柔らかい物体と硬い物体の両方を単一の制御パイプラインで扱う統一的な単眼視覚ベースの把持フレームワークを提案。RGB入力と位置制御グリッパのみを使用し、オープンボキャブラリ物体検出、セグメンテーション、境界点割り当て、リアルタイム点追跡、単眼深度推定を統合。言語ベースの剛性推定モデルにより物体のコンプライアンスを推測し、把持戦略を選択。実験では、レタス、モッツァレラチーズ、クロワッサン、ペーパータオル、ペットボトルを用いて安定した把持を実証。

データ効率が高く解釈可能な視覚ベースの動的障害物回避手法を提案。事前学習済み単眼深度推定モデルUniDepthと特徴対応パイプラインSuperPoint+SuperGlueを活用し、各キーポイントの衝突時間（TTC）を計算して回避動作を選択。M3EDデータセットでの評価では、精度0.49、再現率0.38を達成し、22個の障害物のうち20個でTTCが1秒未満のフレームを検出。ロボット専用モデルの訓練は不要で、ハイパーパラメータ調整に74秒のデータのみを必要とする。

STEMbotは、植物の葉冠下を自律航行するために設計された小型の攀じ登りロボットで、早期害虫検出を目的とする。PIN-SLAMとセマンティックOcTreeを統合し、多様体制約A*プランナーを使用して、7～33mmの茎での信頼性の高い移動を実現し、再構築精度は1cm未満。

Shift & Driftは、意味的分布シフト（新しい都市トポロジー）と状態分布ドリフト（実行摂動）の下で自動運転行動計画器を評価する二重トラックベンチマークです。研究では、模倣学習手法は分布内で優れた性能を示すが、意味的シフト下で顕著に失敗する一方、強化学習ベースの計画器はより穏やかな性能低下を示すことが明らかになりました。

arXiv:2607.07830v1 は、急斜面でのロバストな人型ロコモーションのための2段階物理誘導型フレームワーク HumoSlope を提案する。第1段階では、斜面適応型 ZMP 正則化器により地形一貫性のあるバランス事前分布を確立。第2段階では、推定された斜面形状に基づいて重心高さと下肢協調を動的に調整する生体力学的斜面歩容アダプタを導入し、しゃがみ歩容を回避する。Sim-to-Real 実験により、最大62.7%（32.1°）の屋外芝生斜面をブラインド走行可能であることを実証した。

本論文は、道路や建物などの永続的構造物を利用してGNSS非利用UAVに絶対位置補正を提供するSASGeoフレームワークを提案する。220回のランダム化検索試験では、空間セマンティックマッチング変種が94.5～95.5%のRecall@1を達成し、グローバル記述子（58.6%）を大幅に上回ったが、変種間の差は有意ではなかった。合成概念実証は有望だが、実飛行による検証が必要である。

APIVOTは、言語思考と視覚思考を適応的にインターリーブすることで、長期的なロボット計画の成功率と推論効率を向上させるVLMベースのプランナーです。空間制約のあるキッチンタスクにおいて、汎用VLMや既存の計画フレームワークを大幅に上回る性能を示しました。

本論文では、自己回帰ビデオ拡散における時間的不安定性を改善するために、訓練不要の安定加速ガイダンス手法SAGAを提案する。加速領域スペクトルガイダンスと構造化ノイズ初期化により、ちらつきやジッターを低減し、時間品質と画像品質を向上させる。

LightCrafterは、ビデオリライティングをプロキシPBRレンダリングのビデオ翻訳として再構成する新しいハイブリッドパイプラインであり、物理ベースレンダリングと拡散モデルの強みを組み合わせて、長編動画の時間的一貫性と詳細な照明制御を実現し、実世界ベンチマークで従来手法を凌駕し、さらに分析用の合成ベンチマークを提供する。

FedTRは連合学習と転移学習を組み合わせ、産業用ビジュアル検査におけるデータ不足と複雑性の問題に対処し、ラベル欠陥識別で高精度を達成。

テキストプロンプトを活用して航空画像中の指向性物体検出をガイドする新しいTransformerベースの手法LOGOSを提案。DOTAデータセットで既存手法を上回り、特に密集・回転シーンで優れる。

本論文は、微分可能な熱伝達シミュレーションを通じて熱シーン再構成と熱物理パラメータ推定を統合するフレームワークThermoFieldを提案する。ニューラルフィールドを用いて空間的に変化する熱拡散率などを表現し、シーンの幾何学と熱伝達物理に基づいて制約する。これにより、複雑な3Dシーンでの物理的解釈可能なパラメータ推定と熱進化予測を実現する。

研究者は、注意ベースの防御を回避するために、独立して最適化された画像パッチである敵対的デコイを提案しました。この手法は、誤分類と防御回避を分離し、攻撃非依存であり、既存の敵対的パッチ攻撃に容易に統合できます。ImageNetでの実験により、デコイが注意スコアを真の敵対領域から逸らしつつ攻撃効果を維持することが示され、注意の大きさを敵対的関連性の指標として使用することの根本的な限界が明らかになりました。

研究者らは、UAVとクレーンベースのフォトグラメトリを用いた低コスト手法を開発し、落葉樹を3D再構築してシュート伸長（一次成長）をモニタリングしました。5～6mmの点精度と92～98%の完全性を達成し、気候変動影響研究における一次成長モニタリングのギャップを埋めます。

GIRAFは、関節物体との現実的な全身インタラクションを生成するテキスト条件付き拡散モデルです。物体中心表現、混合ドメイン訓練、接触ベースのデータ拡張により、移動、微細な接触、物体の関節動作を統合的に推論し、未見の物体構成への強い汎化を実現します。

DreamCharacter-1は、事前学習済み3D基盤モデルを高忠実度で製品化可能な3Dキャラクター生成に調整する軽量後適応フレームワーク。幾何後トレーニング、テクスチャ後トレーニング、推論高速化の3つのコンポーネントで構成され、最先端手法を凌駕する性能を示す。

LLM出力における忠実度幻覚の識別は、高品質なアノテーションデータの不足により困難である。本論文では、検出器と生成器が相互にブートストラップするフレームワーク「幻覚セルフプレイ（HSP）」を提案する。検出器は人間ラベルデータで微調整され、その後RLAIFによる生成器の訓練ための報酬モデルとして使用され、より検出困難な幻覚を生成する。進化した生成器の出力は、ルールベース強化学習により検出器をさらに最適化する。RAGTruthベンチマークと2つのモデルファミリーでの実験により、小型LLMが外部教師なしで高度なLLMに匹敵または凌駕できることが示された。

新たな研究が、全二重音声エージェントの会話を評価する音声審査員としてのGeminiモデルの信頼性を評価。209のステレオセッションを8つの次元でスコアリングし、Gemini 2.5 Flashはほとんどの次元で人間の評価者と高い一致を示し、コストは人間の評価の約100分の1。モデル交換時には校正データによる再検証が必要と警告。

本論文は、LLMの強化学習における一様なクレジット割り当てが引き起こす「正のクレジット汚染」問題を特定し、TACO（Tail-Aware Credit calibratiOn）手法を提案する。TACOは、ローカル生成コンテキストに基づいて各トークンのテールリスクスコアを計算し、リスクの高いトークンへの正の更新を抑制する。3つのLLMと8つのベンチマークでの実験により、GRPOスタイルのベースラインを一貫して上回り、長期的RLの訓練安定性を向上させることを示した。

本研究では、MiniLM埋め込みを用いたマルチクラスター境界学習法を提案し、アウトオブスコープ（OOS）意図を検出します。従来のマルチクラス分類の精度低下やLLM埋め込みの大規模パラメータ問題を克服し、3つの公開データセットで最先端の性能を達成しました。

自然言語処理における前処理ベースのステレオタイプ緩和手法は、対象グループの測定可能なステレオタイプを低減する一方で、他の人口統計グループ（無関係なカテゴリを含む）に対してステレオタイプ化または反ステレオタイプ化が中立ベースラインと比較して増加するという意図しないシフト（副作用）を引き起こすことが多い。この研究では、エンコーダーのみとデコーダーのみの2つのモデルファミリー、複数の前処理戦略（ステレオタイプ文の削除、グループ言及の削除、グループ参照の交換）、およびウィキペディア上の異なるデータ規模での事前学習および事後学習にわたってこれらの副作用を示している。標準的なベンチマークはこれらのシフトを見逃すことが多い。アテンションロールアウト分析により、このような副作用はアテンションフローの大きな変化を伴わず、メカニズムの説明が複雑になることが観察された。評価への影響を議論し、実用的な診断方法を提供し、副作用を意識した透明な緩和実践を主張する。

本研究は、コスト効率の高い人間とLLMの協働アノテーションフレームワークを提案し、スペイン語でEspanStereoデータセットを構築。複数のスペイン語圏の文化特異的な偏見を捉え、LLMのステレオタイプ行動が国によって大きく異なることを示した。

本論文は、バレンホルツの自己生成言語理論がハリース統合主義を強化し、記号の将来的開放性、言語と非言語的記号活動の連続性、統合のアーカイブに関する構造的メカニズムを提供することを論じる。自然言語処理と大規模言語モデルの設計に洞察を与え、統計的構造の本質と限界を明らかにする。

DeepSearch-Evolveは、決定論的で検証可能な環境DeepSearch-Worldに基づいたウェブエージェント向け自己蒸留フレームワークです。42万件のマルチホップQAタスクを含み、進捗確認や障害回復などの認知行動をサポートします。教師蒸留なしで、DeepSearch-World-9BはBrowseCompで31.2%、GAIAで61.5%、HotpotQAで93.4%を達成し、検証可能な環境が長期的なウェブエージェントの自己進化を可能にすることを示しています。

本ポジションペーパーは、AI for Mathematics（AI4Math）分野の最近の進展、特に大規模言語モデル（LLM）駆動の定理証明器による形式証明生成の成功を概観する。しかし、既存システムは新定理の発見や未解決予想の解決など、未定義で抽象度の高い最前線の研究数学には根本的に対応できない。著者らは、AI4Mathシステムを所定の問題ソルバーから厳密な形式数学的推論が可能な研究エージェントへと転換する必要性を主張し、データセット、関係構造、数学的探索、ツールエコシステム、人間-AI協調における核心的限界を特定し、将来の戦略的ロードマップを示す。

本稿では、Twitter上の感情分析におけるLSTMと従来の機械学習モデルの性能を比較する。LSTMモデルは訓練精度90.98%、テスト精度80%、ROC-AUCスコア0.92を達成し、他の手法を上回った。

本研究では、自動的に大域リプシッツ定数を調整することで、精度とロバスト性のバランスを保ちつつキャリブレーションされたニューラルネットワークを実現する新しい学習パラダイムLiSTを提案する。リプシッツ制約とTemperature Scalingの理論的関連を明らかにし、キャリブレーションを基準として最適動作点を選択する。CIFAR-10/100およびTiny-ImageNetでの実験により、キャリブレーションを維持しながら既存手法と同等の精度とロバスト性を示した。

本論文では、局所更新ルールを用いてニューラルネットワークの重みを自己組織化するMeta Neural Cellular Automata (MetaNCA) フレームワークを提案。逆伝播なしに多様なアーキテクチャの重みを生成し、未見のアーキテクチャにも汎化できる。

Jet-Longは、動的二焦点RoPEを使用して大規模言語モデルのコンテキストウィンドウを拡張する、チューニング不要のゼロショット手法を提案する。シーケンス長に応じてリスケーリング係数を適応させ、複数のベンチマークで高い効率と強力な性能を達成する。

SHIFTは、マスク付き自己注意機構と特徴利用可能性マスクを用いて、テスト時の補完なしに不完全なゲノム入力から直接予測する欠損認識生存モデルです。トレーニング中に可変レートの特徴マスキングを導入し、異質な欠損パターンに対するロバスト性を向上させます。膠芽腫と肺扁平上皮癌の複数コホートで評価した結果、SHIFTは強力な一般化を示し、標準的な生存ベースラインや補完ベースの手法を上回り、精密腫瘍学における多施設生存予測のための実用的な戦略として欠損認識モデリングを支持します。