要であり，効率的な解析手法が求められる。
- 従来の構造解析は計算コストが高く，リアルタイムな評価やデジタルツインへの応用が困難である。
- 高精度かつ高速な構造応答予測を実現し，橋梁の維持管理を効率化することを目指す。
- 提案手法は，FEMレベルの精度（相対誤差5%以下）で構造応答を予測することが確認された。
- 総応答評価時間を約60倍，推論時間を最大4桁削減できることが示された。
- 任意の車両荷重条件下での全場応答，影響線，影響面を迅速に生成できる可能性が示唆された。
十分な権限で事足る場合：LLMエージェントにおける過剰な権限を持つツールの選択に関する調査 [cs.SE, cs.AI, cs.CL]目的：LLMエージェントのツール選択における，過剰な権限を持つツールの選択の調査
- LLMエージェントの自律的なツール選択が重要視される中，セキュリティ上の考慮が不可欠となっている。
- 従来のツール選択研究は安全性を考慮せず，権限に基づいた選択は十分に探求されていない。
- より安全なツール選択を促すため，過剰な権限を持つツールの選択とその軽減策を検討する。
- LLMエージェントは，十分な権限を持つ代替手段があるにもかかわらず，過剰な権限を持つツールを選択する傾向があることが示された。
- ツールの一時的な故障は，この過剰な権限を持つツール選択をさらに悪化させる。
- 権限を意識した事後学習防御により，不必要な高権限ツールの使用を大幅に削減しつつ，一般的な機能を維持できることが確認された。
ロボット移動式フルフィルメントシステムにおける効率的な経路探索のためのニューロモーフィック強化学習フレームワーク [cs.RO, cs.AI]目的：ロボット移動式フルフィルメントシステムにおける経路探索
- 物流現場の自動化が進む中，ロボットの効率的な経路探索は生産性向上に不可欠である。
- 従来の探索手法は計算量が多く，リアルタイム性に課題があり，複雑な環境下での運用が困難である。
- ニューロモーフィックチップを活用し，省電力かつ高速な経路探索を実現することを目指す。
- 本研究では，強化学習で訓練されたポリシーをニューロモーフィックチップに展開するフレームワークSDQN-RMFSを提案した。
- ANNからSNNへの変換において，ハードラベル知識蒸留による出力分布の不一致を解消し，性能劣化を抑制することに成功した。
- 実験結果から，GPUと比較して最大11,281倍の省電力化と約2倍のレイテンシ削減が確認された。
AlphaEarthとTESSERAの埋め込み表現を用いた微細スケール地域気候区分図作成の可能性：スイスの5都市を対象とした事例研究 [cs.LG]目的：微細スケール地域気候区分図の作成可能性評価
- 都市気候の研究は，気候変動への適応や持続可能な都市計画に不可欠である。
- 既存の地域気候区分図は粗い解像度であるため，詳細な都市研究には不向きである。
- 本研究は，高解像度な地域気候区分図を効率的に作成する方法を模索する。
- AlphaEarthとTESSERAの埋め込み表現は，従来のSentinel-1/2データと同等の性能を示した。
- TESSERAは，特に両設定においてS1S2およびAlphaEarthよりも一貫して高い性能を発揮した。
- 年間の埋め込み表現モデルの転移は課題が残るものの，EO基盤モデル由来の埋め込み表現の可能性が示された。
PU-UNet：医療画像セグメンテーションのための安定した乗算的相互作用 [cs.CV, cs.LG]目的：医療画像セグメンテーションにおける，安定した乗算的相互作用の活用
- 医療画像解析は，疾患の早期発見や正確な診断に不可欠であり，その精度向上は重要な課題である。
- 既存の深層学習モデルでは，高次の特徴量の相互作用を明示的にモデル化することが難しく，数値的な不安定性が問題となる。
- 本研究は，安定した乗算的相互作用を導入することで，医療画像セグメンテーションの精度向上を目指す。
- 提案手法PU-UNetは，ISIC 2018，Kvasir-SEG，BUSIにおいて，それぞれ0.942，0.959，最大0.925のDice係数を達成した。
- 従来のResidual U-Netと比較して，Dice係数とIoUが改善され，パラメータ数，FLOPs，推論時間はほぼ変わらなかった。
- BUSIの正常症例における画像レベルの偽陽性率を0.077からゼロに削減することに成功した。
3D MRIおよびPETを用いた多角的アプローチによるアルツハイマー病の診断 [cs.LG]目的：アルツハイマー病の診断手法
- アルツハイマー病は世界的に死因の主要因であり，早期診断が重要である。
- 既存のモデルは，患者や施設間の異質性に弱く，計算資源を浪費しやすい。
- 患者ごとに重要な特徴を適応的に選択し，診断精度を向上させることを目指す。
- ゲート化多重モーダルユニット（GMU）は，正常対軽度認知障害で80.46%，正常対アルツハイマー病で95.47%の精度を達成した。
- ゲート化自己注意機構は，軽度認知障害対アルツハイマー病で82.08%の精度を達成した。
- MoEの除去は，すべてのタスクで精度を低下させた。入力適応型多角的モデリングの有効性が示された。
視認と到達：UAVの視野内における高精度な視覚言語ナビゲーション [cs.CV, cs.AI]目的：UAVの視野内に目標物が入った際の，正確な目標物認識と精密な3次元運動への変換能力の評価
- UAVの視覚言語ナビゲーションは，災害時の探索やインフラ点検など，様々な分野での応用が期待されている。
- 従来のUAV-VLNタスクは，長距離探索と最終接近を同時に最適化するため，精密な目標物認識能力の評価が困難であった。
- 視野内における目標物の正確な位置特定と，それに基づいた精密な3次元運動を実現し，UAVの到達能力を向上させる。
- 本研究では，目標物が見えている状態でのナビゲーションを評価するUAV-VLN-FOVタスクを新たに提案した。
- また，動的な3次元方向指示を用いる3DG-VLNフレームワークを開発し，視覚情報の正確な認識と空間方向の整合性を高めた。
- 実験の結果，3DG-VLNは既存手法と比較して，目標到達成功率が13.82%向上し，実環境での有効性も確認された。
内部バッテリー状態の自己回帰的予測に対するニューラルサロゲートアーキテクチャの比較研究 [cs.IR, cs.RO, cs.LG]目的：内部バッテリー状態の予測モデルのアーキテクチャ比較
- バッテリーの性能最適化や寿命予測には，内部状態の正確な把握が不可欠である。
- 高精度なバッテリーモデルは計算コストが高く，リアルタイムでの適用が困難である。
- 機械学習を用いて，高速かつ汎用性の高いバッテリー状態予測モデルを開発する。
- U-Netアーキテクチャは，全内部状態変数で平均3%の最終ステップnRMSEを達成した。
- U-Netは，数値ソルバーと比較して5.38倍の高速化を実現した。
- 空間的な誘導的バイアスが，サロゲートモデルの性能に重要な影響を与えることが示された。
PaAno+: 時系列異常検知のためのマルチスケールエンコーディングとクロス変数アテンション [cs.LG]目的：時系列異常検知におけるモデルの精度向上と計算効率の最適化
- 産業や医療など，様々な分野で時系列データの異常検知は重要な役割を果たす。
- Transformerや大規模モデルは計算コストが高く，軽量な代替手法は特徴抽出や変数間依存性のモデリングが不十分である。
- マルチスケールエンコーディングとクロス変数アテンションにより，計算効率を維持しつつ，より高精度な異常検知を実現する。
- 提案手法PaAno+は，単変量および多変量タスクにおいて，最先端の異常検知精度を達成した。
- VUS-PRなどの評価指標において，従来のPaAnoと比較して有意な性能向上を示した。
- コンパクトなネットワーク設計により，リソースに制約のある環境でのリアルタイム推論が可能となった。
大規模エンタープライズAIのための自律型イベント駆動マルチエージェントオーケストレーション [cs.RO, cs.AI]目的：エンタープライズAIにおける大規模なマルチエージェントオーケストレーション
- エンタープライズAIは，ビジネスの自動化と効率化に不可欠であり，その重要性は増している。
- 既存のマルチエージェントシステムは，リクエスト応答型ワークフローに偏っており，大規模エンタープライズ環境での適用が限定的である。
- エンタープライズ規模でのイベント駆動型マルチエージェントシステムの性能限界と改善策を明らかにすること。
- スケールが大きいほどオーケストレーションの性能が低下し，エージェント探索ノイズがボトルネックとなることが示された。
- DAG Plan and Executeは小規模では高精度だが，大規模になるとオーバーヘッドが増加し，ReActの方がロバストである。
- タスクマネージャーは，大規模エンタープライズ環境において，高優先度キューの待ち時間を14-75%短縮し，関連イベントの正確性を20%以上向上させた。
定理証明におけるリーンを用いたプロセス検証付き強化学習 [cs.HC, cs.IR, cs.CL, cs.CY, cs.AI]目的：定理証明支援システムのプロセス検証による強化学習の有効性
- 形式手法は，ソフトウェアやハードウェアの信頼性向上に不可欠であり，その自動化が求められている。
- 従来の強化学習は，二値の報酬信号に依存しており，形式検証の持つ詳細なフィードバックを活用できていない。
- リーンを用いたプロセス検証により，詳細かつ信頼性の高い報酬信号を生成し，強化学習の性能向上を目指す。
- リーン証明支援システムをプロセスオラクルとして活用することで，過程レベルと結果レベルの両方で検証されたフィードバックを得ることが可能となった。
- STP-LeanおよびDeepSeek-Prover-V1.5を用いた実験により，過程レベルの監督が結果のみに基づくベースラインを上回る性能を示した。
- 形式検証システムは，評価時の検証者としてだけでなく，学習時の報酬オラクルとしても機能しうることを示した。
潜在的思考の連鎖における効果的な指導：情報理論的分析 [cs.LG, cs.CL]目的：潜在的思考の連鎖における効果的な指導のメカニズム解明
- 大規模言語モデルの推論能力向上は，複雑なタスク遂行に不可欠である。
- 潜在的思考の連鎖では，学習シグナルが弱く，意味ドリフトが発生しやすい。
- 潜在的思考の連鎖における情報損失を抑制し，推論精度を向上させる。
- 潜在的思考の連鎖における失敗は，勾配の減衰と潜在空間における表現のドリフトという二重の崩壊に起因する。
- 軌道監視と空間監視という二つの補完的なプロセス監視の次元が，効果的な指導に重要であることが示された。
- 潜在軌跡と明示的な推論ステップ間の相互情報量を定量化する統合潜在プローブ（ULP）が提案された。
拡散Transformerのための学習可能なグローバルマージによる可変長トークン化 [cs.CV, cs.AI]目的：拡散モデルにおける品質と計算量のトレードオフの改善
- 潜在拡散モデルは画像生成で主流だが，計算資源との兼ね合いが課題である。
- 従来の可変長トークナイザーは，トークン位置に意味依存性をもたらし，異なる長さでの表現が揃わない。
- トークンマージによる可変長トークナイザーを提案し，表現のずれを解消することで拡散モデルの性能向上を目指す。
- 提案手法は，トークンをマージすることで，長さに関わらず表現の整合性を保つ。
- 学習可能なグローバルマージを導入し，生成時のデータ依存性を排除することで，拡散Transformerとの互換性を確保した。
- ImageNet 256x256生成において，既存の可変長トークナイザーよりも優れたgFID-計算量トレードオフを実現した。
VLMにおける隠された視覚的文脈の進化 [cs.CV, cs.AI]目的：大規模言語モデル(LLM)への視覚トークンの統合アーキテクチャの影響
- LLMと視覚情報の融合は，画像や動画を理解するAIの能力向上に不可欠である。
- 視覚トークンがLLM内でどのように変換され，言語空間と相互作用するかは不明な点が多い。
- 異なる統合アーキテクチャが視覚情報の利用に及ぼす影響を明らかにすること。
- 視覚トークンは初期段階では言語構造を持たないままLLMに入力される。
- 統合アーキテクチャによって視覚表現が再構築され，異なる周波数特性が捉えられる。
- 視覚表現の質が，タスクパフォーマンスを大きく左右する。
フローベース生成モデルを用いた残差空間進化最適化 [cs.AI]目的：生成モデルによるデータ編集のための残差空間進化最適化フレームワーク
- 生成モデルはデータ編集において強力だが，微分可能な目的関数を必要とする。
- フローベースモデルでは，微分不可能な目的関数やブラックボックス最適化が課題となる。
- フローベースモデルでの効率的なデータ編集を可能にする手法の提案。
- 残差空間進化最適化は，フローベース生成編集と進化アルゴリズムを組み合わせることで，この課題を克服する。
- 条件付きフローマッチング(CFM)を利用し，条件制御因子とインスタンス固有の残差を分離することで，効果的な探索と利用を実現する。
- MorphoMNISTと結晶データでの検証により，ターゲットへの適合性，インスタンスの保存，多様性のバランスが取れることが示された。
多頭注意機構に基づく特徴抽出器の統合とソフトアクタークリティックによる積層製造における気孔予測とプロセスパラメータ最適化 [cs.AI]目的：積層製造における気孔予測とプロセスパラメータ最適化
- 積層製造の品質向上には，精密なパラメータ制御が不可欠であるため，その最適化が重要視されている。
- 従来の強化学習は離散的な行動空間を用いるため，収束が遅く，局所最適解に陥りやすいという課題がある。
- 本研究は，連続的な行動空間と多頭注意機構により，強化学習の課題を克服し，より効率的な最適化を目指す。
- 提案手法は，レーザー粉末床溶融における気孔予測とプロセスパラメータ最適化において，既存の強化学習手法よりも高速な収束と高い最終報酬値を達成した。
- 特に，14エピソードで収束値322.79を達成し，DQN，PPO，TD3，vanilla SACなどの既存手法を上回る性能を示した。
- 学習中の安定性も維持されており，高精度な積層製造プロセスの実現に貢献する可能性が示唆された。
IHUBERT：ペルシア語リソースのためのベクトルベースのセマンティック重複排除とドメインバランス事前学習 [cs.CL, cs.AI]目的：ペルシア語の事前学習済み言語モデルの性能向上
- 自然言語処理において，言語固有のリソースはモデルの性能に大きく影響する。
- ペルシア語の事前学習コーパスは規模が小さく，質も十分でないという課題がある。
- 大規模かつ高品質なコーパスを用いた事前学習により，性能向上を目指す。
- IHUBERTは，PQuADおよびParsiNLU-RCにおいて，抽出型質問応答タスクで最高の結果を達成した。
- FarsTailの性能も向上し，Macro-F1で0.8350という最高値を記録した。
- IHUBERTは，セマンティックキュレーションによる大規模事前学習と，広範な評価を通してペルシア語言語モデリングを前進させた。
MakeupMirror：拡散モデルを用いたメイクアップ転送における顔の特徴保持の改善 [cs.CL, cs.CV, cs.AI, cs.GR, cs.LG, cs.MM]目的：拡散モデルを用いたメイクアップ転送における顔の特徴および肌色の保持改善
- オンラインメイクアップショッピングの仮想試着等のAR体験を向上させる技術として重要である。
- 既存の拡散モデルは，顔の同一性や肌色の保持に課題があり，実用レベルのVTOには至っていない。
- 顔の特徴と肌色をより忠実に保持し，実用的なVTOを可能にすることを目標とする。
- 提案手法MakeupMirrorは，顔の認識類似度をStable-Makeupと比較して60%向上させた。
- 肌色の違いをStable-Makeupと比較して50%低減し，より自然な転送を実現した。
- 推論速度は0.7秒であり，生成品質を維持しつつ高速化に貢献した。
指示に基づく音声編集のためのハイブリッド拡散Transformer：修正フローによるアプローチ [cs.SD, cs.AI, cs.MM]目的：指示に基づいた音声編集における性能と効率の向上
- 音声編集は，多様な用途において重要な技術であり，その需要は高まっている。
- 既存手法は，長距離のセマンティックアライメントや指示の正確な理解が課題となっていた。
- 提示された手法は，効率性と精度を両立させ，複雑な編集タスクを解決することを目指す。
- 提案手法は，修正フローマッチングに基づくハイブリッド2段階拡散Transformerアーキテクチャを採用する。
- 低解像度段階で粗いセマンティックアライメントを確立し，高解像度段階で詳細な編集を洗練させることで，効率的な編集を実現する。
- 複雑な編集タスクにおいて，既存手法を上回る性能と，コンパクトなモデルによる編集効率の改善が確認された。
センサー運動世界モデル：逆ダイナミクスによる行動のための知覚 [cs.LG, cs.AI]目的：行動のための知覚の表現
- 行動は世界認識の形成に不可欠であり，知覚は行動と密接に関連している。
- 潜在的な世界モデルの学習は，表現の崩壊を引き起こしやすく，安定した学習が困難である。
- 逆ダイナミクス正則化により，表現の崩壊を防ぎ，行動に沿った表現を獲得する。
- センサー運動世界モデル（SMWM）は，オフラインデータのみで安定した学習が可能である。
- SMWMは，コンパクトで解釈可能な潜在空間を学習し，制御タスクで良好な性能を発揮する。
- このモデルは，環境の制御可能な自由度を重視し，不要な情報を排除する。
分位数の平均：ミニマックス最適強化学習のためのボーナスフリーアンサンブル手法 [cs.LG]目的：ミニマックス最適強化学習のための，ボーナスを用いないアンサンブル手法
- 強化学習は，複雑な環境下での意思決定を自動化する上で不可欠である。
- 探索の指針となる不確実性の推定が困難であり，実用的なヒューリスティクスの設計が課題である。
- アンサンブルに基づく探索の理論的根拠を確立し，効率的な探索手法を提案する。
- 提案手法は，カウントベースではないシンプルなアプローチで，最適な分散依存後悔境界を達成した。
- 強化学習におけるアンサンブルに基づく探索に理論的な裏付けを与えた。
- 有限ホライズンマルコフ決定過程において，効率的な探索が可能であることを示した。
解剖学的事前知識を用いた眼底画像品質評価の説明可能性：EFIQA [cs.CV, cs.LG]目的：眼底画像の品質評価手法の開発
- 眼底画像は，様々な疾患の診断に不可欠であり，その品質は診断精度に大きく影響する。
- 既存の深層学習ベースの品質評価手法は，データセット固有のラベルに依存し，汎化性能や説明可能性に課題がある。
- EFIQAは，ラベルを用いずに解剖学的事前知識を活用することで，品質の低下箇所を特定し，説明可能な品質評価を実現する。
- EFIQAは，教師なし学習による異常検知と，事前知識の蒸留を組み合わせることで，高品質な品質マップを生成する。
- 外部データセットによる評価において，既存の教師あり学習手法と比較して，EFIQAは優れた性能と説明可能性を示すことが確認された。
- EFIQAは，様々な品質基準を持つベンチマークで良好な結果を示し，実用的な応用が期待される。
キャリブレーション失敗時の脆弱な病院：リスクカーブ縮小による連合型共形リスク制御 [cs.CL, cs.IR, cs.LG, cs.CV]目的：連合学習におけるセグメンテーション品質の保証
- 医療画像解析の信頼性確保は，診断精度向上と患者ケアの質に不可欠である。
- 連合学習における単純なキャリブレーションでは，一部の病院で保証が破綻する問題がある。
- リスクカーブ縮小により，各病院のリスクを考慮した適切な閾値を設定し，保証を維持する。
- 従来の連合型共形リスク制御では，平均的な病院は保護されるものの，40％の病院でカバレッジが不足していた。
- 提案手法であるリスクカーブ縮小に基づく連合型共形リスク制御は，カバレッジと予測セットの効率性を両立した。
- ハイパーパラメータ調整により，カバレッジ違反を2.7/20に抑制し，予測セットの拡大を2.0倍に抑えることができた。
Pose6DAug: ロボットデータ拡張のための物理的に妥当な多視点オブジェクト置換 [cs.CE, cs.RO, cs.LG]目的：汎用操作のためのビジョン・言語・行動ポリシーの汎化性能向上
- ロボットによる多様な物体操作を可能にするため，汎用的な操作ポリシーの開発が重要である。
- 学習データに存在しない未知の物体に対しては，既存のポリシーは性能が低下しやすいという課題がある。
- ポリシーが成功したエピソードを有効活用し，新たなデータ収集コストを抑えつつ汎化性能を向上させる。
- 提案手法Pose6DAugは，ポリシー自身の成功エピソードを基に，物理的に妥当な多視点オブジェクト置換を行うことでデータ拡張を実現する。
- 3D空間でのメッシュ駆動による6Dポーズ軌跡に基づき，多視点の一貫性と物理的な妥当性を確保する点が特徴である。
- 新たな物体に対する成功率が16.5%向上し，既存の性能を維持しながら汎化性能を高めることを実証した。
自然言語プロトコルのロボット実験プラットフォームへのクロスモデル検証翻訳のための二重エージェントフレームワーク [cs.RO, cs.AI]目的：自然言語で記述された実験プロトコルを，ロボット実験プラットフォームで実行可能な制御コマンドへと翻訳するフレームワーク
- 生物実験プロトコルは自然言語で書かれる一方，自動化システムは定義済みのコマンドに依存し，自律実行の限界がある。
- マイクロプレート実験では，ウェルマッピング，試薬組み合わせ，繰り返し配置，並列分注などを同時に制御する必要があり，複雑性が高い。
- 自然言語のプロトコルとロボットプラットフォーム間の意味的ギャップを埋め，マイクロプレート実験の自律実行を実現すること。
- パーサーエージェントとルールベースマッピングエンジンにより，自然言語プロトコルをロボット制御コマンドへと変換するフレームワークを提案。
- LLM検証エージェントによるクロスモデル検証により，翻訳の完全性，パラメータ精度，実行順序の確認と自己修正ループを実現。
- ELISAプロトコルを用いた実験で，フレームワークの有効性と，Bradfordアッセイによるタンパク質定量実験の自律実行を実証。
ScaffoldAgent：オープンエンド型深層研究のためのユーティリティ誘導動的アウトライン最適化 [cs.AI, cs.MA]目的：オープンエンド型深層研究におけるアウトライン最適化
- 深層研究では，知識獲得と長文レポート生成にアウトラインが不可欠である。
- 既存手法では，アウトラインが固定されているか，局所的なヒューリスティックで修正されるため，情報蓄積に伴いアウトラインが不安定になる。
- 継続的な情報蓄積とフィードバックに基づき，アウトラインの最適化を制御することを目指す。
- ScaffoldAgentは，アウトラインの進化を拡張，収縮，修正という構造化された意思決定プロセスとしてモデル化する。
- 検索の利得，構造的な整合性，試行生成の品質から各アウトライン操作の価値を推定するユーティリティ誘導型フィードバックメカニズムを導入する。
- DeepResearch BenchおよびDeepResearch Gymでの実験により，ScaffoldAgentが既存の深層研究エージェントと比較して，長文レポート生成と事実に基づいた根拠付けを改善することが示された。
LLM生成GPUカーネルにおける正しさの錯覚 [eess.SY, cs.SY, cs.SE, cs.DC, cs.LG]目的：LLM生成GPUカーネルの正しさ評価方法の検証
- GPUカーネルは高性能計算に不可欠であり，その自動生成技術が注目されている。
- 既存の評価方法は，限られたテストケースと固定された許容範囲に依存しており，誤った結果を導く可能性がある。
- LLM生成カーネルの信頼性を高めるため，より厳密な正しさ評価手法を確立することを目指す。
- 既存のベンチマークでは，LLM生成GPUカーネルの誤りを検出しきれない場合があることが示された。
- 構築したテストデータを用いて，既存の評価方法では誤ったカーネルを正しく評価してしまう「正しさの錯覚」を再現した。
- 複数のGPU環境で検証した結果，既存の評価方法の限界と，より厳密な評価の必要性が確認された。
周波数認識フローマッチングによる連続的かつ一貫性のあるロボット行動生成 [cs.RO, cs.AI]目的：連続的かつ時間的に一貫性のあるロボット行動の生成
- ロボット操作において，複雑な多峰性行動分布をモデル化する手法の重要性が高まっている。
- 既存手法は離散的な行動チャンクに依存し，異なる制御周波数でのデータや時間的不整合な行動に弱い。
- 本研究は，異なった周波数での入力に対応し，時間的に一貫性のある行動生成を目指す。
- 周波数認識フローマッチング（FAFM）は，離散コサイン変換を用いて行動を周波数領域に変換し，時間的な滑らかさを促進する。
- FAFMはネットワークパラメータを追加することなく，既存のフローマッチングポリシーやビジョン言語行動モデルに適用可能である。
- シミュレーションおよび実ロボット実験において，成功率，多様性，滑らかさ，収束速度，ロバスト性が向上した。
プロンプト学習：適応型LLMベースの高校生向け個別指導による生徒の学習意欲向上 [cs.AI, cs.CL, cs.HC, cs.LG]目的：高校生向け個別指導における生徒の学習意欲向上
- 教育の個別最適化ニーズが高まっており，LLMはその可能性を秘めている。
- 従来の個別指導システムは，多様な学問分野への適応が課題であった。
- LLMのプロンプトを科目ごとに最適化することで，個別指導の質を向上させる。
- シミュレーション環境において，提案手法は既存の静的プロンプトベースラインを上回った。
- A/Bテストの結果，学習戦略の切り替えが確認され，シミュレーションから実際の環境への転移が示唆された。
- 適応型プロンプト選択機構は，指導効率を向上させ，対話回数を平均3ターン削減した。
RACL：継続メタヒューリスティック学習のための推論エージェント制御層 [cs.AI, cs.MA]目的：メタヒューリスティックの制御方法
- 最適化問題解決において，メタヒューリスティックは重要な役割を果たす。
- メタヒューリスティックの性能は，パラメータ調整や探索戦略に依存し，最適化が困難である。
- 推論エージェントを用いた制御層により，メタヒューリスティックの自動改善を目指す。
- RACLは，既存の最適化手法に推論エージェントを組み込むことで，探索行動を制御する。
- 実験の結果，RACLは21件の実行可能なケース全てで，既存手法よりも優れた，または同等の結果を示した。
- 特にSevilla-9/10のテストケースでは，固定戦略やStagnation-Triggered Policyと比較して，平均コストをそれぞれ8.337%と1.605%改善した。
BIM-Edit：IFCベースのビルディングインフォメーションモデリングにおける大規模言語モデルのベンチマーク [cs.AI]目的：IFC形式のビルディングインフォメーションモデル（BIM）に対する自然言語による編集能力の評価
- 建築設計の効率化と自動化は，建設業界における生産性向上に不可欠である。
- 既存のCADベンチマークは新規モデル作成に偏っており，編集能力や意味的整合性の評価が不十分である。
- BIMモデルの編集における大規模言語モデルの能力限界を明らかにし，改善の方向性を示す。
- 本研究で開発されたBIM-Editベンチマークは，建築モデルの編集において，大規模言語モデルの性能を多角的に評価することを可能にする。
- 評価されたモデルの平均スコアは49.5%にとどまり，タスクの3.4%未満しか完全に解決できないことが示された。
- この結果は，大規模言語モデルの現状の能力と，構造化されたエンジニアリング設計ワークフローの要件との間に大きなギャップがあることを示唆する。
ハイブリッドANN-SNNパイプラインと局所的な可塑性 [cs.RO, cs.NE, cs.AI]目的：高性能なスパイクニューラルネットワークの実現
- 深層学習の発展により画像認識等の性能が向上，低消費電力な学習手法が求められている。
- 従来のSNNは学習が困難であり，深層学習に匹敵する性能を達成することが課題であった。
- 事前学習済みANNの知識を活用し，効率的なSNNの学習を可能にすること。
- 本研究では，事前学習済みEfficientNetエンコーダとCoLaNETスパイク分類器を組み合わせたハイブリッドパイプラインを提案した。
- エンコーダの活性化をレートコーディングでスパイク列車に変換し，局所的な学習規則を用いて分類器を学習することで，勾配降下法の必要性を回避した。
- ImageNet 64クラスベンチマークにおいて99.09%の精度を達成し，従来の深層ネットワークと同等の性能を示した。
テキストからスコアへ：大規模言語モデルにおけるエッセイ品質表現の出現過程 [cs.CL, cs.AI]目的：大規模言語モデルにおけるエッセイ品質表現の構造
- 自動採点システムの精度向上は，教育現場での負担軽減に不可欠である。
- 大規模言語モデルによる自動採点の仕組みはブラックボックスであり，解釈性が低い。
- 大規模言語モデルがどのようにエッセイ品質を表現しているかを明らかにすること。
- 大規模言語モデルは，エッセイ品質情報を線形的にアクセス可能な形で表現していることが示された。
- エッセイ品質表現は層を重ねるごとに徐々に形成され，プロンプト戦略や採点基準に依存しない頑健性を持つ。
- 特定の「エッセイ採点ニューロン」が発見され，その活動がエッセイのスコアと強い相関関係を示すことが確認された。
汎化PINNのためのモジュールフリーな衝突回避学習 [cs.AI]目的：偏微分方程式を解くための汎化PINNの学習手法
- 物理現象のシミュレーションにおいて，精度と効率が求められるため，PINNのような手法が重要視されている。
- PINNの学習は不安定であり，特にモデルの規模が大きくなると，勾配の干渉や収束の遅延といった問題が生じやすい。
- モデルの規模拡大に伴う機能モジュール化を抑制し，目的間の相互作用を促進することで，PINNの学習安定性と精度を向上させる。
- 提案手法ModSyncは，タスク固有の接続を抑制し，目的間の相互作用を促進する構造最適化を導入することで，PINNの学習における容量駆動型の失敗を防ぐ。
- 様々な偏微分方程式のベンチマークテストにおいて，ModSyncはロバストな目的間結合を維持し，最先端の精度を達成することが示された。
- ModSyncは，モデルの規模が大きくなるにつれて低下する既存の衝突回避最適化手法の効果を改善し，PINNの汎化性能を向上させる。
ハイパーグラフ推論に基づく暗黙的意味認識通信 [cs.AI, cs.IT, cs.NI, math.IT]目的：意味認識通信における暗黙的意味の解釈精度向上
- 次世代通信システムにおいて，ビット単位の伝送から意味の理解へと重点が移りつつあり，その重要性が高まっている。
- 既存研究では，意味内容をグラフ構造で表現するものの，ペアの関係性のみに着目し，高次の関係性を捉えきれていない。
- 本研究は，ハイパーグラフを用いて複雑な多要素間の関係性を表現し，意味推論の曖昧さを解消し，性能低下を防ぐことを目指す。
- 提案手法HISRは，従来のグラフ埋め込み法の過剰平滑化の影響を軽減し，多様な意味的相互作用を分離する。
- HISRは，伝送中の情報損失が発生した場合でも，堅牢な意味推論を可能にする。
- 数値実験の結果，提案手法HISRは最先端のベンチマークと比較して，暗黙的意味解釈の精度を最大36.6%向上させた。
MedRLM：長文脈臨床推論，センサー誘導スクリーニング，エビデンスに基づく意思決定支援，および地域から三次紹介の最適化のための再帰型マルチモーダル健康知能 [eess.SY, cs.SY, cs.CL, cs.AI, cs.LG, q-bio.QM]目的：長文脈臨床推論，センサー誘導スクリーニング，エビデンスに基づく意思決定支援，および地域から三次紹介の最適化
- 現実世界の臨床現場では，単発的な医療質問への回答ではなく，多様で経時的な患者情報を活用した意思決定が求められる。
- 既存の医療LLMや検索拡張生成システムは，長文の電子カルテや画像，センサーデータなどの分散した臨床証拠の扱いに課題がある。
- 患者ケースを外部の臨床環境として再帰的に検査・分解・検索・検証・統合することで，上記の課題解決を目指す。
- MedRLMは，臨床テキスト，EHR，画像，生理学的センサー信号，ガイドラインなどを統合し，それぞれの専門エージェントを協調させるフレームワークである。
- 臨床エビデンスグラフメモリを導入し，患者固有の観察と取得されたエビデンス，標準化された定義，センサー由来のバイオマーカー，紹介基準を接続する。
- センサー誘導の再帰的トリガーメカニズムにより，異常な生理学的または行動パターンが検出された際に，より深い推論を活性化し，不確実性ゲートによる改良により，高リスクまたは低信頼度のケースにおける臨床医のレビューを支援する。
位置タイイングによる暗黙的な地球埋め込みのためのマルチモーダル対照学習 [cs.LG]目的：位置エンコーダの学習
- 空間予測は地理的情報処理において重要であり，多様な応用可能性を持つ。
- 高品質なラベル付きデータの不足が，空間予測タスクの精度向上を阻害している。
- 複数のモダリティを活用し，ラベルなしデータからの学習で精度向上を目指す。
- MELTとSALTという2つのマルチモーダル対照学習アーキテクチャを提案した。
- これらのアーキテクチャは，既存の2モダリティベースラインと同等の性能を示した。
- モダリティ数を増やしても性能向上が見られず，位置エンコーダがボトルネックであることが示唆された。
多角的胎児MRIを用いた早産における出産週数の予測 [cs.LG]目的：早産における出産週数の予測
- 早産は，高い死亡率と生涯にわたる罹患リスクを伴う重大な問題である。
- 早産の複雑な多因子的な原因により，正確な予測と最適なケアが困難である。
- 多角的胎児MRIと機械学習を用いて，早産における出産週数の予測精度向上を目指す。
- 本パイプラインは，R2スコア0.13，平均絶対誤差2.74週という結果を得た。
- 10分割交差検証における正解率は0.77，感度は0.59，特異度は0.82であった。
- 予測に重要な特徴量は，子宮頸管長と胎盤T2*値の統計量であることが示唆された。
細胞遊離DNA分析における計算手法と多癌子早期発見の課題 [cs.LG]目的：細胞遊離DNAに基づく多癌子早期発見のための計算手法
- 癌の早期発見は，治療成績を向上させる上で極めて重要である。非侵襲的な診断法の開発が求められている。
- 既存の癌スクリーニングプログラムが存在しない癌に対する，早期発見が困難であるという問題がある。
- 細胞遊離DNAの解析を通じて，複数の癌を同時に，かつ早期に発見する手法の開発を目指している。
- 2022年から2025年にかけて開発された細胞遊離DNAに基づく多癌子早期発見のための計算手法がレビューされた。
- フラグメントオミクスやエピジェネティック特徴の抽出・解析が，癌の早期発見にどのように貢献しているかが議論された。
- マルチモーダルアンサンブルアプローチが，臨床への統合において最も有望であり，準備が進んでいることが示された。
リモートセンシングMLLMにおける否定理解の評価と強化 [cs.CV, cs.AI]目的：リモートセンシングにおける否定理解の評価と改善
- リモートセンシング技術は，災害対応や環境監視など，様々な分野で重要な役割を担っている。
- MLLMは高性能だが，否定表現の理解が不十分で，現実世界での応用が制限されている。
- 否定理解の課題を克服し，災害時の避難経路特定など，実用的な応用を可能にすること。
- RS-Negという否定理解評価ベンチマークを開発し，リモートセンシングMLLMの否定理解能力が低いことを明らかにした。
- NeFoというテスト時学習手法を提案し，わずかな未ラベルデータで否定理解能力を大幅に向上させた。
- NeFoは未知のタスクに対しても高い汎化性能を示し，リモートセンシングMLLMの応用範囲を拡大する可能性を示唆した。
量子カーネルビジョンモデルにおける汎化性能を支配する有効次元 [cs.CL, cs.LG]目的：量子カーネルビジョンモデルにおける汎化性能と有効次元の関係性の解明
- 量子ビジョンモデルは，古典モデルの限界を突破する可能性を秘めており，画像認識分野への応用が期待されている。
- 既存研究では，量子モデルの汎化性能向上に寄与する要因が経験則に頼っており，理論的な理解が十分ではない。
- 量子エンタングルメント構造と量子ノイズが汎化性能に与える影響を，有効次元という指標で定量的に説明することを目指す。
- 有効次元は，量子特徴カーネルのスペクトル特性と密接に関連しており，エンタングルメント構造や量子ノイズの調整によって制御可能であることが示された。
- 過学習領域において，有効次元を小さくすることで，リッジ回帰のような正則化効果が得られ，汎化性能が向上することが確認された。
- 振幅減衰によるノイズ注入は，有効次元を減少させ，テスト精度を最大13%まで向上させることが示された。
HilDA：拡散を用いた階層的知識蒸留によるLiDAR自己教師あり事前学習の高度化 [cs.CV, cs.AI, cs.RO]目的：LiDARバックボーンの事前学習フレームワーク
- 自動運転における環境認識の精度向上は安全性確保の鍵であり，LiDARデータの活用が不可欠である。
- LiDARデータのラベル付けにはコストがかかり，十分な学習データが不足しているという課題がある。
- 教師あり学習に頼らず，LiDARデータの潜在的な情報を最大限に引き出す事前学習手法を開発する。
- HilDAは，階層的な知識蒸留と時間的占有拡散目的を組み合わせることで，LiDARのセマンティック情報と幾何学的構造を効果的に捉える。
- 提案手法は，クロスモーダル蒸留ベンチマークで最先端の結果を達成し，既存の蒸留アプローチを上回る性能を示す。
- 3D物体検出，シーンフロー，セマンティック占有予測などの自動運転タスクにおいて，HilDAの有効性が確認された。
大規模言語モデルに見られる心理的プロファイルは，測定のアーチファクトである [cs.AI, cs.CL, cs.HC]目的：大規模言語モデルの心理的プロファイルの測定における問題点
- 言語モデルの有用性，安全性評価，研究における代替としての利用が進んでいる。
- 人間の心理測定ツールをそのまま適用することで，誤ったプロファイルが形成される可能性がある。
- 言語モデルの評価に適切な，応答バイアスに焦点を当てた測定方法の確立。
- 大規模言語モデルの心理的プロファイルは，モデルの特性ではなく，測定ツールに起因するアーチファクトである。
- モデル間の差異は，測定対象の特性よりも，応答傾向（バイアス）によって大きく影響される。
- 心理テストの信頼性は，特性とバイアスが逆方向に作用する項目の割合（応答直交性）によって予測される。
予測モデルの論理的整合性の測定：精度を超えて [cs.AI, cs.DB, cs.NE]目的：予測モデルの論理的制約への適合度
- 機械学習の応用範囲拡大に伴い，予測精度だけでなく，安全性や信頼性が重要視されている。
- 従来の評価指標は予測精度に偏っており，論理的整合性の評価が欠如している。
- 予測精度と独立した論理的整合性の評価指標を提示し，モデルの挙動を詳細に分析する。
- 本研究で提案する Rule Violation Score (RVS) は，予測精度に関わらず，モデルが論理規則をどの程度遵守しているかを定量化する。
- RVS は，厳密な制約と統計的な規則を区別し，様々なデータセットやモデルに適用可能である。
- 実験結果から，予測精度が同程度のモデルでも，論理的整合性に大きな差があることが示された。