arXiv雑要約
画像・音声 - 2026/06/11 公開
囚人のジレンマに別れを：カーネル・ブロッтоの登場 [eess.SY, cs.SY, cs.CL, cs.DB, cs.GT, cs.SY, eess.SY]目的：カーネル・ブロッтоゲームの制御理論における応用可能性
- 制御理論において，敵対的な課題への対応は重要であり，セキュリティやインフラ保護に不可欠である。
- 制御コミュニティにおいて，カーネル・ブロッтоゲームは他のゲーム理論的アプローチに比べて活用が少ない。
- 制御システムにおける敵対的資源配分の戦略的複雑さを捉え，実用的な展開を可能にするフレームワークを提示すること。
- カーネル・ブロッтоゲームは，サイバーセキュリティ，ネットワーク防御，マルチエージェントシステムといった分野に自然に適合する。
- ネットワークの脆弱性を捉える相互依存的な競争目標，および構造的な非対称性をモデル化する勝利条件の検討がなされた。
- 連立形成や戦略的な譲歩を含むマルチエージェント競争環境についても考察された。
公平な人間-ロボットインタラクションのための顔ランドマーク検出における人口統計学的バイアスの監査 [cs.CV]目的：顔ランドマーク検出における人口統計学的バイアスの評価
- 人間-ロボットインタラクションにおいて，ロボットの知覚モデルの信頼性が不可欠である。
- 高次の顔分析では人口統計学的バイアスが研究されているが，顔ランドマーク検出におけるバイアスは未解明である。
- 低レベルの視覚要素に存在するバイアスを特定し，公平なロボット知覚システムの構築を目指す。
- 顔ランドマーク検出における年齢，性別，人種に関するバイアスを統計的に監査した結果，頭の姿勢や顔の解像度がバイアスに大きく影響することが示された。
- これらの視覚的要因を考慮することで，性別や人種による性能差は解消された。
- しかし，高齢者に対する局所化誤差が高いという，統計的に有意な年齢関連バイアスが確認された。
MedVeriSeg：追加トレーニングなしでクエリの有効性を検証するLISA類似の医療セグメンテーションモデルの指導 [cs.RO, cs.CV]目的：医療画像セグメンテーションにおけるクエリ検証
- 医療画像解析の高度化は，診断支援や治療計画に不可欠である。
- テキストプロンプトに基づくセグメンテーションモデルは，存在しない対象を誤ってセグメンテーションすることがある。
- 誤ったセグメンテーションを抑制し，クエリの妥当性を検証すること。
- MedVeriSegは，追加トレーニングなしでLISA類似のモデルにクエリ検証能力を付与する。
- 類似度に基づく応答品質スコアリングと，多重エージェントによる検証を組み合わせる。
- 実験により，誤ったクエリを効果的に識別し，セグメンテーションの精度を維持することが示された。
右領域，誤ったラベル：相関シフト下のセグメンテーションにおける意味ラベルの反転 [cs.CV]目的：セグメンテーションにおける意味ラベル反転現象の定量化と分析
- 機械学習の信頼性は，入力データとターゲットラベル間の因果関係のない特徴の相関に左右される。
- セグメンテーションタスクにおいて，意味ラベルの反転がどのように発生するか，具体的な挙動が不明である。
- 相関シフト下でのセグメンテーションの頑健性を評価する新たな指標と手法を提案する。
- モデルは，オブジェクト境界は正確でも，異なる前景クラス間で意味ラベルを誤って割り当てる「意味ラベル反転」を起こしやすい。
- カテゴリとシーンの相関を訓練時に高めると，反転の頻度が上昇し，テスト条件間の差が拡大する。
- 前景誤差を，正しいピクセル，ラベル反転ピクセル，背景への誤分類ピクセルに分解することで，セグメンテーションの頑健性をより詳細に評価できる。
ナイジャS2ST：低リソース・ナイジェリア言語における音声対音声翻訳のための多アクセントベンチマーク [cs.DL, cs.SD]目的：低リソース・ナイジェリア言語の音声対音声翻訳のためのベンチマークデータセット
- 低リソース言語の音声翻訳は，高品質な並行音声データの不足が課題である。特にアフリカ言語においては深刻。
- 既存のデータセットでは，話者やアクセントの多様性が不十分であり，現実的な多言語・多アクセント環境に対応できない。
- ナイジェリアの主要言語（イボ語，ハウサ語，ヨルバ語，ナイジェリア・ピジン）と英語間の音声対音声翻訳の進展に貢献する。
- NaijaS2STデータセットを用いて，カスケード型，エンドツーエンド型，AudioLLMベースの手法を比較評価した。
- 音声テキスト翻訳においては，Few-shot learningを用いたAudioLLMが，ファインチューニングされたカスケード型やエンドツーエンド型よりも優れていることが示された。
- 音声対音声翻訳においては，カスケード型とAudioLLMが同程度の性能であり，タスク特化型モデルの開発の余地がある。
TopoHR：点とインスタンスの関係に基づく，運転シーンにおける環状トポロジー推論のための階層的中心線表現 [cs.CV]目的：運転シーンにおける環状トポロジー推論のための階層的中心線表現
- 自動運転の実現には，周囲環境の構造理解が不可欠であり，トポロジー推論はその重要な要素である。
- 既存手法は中心線検出とトポロジー推論を分離しており，点とインスタンスの関係性を十分に活用できていない。
- 中心線検出とトポロジー推論を相互に強化する枠組みを構築し，点とインスタンスの関係性を考慮することで，より高精度なトポロジー推論を実現する。
- 提案手法TopoHRは，OpenLane-V2ベンチマークにおいて，最先端の性能を更新した。
- subset_Aにおいて，DETlで+3.8，TOPllで+5.4の向上が確認された。
- subset_Bにおいて，DETlで+11.0，TOPllで+7.9の向上が確認され，提案手法の有効性が実証された。
条件付き制御拡散による超低ビットレート動画圧縮のためのアクティブサンプリング [cs.CV]目的：超低ビットレート動画圧縮のためのフレームワーク
- 動画圧縮は，限られた帯域幅で高品質な映像伝送を実現する上で不可欠である。
- 従来の動画圧縮技術では，超低ビットレート条件下での知覚的品質の維持が課題である。
- 拡散モデルを用いて，少ない情報量でも高品質な動画を復元することを目指す。
- ActDiff-VCは，UVGおよびMCL-JCVベンチマークにおいて，既存の学習型コーデックと比較して最大64.6％のビットレート削減を達成した。
- NIQEを同等に保ちながら，KIDを最大64.6％，FIDを最大37.7％改善した。
- 超低ビットレート領域において，学習型および拡散ベースのベースラインと比較して，優れた知覚的レート歪みトレードオフを実現した。
マルコフ決定過程における確実・ほぼ確実窓平均報酬 [cs.RO, cs.GT, math.PR]目的：窓平均報酬目的関数の確実・ほぼ確実および確実・限界ほぼ確実充足問題の解決
- マルコフ決定過程は，様々なシステムをモデル化する強力な枠組みであり，最適な意思決定戦略の設計に不可欠である。
- 従来の報酬目的関数では，長期的な平均報酬のみを考慮し，短期的な報酬変動に対する保証が不足していた。
- 窓平均報酬目的関数は，特定の時間窓内での平均報酬が閾値を超えることを保証し，より厳密な性能要件に対応する。
- 固定窓長バリアントの確実・ほぼ確実および確実・限界ほぼ確実充足問題は，Pクラスに属することが示された。
- 有界窓長バリアントの確実・ほぼ確実および確実・限界ほぼ確実充足問題は，NP ∩ coNPクラスに属することが示された。
- 勝利戦略に必要なメモリ量の上限が導出され，効率的な戦略構築の可能性が示唆された。
意味に基づく正則化としての弱教師ありセグメンテーション [cs.CV, cs.AI]目的：弱教師ありセマンティックセグメンテーションの精度向上
- セマンティックセグメンテーションは，画像認識において重要な役割を担う。
- 弱教師ありセグメンテーションでは，アノテーションコストが課題となる。
- ファウンデーションモデルの性能を，知識と制約を用いて向上させる。
- 微分可能なファジー論理と深層セグメンテーションモデルを統合した。
- SAMを弱教師ありでファインチューニングすることで，高品質な擬似ラベルを生成した。
- Pascal VOC 2012およびREFUGE2データセットで，最先端のセグメンテーション精度を達成した。
正しい予測，誤解を招く説明：視覚言語モデルの説明の脆弱性について [cs.CV, cs.LG]目的：視覚言語モデルの説明の信頼性に関する調査
- 視覚言語モデルは高度化し，人間による監視が必要な場面で利用が増加している。
- モデルの判断根拠を示す説明の信頼性は十分に検証されていない。
- 視覚言語モデルの説明が，予測結果とは独立して操作可能であることを示す。
- 提案手法X-Shiftは，予測を変化させずに説明の熱マップを操作できる。
- X-Shiftは，CLIPアーキテクチャや説明手法に依存せず，様々なデータセットで有効であることが示された。
- 説明の信頼性に関する根本的な課題が明らかになり，高影響度な応用における注意喚起が必要である。
リアルタイムニューラルヘアノイズ除去 [cs.GR, cs.CV]目的：ヘアのG-Buffer再構成手法
- リアルタイムレンダリングにおける高品質なヘア表現は重要である。
- ラスタライズされた入力が不足する場合，ヘアの品質が低下する。
- 不足したヘア情報をニューラルネットワークを用いて再構成し，品質向上を目指す。
- 提案手法は，既存のヘアノイズ除去技術やDLSS，FSRよりも高い品質のヘア再構成を達成した。
- ニューラル空間再構成と時間的累積により，ヘアの覆いと接線を復元する。
- 接線誘導再構成により位置を完成させ，物理ベースのヘアシェーディングに利用する。
インスタンスセグメンテーションのための照明を考慮した統一モデル [cs.CV]目的：インスタンスセグメンテーションにおける照明変化に対するロバスト性の向上
- 実世界の画像認識において，照明条件は性能に大きな影響を与える重要な要素である。
- 既存の汎用モデルは，多様な照明環境下で性能が低下するという課題がある。
- 照明変化に強いインスタンスセグメンテーションモデルの開発を目指す。
- 提案手法であるLighting Convolutional-Attention (LCA)モジュールは，重いバックボーンのファインチューニングなしにセグメンテーションのロバスト性を高める。
- LCAは，RGB特徴量とコントラストマップを処理する二分岐アーキテクチャを採用し，照明のアーティファクトではなく構造変化に感度を持つ。
- 実実験により，提案手法がドメインギャップを埋め，優れた照明ロバスト性を持つセグメンテーションを実現することが示された。
コネクタを介してどのような意味が保持されるか：ビデオ編集におけるVLM-to-DiTアライメントの診断 [cs.CV]目的：ビデオ編集におけるVLM（Vision-Language Model）とDiT（Diffusion Transformer）のアライメントにおける意味劣化の検証
- ビデオ生成モデルの発展に伴い，複雑な指示に基づく編集においてVLMの活用が重要になっている。
- VLMとDiT間のアライメントが，微細な構造的情報を損なう潜在的なボトルネックとなっている可能性がある。
- VLM-to-DiTアライメントにおける意味劣化を特定し，ボトルネックを解消するための新たな診断基盤を確立すること。
- 提案されたTRANCE-Editデータセットを活用し，既存のビデオ編集モデルにおけるメタクエリとコネクタの設計を詳細に分析した。
- その結果，アライメントの過程で微細な構造的意味が大きく損なわれることが明らかになった。
- 既存のVLM-to-DiTアライメントは無損失な意味伝達の仮説を覆し，今後のマルチモーダルアライメントアーキテクチャ設計における重要な課題を示唆している。
GrowLoop：人間による初期値設定に基づく自己進化型会話評価 [cs.CL, cs.AI, cs.SD]目的：人間らしい会話の評価基準の継続的な進化
- 大規模言語モデルの進化に伴い，人間らしい会話能力の評価が不可欠となっている。
- 人間による評価は主観的であり，評価基準が明確でないため，一貫性に欠ける場合がある。
- 人間らしさの基準は常に変化するため，評価システムも継続的に進化する必要がある。
- GrowLoopは，人間の最小限の注釈から始まり，LLMエージェントが評価基準を反復的に抽出・洗練させる。
- AI判定者は，既存手法を大きく上回り，人間の判断との一致度を高め，注釈者が見落とす問題を明らかにした。
- このシステムは，モデルの能力階層を識別し，新たなシナリオにも対応し，モデルの進化に合わせて適応する。
脳-IT-VQA：脳波から質問への回答 [cs.CV, cs.AI, q-bio.NC]目的：fMRI信号からの視覚的コンテンツの解読と，視覚情報に対する質問応答
- 脳機能解明は，人間の認知メカニズム理解に不可欠であり，神経科学の根幹をなす。
- fMRIを用いたVQAは精度に限界があり，脳内表現の構造理解に繋がりにくい。
- 脳波データからより高精度なVQAを実現し，脳内表現の構造を解析すること。
- Brain-IT-VQAフレームワークは，従来のfMRIベースのVQAアプローチを大幅に上回る性能を示した。
- 新たなデータセットNSD-VQAは，より信頼性の高い評価と解釈を可能にする，豊富な質問応答ペアを提供する。
- 本研究により，fMRI応答から確実に解読可能な視覚的・意味的情報の種類を定量的に評価できた。
生成AI画像編集における構造的洗練によるコンテンツシフトと幻覚の軽減 [cs.CV]目的：生成AI画像編集における構造保持融合
- 画像編集技術の発展は，多様な表現を可能にし，クリエイティブな作業を支援する上で不可欠である。
- 生成AIは強力だが，空間的なずれやテクスチャの歪み，存在しないコンテンツの生成といった問題が生じやすい。
- 生成AIの利点を維持しつつ，画像の構造を忠実に保ち，品質を向上させることを目指す。
- 提案手法は，元の画像と生成AIによる編集結果を融合し，構造的な一貫性を維持しながら，美的品質を向上させる。
- 既存のフォトリアリスティックなスタイル変換や画像融合手法と比較して，より優れた性能を示すことが確認された。
- 提案手法は，入力画像の解像度を維持しながら，ピクセルレベルでの構造的整合性を確保する。
クエリ効率の良い決定ベースの敵対的攻撃のための潜在幾何的コード [cs.CV, cs.CR, cs.LG]目的：決定ベースのブラックボックス敵対的攻撃における手法の限界を克服すること
- 敵対的攻撃は，機械学習モデルのセキュリティ評価において重要な課題である。脆弱性を特定し，堅牢性を向上させるために不可欠。
- 既存手法では，不自然な視覚的アーティファクトの発生や，低次元多様体における探索空間の制限，再構成の欠陥などの問題がある。
- 潜在幾何的コードにより，視覚的な忠実性を維持しながら，効率的かつ効果的に敵対的攻撃を実現することを目指す。
- 提案手法LGCは，圧縮された意味的多様体内で，曲率を考慮した幾何学的探索を行うことで，決定境界を効果的にナビゲートする。
- 残差ベースの敵対的生成（RAG）メカニズムにより，再構成の欠陥が大幅に改善され，探索空間の次元が効果的に拡大される。
- 実験結果から，LGCは高いクロスデータセットの転移可能性を示し，既存手法を大幅に上回る性能を発揮することが示された。特に，5000クエリでSSIMが0.99を超え，LPIPSが0.01を下回る高い視覚的忠実度を維持しつつ，高い攻撃成功率を達成する。
局所協調ゲームにおけるアメナビリティの上界改善 [cs.GT, cs.IT, math.IT, math.PR]目的：局所純粋協調ゲームの効率性とグラフのアメナビリティの関係性
- 社会ネットワーク分析において，効率的な協調が可能なグラフ構造の理解は重要である。
- 既存研究では，局所協調の効率性とグラフのアメナビリティの間の関係性が十分に定量化されていなかった。
- 本研究は，より厳密な定量的な関係性を明らかにし，アメナビリティの上界を改善することを目指す。
- 二元非偏設定において，平均不一致がε以下であれば，グラフは(O(εlog(1/ε)),r)-アメナブルであることが証明された。
- この結果は，局所協調とグラフのアメナビリティの間の関係性をより明確にするものである。
- 既存研究よりもアメナビリティパラメータに関する損失を軽減し，より鋭い定量的な関係性を示した。
Frames2LoRA：ビジョン言語モデルのためのパラメトリックな動画内部化 [cs.CV, cs.CL]目的：ビジョン言語モデルにおける動画処理の効率化
- 動画理解は，AIの応用範囲を広げる上で不可欠であり，様々な分野での活用が期待されている。
- 動画をビジョン言語モデルに入力する場合，計算コストが非常に大きく，処理時間の増加を招くという課題がある。
- 本研究は，動画から直接適応器を予測することで，計算コストを削減し，効率的な動画処理を実現することを目的とする。
- 提案手法Frames2LoRAは，動画の各層の中間表現を読み込み，LoRAアダプターを生成することで，動画の内部化を実現している。
- 実験の結果，Frames2LoRAは，従来の動画入力方式と同等の性能を維持しつつ，計算コストを大幅に削減できることが示された。
- また，異なる動画セグメントのアダプターを組み合わせることで，長尺動画の処理も可能となる可能性が示唆された。
nnAudio 2：動的コンパイルの障壁と変換の不整合への対処 [cs.SD, eess.AS]目的：深層学習向けオーディオ特徴抽出ツールボックスの改良
- 近年の深層学習研究において，オーディオ信号処理は重要な役割を担っている。
- 既存のツールボックスは，TorchScriptとの互換性や変換時の問題などが課題となっていた。
- 本研究では，これらの問題を解決し，より安定したオーディオ分析基盤を構築することを目指す。
- TorchScriptにおけるコンパイルエラーを修正するため，動的な状態変化とモジュール構築を排除した。
- 逆STFTの挙動を明確化し，信頼性の高い逆変換を保証するため，freq_scaleを制限した。
- SciPyとの互換性を回復し，VQTがgamma=0でCQTに還元されることを確認した。
マルチタスク学習だけでは不十分：第二言語音声認識における表現の絡み合い [cs.CL, cs.SD, eess.AS]目的：第二言語音声認識における表現の絡み合いの解明
- 第二言語音声認識は，グローバルコミュニケーションにおいて不可欠であり，その精度向上が求められている。
- マルチタスク学習は有望だが，必ずしも両タスクの性能向上に繋がらない場合がある。
- マルチタスク学習における表現の絡み合いを軽減し，音声認識の精度低下を防ぐ方法を探る。
- 韓国語と英語の比較において，マルチタスク学習は意味認識は向上させるものの，音声文字起こしの精度を低下させる。
- 特に英語において，その低下は意味と音声の乖離度合いに比例することが示された。
- エンコーダレベルの表現の絡み合いが，この現象の原因である可能性が示唆された。
ロボットの方策学習におけるボクセルアクションヒートマップ：ActionMap [cs.RO, cs.CV]目的：ボクセルアクションヒートマップを用いたロボットの方策学習手法
- 視覚，言語，行動を統合するVLAモデルは発展しているが，行動デコーダーの性能向上が課題である。
- 既存の行動デコーダーは行動空間を非構造化なものとして扱うため，近傍の行動間の幾何学的近接性を活かせていない。
- 提案手法は，行動空間における確率をボクセルヒートマップとして予測し，効率的な学習を目指す。
- 提案手法ActionMapは，既存のVLAモデルの行動デコーダーを置き換えることで，性能を向上させることを示した。
- シミュレーションおよび実ロボット実験において，2つの異なるバックボーンモデルで，既存手法を上回る結果が得られた。
- ActionMapは，データ効率が高く，少ない訓練データでも良好な性能を示すことが確認された。
イベントに頑健な音響シーン分類に向けた試み [cs.SD]目的：音響シーン分類システムのイベント頑健性の評価
- 音響シーン分類は，ロボティクスや自動運転など，様々な応用分野で重要性を増している。
- 既存のデータセットは現実世界の多様な音響環境を十分に反映しておらず，未知の音源に対する性能劣化が課題である。
- 現実世界の音響環境を模擬したデータセットを構築し，イベント頑健性の向上を目指す。
- 本研究では，大規模言語モデルを用いてイベントを挿入することで，現実的な音響多様性を再現したESASデータセットを構築した。
- 実験の結果，既存の音響シーン分類システムは，イベントの変化に対して著しい性能低下を示すことが明らかになった。
- ESASデータセットの提供は，イベントに頑健な音響シーン分類技術の研究を促進することを目的とする。
CoVEBench：動画編集モデルは複雑な指示に対応できるか？ [cs.CV, cs.AI]目的：複雑な動画編集指示に対するモデルの処理能力の評価
- 動画編集技術は，コンテンツ制作や表現の幅を広げる上で不可欠である。
- 既存の評価基準では，複数の要素が絡む複雑な編集作業の性能評価が困難である。
- 複雑な編集指示に対するモデルの課題を明確化し，より実用的な動画編集技術開発を促進する。
- CoVEBenchは，416本の動画と626の多岐にわたる編集指示，9,990のチェックリスト項目を含む。
- 実験の結果，現在のモデルは複数の操作を同時に行う際に，編集の省略や制約違反，アーティファクトの生成といった課題が明らかになった。
- CoVEBenchは，より現実的なユーザーワークフローに向けた動画編集技術の進歩を促すための，診断的なテスト環境を提供する。
MB-Loc：屋外LiDARシーンにおける多平面バードアイビュー局所化 [cs.CV]目的：屋外LiDARシーンにおける高精度かつ効率的な局所化手法の開発
- 自動運転システムにおいて，正確な自己位置推定は不可欠であり，LiDARによる局所化は重要な要素である。
- 従来のLiDAR局所化手法は，計算コストが高いか，センサー視点変化に弱いという課題があった。
- 本研究では，計算効率と視点ロバスト性を両立した新たな局所化フレームワークを提案し，上記の課題を解決する。
- 提案手法MB-Locは，LiDARデータを2.5D多平面バードアイビュー表現に投影することで，計算コストを大幅に削減した。
- KL正則化された潜在的ボトルネックを導入することで，屋外LiDARデータの疎性を考慮し，空間的不確実性を明示的にモデル化した。
- NCLTデータセットを用いた実験により，MB-Locが既存の最先端手法を凌駕する性能とリアルタイム処理速度を達成したことが示された。
情報ボトルネック駆動SAR-光学融合ネットワークによる高精度雲除去 [cs.RO, cs.CV]目的：SARと光学画像の融合による雲除去手法の精度向上
- 光学リモートセンシングにおいて，雲による地表面情報の隠蔽は大きな課題である。SAR画像は雲の影響を受けないため，雲除去に有効。
- 既存手法では，SAR画像のスペックルノイズが光学画像再構成に伝播し，結果が過度に平滑化される問題がある。
- 情報ボトルネックを用いてスペックルノイズを抑制し，光学画像のテクスチャを保持することで，高精度な雲除去を実現する。
- 提案手法IB-HFNは，モダリティ固有の表現を維持するデュアルストリームバックボーンと空間情報ボトルネック融合モジュールを採用。
- IB-HFNは，特徴レベルのボトルネック正則化と画像レベルの制約を組み合わせた共同最適化戦略により，構造的整合性とスペクトル忠実度を向上。
- SEN12MS-CRデータセットでの実験により，既存手法と比較して，構造保存とスペクトル忠実度において優れた性能を示すことが確認された。
潜在フロー内部：音声分離基盤モデルにおける注意機構ダイナミクスの因果解明 [cs.DB, cs.CL, cs.RO, cs.SD, cs.AI]目的：音声分離基盤モデルにおける注意機構ダイナミクス
- 音声分離技術は，多様な音響環境下で有用な情報を抽出するために不可欠である。
- 基盤モデルの注意機構の動作原理は必ずしも明確ではなく，解釈可能性に課題がある。
- 注意機構のダイナミクスを解明し，効率的な推論手法を開発することを目指す。
- Flow-matching Transformerの注意機構を，因果介入原理を用いて解析した。
- テキスト条件付けが，セマンティックな同一性の付加的注入と，音響構造のクロスアテンションの二経路で行われることが明らかになった。
- 層選択的注意キャッシュ（LSAC）により，計算量を約25％削減し，品質劣化を最小限に抑えることができた。
BiWM：双方向自己回帰を用いたオープンソースインタラクティブビデオワールドモデルの発展 [cs.CV, cs.AI]目的：インタラクティブビデオワールドモデルにおける双方向自己回帰パラダイムの実現
- ビデオワールドモデルは，現実世界のシミュレーションやAI研究において重要な役割を担う。
- 既存の因果的パイプラインは，品質面で双方向モデルに劣ることが課題である。
- 本研究は，双方向自己回帰パラダイムに基づくフレームワークを開発し，その問題を解決する。
- BiWMは，双方向自己回帰パラダイムを用いたインタラクティブビデオワールドモデルのための初のフルスタックフレームワークである。
- 従来のminWMと比較して，訓練段階を2段階に削減し，収束までのステップ数を大幅に短縮した。
- GANや前方KL目的関数を用いることで，DMDのモード探索による劣化を抑制し，シーンダイナミクスを維持する。
LLMおよびVLMの幻覚検出のための密度リッジ選択的予測：キャリブレーションラベル不足下 [cs.LG, cs.AI, cs.CV]目的：LLMおよびVLMの幻覚検出のための新しい手法
- 大規模言語モデルの利用拡大に伴い，生成される情報の信頼性確保が重要となっている。
- 幻覚検出において，キャリブレーションラベルの不足が性能低下の大きな要因となっている。
- 密度リッジを利用することで，ラベル不足下でも高性能な幻覚検出を実現することを目指す。
- 提案手法は，6つのQAベンチマークにおいて，既存手法と比較してAUROCが5～20ポイント向上した。
- 特に，キャリブレーションラベル不足下での性能劣化が抑制された点が特徴である。
- 隠れ状態生成軌跡の運動学的特徴マップに基づき，応答多様体の密度リッジを算出する点が新しい。
ViP-VL：ベクトル量子化学習を用いたベトナム語自己教師あり音声事前学習モデル [cs.SD]目的：ベトナム語音声の自己教師あり事前学習モデル
- 音声技術の発展は，ベトナム語のようなリソースの少ない言語において特に重要である。
- 高解像度音声の処理効率と表現力の両立が課題であった。
- 効率的な処理と高い表現力を両立する事前学習モデルを開発する。
- ViP-VLは，ChunkFormerアーキテクチャ上で音響スタッキングと受容野アライメントにより8倍のサブサンプリングを実現した。
- BEST-RQフレームワークを用いたMask Selection Strategyにより，表現のロバスト性を向上させた。
- ViP-VLは，4つの下流タスク（自動音声認識，感情認識，方言分類，話者認証）で最先端の結果を達成した。
CoCoSI：空間知能のための協調的認知地図構築 [cs.CV]目的：空間知能の向上
- マルチモーダル大規模言語モデルにおいて，物理世界を理解する空間知能は重要な研究課題である。
- 既存手法は文脈長の制限や，モデル構造の変更・追加学習の必要性により，汎用性に課題がある。
- 事前学習済みのモデルを改変せず，空間情報を長期的に保持する軽量な手法を開発する。
- 本研究では，エージェント間の協調により認知地図を構築するプラグアンドプレイ型のフレームワークを提案した。
- このフレームワークは，モデル構造の変更や追加学習を必要とせず，既存の事前学習済みモデルに適用可能である。
- 実験の結果，空間理解タスクにおいて，高い性能を発揮することが示された。
空間選択的自己教師あり学習による教師なし建物変化検出 [cs.CV]目的：教師なし建物変化検出の実現
- 都市計画や災害評価において，建物変化の迅速な把握は不可欠である。
- 既存手法は汎用的な特徴量に依存し，建物特有の変化を捉えきれない場合がある。
- ノイズの多い疑似ラベルを活用し，空間的に信頼性の高い領域に焦点を当てることで，検出精度を向上させる。
- 提案手法SST-CDは，時間的差異を疑似ラベルとして利用し，局所的一貫性基準により信頼性の高いピクセルのみで検出器を学習する。
- 軽量な特徴適応器とプロトタイプベースのデコーダーにより，自己教師あり学習の安定性を高めている。
- LEVIR-CD, WHU-CD, DSIFN-CDでの実験により，既存の教師なし手法を凌駕する性能が確認された。
SCAIL-2：制御されたキャラクターアニメーションとエンドツーエンドの文脈内条件付けの統合 [cs.CV]目的：制御されたキャラクターアニメーションの統一的フレームワーク
- キャラクターアニメーションは，ゲームや映画制作等，幅広い分野で不可欠な技術である。
- 従来の手法は中間表現に依存し，情報損失や汎用性の低さが課題であった。
- エンドツーエンドな学習により，中間表現なしでの高精度なモーション転送を実現すること。
- 本研究では，中間表現を介さないSCAIL-2という新しいフレームワークを提案した。
- 大規模な合成データセットMotionPair-60Kを構築し，多様なキャラクターアニメーションタスクに対応できる。
- 実験の結果，既存の最先端手法と比較して，SCAIL-2は様々なタスクで大幅な性能向上を示した。
P3D-Bench：パラメトリック3D生成と構造推論のためのMLLMベンチマーク [cs.CV]目的：パラメトリック3D生成に関するMLLMの性能評価
- 3D生成は，デザイン，エンジニアリング，仮想現実など，幅広い分野で重要性が増している。
- 既存のベンチマークは，コードを用いた3Dモデリング能力を十分に評価していない。
- パラメトリック3Dプログラムの幾何学的精度，意味的整合性，組み立ての一貫性を評価する。
- P3D-Benchは，テキスト，画像，組み立ての3つのタスクファミリーを網羅し，生成された3Dプログラムの実行可能性，幾何学的忠実度などを評価する。
- 組み立てタスクが最も難易度が高く，モデルは複数の部品をまとまった構造に組み立てることが難しい。
- モデルは全体の形状や意味を認識できるものの，入力で指定された正確なパラメトリック幾何学を再現できない場合が多い。
輸送問題としての安定マッチング：市場設計における厚生経済学的視点 [math.PR, cs.DC, cs.DM, quant-ph, cs.CC, econ.TH, cs.GT]目的：安定マッチングと最適な輸送理論との関連性
- 市場設計は，資源配分を効率化し，社会全体の厚生を向上させる上で重要である。
- 従来の市場設計では，安定性と効率性の両立が困難であり，公平性の問題も存在する。
- 安定性，効率性，公平性を同時に考慮した市場設計の枠組みを提案し，その構造的性質を明らかにする。
- 安定マッチングが，不平等への配慮度合いをパラメータ化する一連の最適輸送問題の解として表現できることが示された。
- この関連性により，安定性が厚生の不平等につながる可能性や，異なる目的間におけるトレードオフが明らかになった。
- 大規模市場において，個々の嗜好が整列していると近似できることが示され，結果の適用範囲が拡大した。
ニアフィールドWi-Fiセンシングによるクロスドメイン複数人物の行動認識 [eess.SP, cs.CV]目的：クロスドメインにおける複数人物の行動認識
- Wi-Fiを利用した行動認識は利便性が高く研究が盛んである。様々な場所での応用が期待されている。
- Wi-Fiの空間分解能の粗さが複数人物の識別を困難にしている。特に近距離での識別は課題が多い。
- ニアフィールド信号の特性を活用し，活動カテゴリが不完全な状況下でのクロスドメイン適応を効率的に行う。
- 提案手法WiAnchorは，活動間の特徴量の分離を強化する事前学習と，不完全なカテゴリ情報を活用したアンカーマッチング機構を導入する。
- アンカーマッチング機構は，特定の人物に依存する干渉を除去し，クロスドメイン適応を円滑に進める。
- 実験結果から，WiAnchorは活動カテゴリが存在しない状況下でも90%以上のクロスドメイン精度を達成することが確認された。
LibriConvo：読書文献からの会話シミュレーションによるASRおよび話者分離 [eess.AS, cs.CL, cs.SD]目的：話者分離と自動音声認識のための合成会話音声コーパス
- 音声処理技術の進歩は，人間と機械の自然なコミュニケーション実現に不可欠である。
- 高品質な会話音声データの収集・アノテーションは，時間とコストがかかるという課題がある。
- 合成データを用いた話者分離および自動音声認識モデルの性能評価を可能にすること。
- LibriConvoコーパスは，240.1時間の音声を含む1,496の対話，830人の話者で構成される。
- 話者分離タスクにおいて，Sortformerはpyannoteパイプラインを上回り，DERが11.1%であった。
- ASRタスクでは，Fast Conformer-CTC XLargeモデルがWhisper-large-v3を上回る性能を示した。
AI生成キャプションを用いた1億枚以上の銀河画像に対する意味検索 [astro-ph.IM, cs.AI, cs.CV, cs.LG]目的：銀河画像の意味検索エンジンの開発
- 天文学では，膨大な銀河画像から科学的に興味深い現象を発見することが重要である。
- 手動での画像ラベリングは遅く，数十億枚の銀河画像の探索を制限している。
- ラベルなし画像データから意味検索エンジンを構築し，効率的な現象発見を目指す。
- 現在のVision-Language Model（VLM）は，十分な情報を含む画像の説明を生成できることが示された。
- 開発したAION-Searchは，直接的な画像類似性検索よりも優れた性能を発揮し，ゼロショットでの希少現象検出において最先端の性能を達成した。
- VLMベースのリランキング手法により，上位100件の結果において，最も困難なターゲットに対する再現率がほぼ2倍になった。
選択肢集合のスクリーニング [econ.TH, cs.GT]目的：選択肢集合のスクリーニングにおける最適なメカニズム
- 情報非対称性の下で最適な意思決定を行うことは，経済学や経営学において重要な課題である。
- エージェントが自身の実行可能行動を秘匿する場合，プリンシパルの選択肢が制限されるという問題がある。
- 実行可能集合の順序付けに基づき，最適なメカニズムを特定し，情報非対称性の問題を解決する。
- 最適なメカニズムは，情報非対称性を無視するか，より良い提案に対して報酬を与えないかのいずれかである。
- 比較静学分析により，メカニズムのパラメータ変化に対する感度を明らかにした。
- このフレームワークは，説得管理，行動誘発，生産技術の特定といった応用事例に適用可能である。
RAF：普遍的な音声合成のための相対的敵対的フィードバック [eess.AS, cs.SD]目的：GANボコーダーの学習目的
- 音声合成技術は，人間と区別がつかない自然な音声を生成することを目指し，様々な応用分野で重要性が増している。
- 既存のGANボコーダーは，汎化性能が課題であり，未知のデータに対して十分な品質を維持できない場合がある。
- RAFは，より汎用的な表現学習を促し，音声合成の品質と多様性を向上させることを目指す。
- RAFをBigVGAN-baseに適用した結果，パラメータ数を12%削減しつつ，LSGANで学習させたBigVGANよりも知覚品質が向上した。
- RAFは，複数のデータセットで客観評価および主観評価の両方において，GANベースのボコーダーの性能を安定的に向上させた。
- RAFは，GANボコーダーの学習フレームワークとして有効であることが，比較研究によって確認された。
意味的優位性を超えて：音声言語モデルにおける認知的感情的推論と共感的応答の整合性 [eess.AS, cs.SD]目的：音声言語モデルにおける認知的感情的推論と共感的応答の整合性
- 人間と自然な対話を行うAIの実現には，感情理解と適切な応答が不可欠である。
- 既存の音声言語モデルは，意味理解に偏りやすく，感情的なニュアンスを捉えにくいという課題がある。
- 感情的な文脈を考慮した，より人間らしい応答を生成するモデルを開発すること。
- CogAudio-LLMは，意味的優位性を軽減するためのLIME-440Kデータセットと，心理的推論を取り入れたEIPSメカニズムを導入した。
- EIPSを段階的に学習させることで，推論の厳密さと共感的な応答のバランスを取るDR-SAPOを設計した。
- これにより，音声言語モデルがより複雑な感情的相互作用に対応できる可能性が示された。
特徴融合による多Modal脳腫瘍分類 [eess.IV, cs.CV, cs.LG]目的：脳腫瘍の分類
- 脳腫瘍の早期正確な診断は，患者の予後を大きく左右するため重要である。
- 既存の深層学習モデルは画像情報のみに依存し，臨床家の多Modalな推論を模倣できていない。
- MRI画像と画像特徴量の組み合わせにより，より高精度な脳腫瘍分類を目指す。
- 多Modalネットワークは，単一Modalベースラインと比較して，すべての構成で高い性能を示した。
- ゲート融合戦略が最も高い精度（96.13%）を達成した。
- MRI画像と画像特徴量の組み合わせが，脳腫瘍分類において有効であることが示された。