CaLiSymは、幾何学的事前分布を構造化されたリフトされた標準位相空間に課すことで、正確なシンプレクティック学習を非保存系に拡張する軽量フレームワークである。明示的代数的リフトを使用し、反復的隠状態やODE積分を回避し、GRB-SympNet変種を導入する。散逸性二重振り子、実世界のクアッドローター、接触豊富な四脚ロボットでの実験により、シンプレクティック形式を数値精度で保存しつつ、分布外自己回帰予測の一貫した改善を示す。

本論文は、モジュラーハードロボット（MSR）の形態変化に段階的に適応し、事前の知識を忘れずに制御できる継続学習に基づくフレームワークを提案する。シミュレーションと実機で有効性を検証した。

EvoPlanは、LLMの流暢さと古典的なPDDLプランナーの保証を組み合わせたニューロシンボリックフレームワークであり、3つの部分から構成されます。デモデータから大域的STL制約をオフラインでマイニングする手順、進化的PDDLプランナー、制約付き実行ループです。すべてのLLM呼び出しはローカルのオープンウェイトモデルを使用し、クラウド依存なしでロボット上にデプロイ可能です。Bench2Drive、HA-VLN-CE、ALFWorldベンチマークでテストされました。

本レビューは2017年から2026年までの183件の研究を7つの次元（VLAアーキテクチャ、トレーニング手法、行動表現、両腕協調、UAVナビゲーションと制御、言語基盤、記憶と世界モデル）で整理。両腕VLAで開発された戦略が無人航空システムに転用可能であることを示し、14の研究課題を特定した。

本論文では、マルチエージェントSLAMにおけるループ閉鎖候補検出にセキュアマルチパーティ計算（SMPC）を適用し、グローバル記述子を平文で交換せずにプライバシーを保護するCILCシステムを提案する。実験により、視覚およびLiDAR記述子でリアルタイム性能を達成し、情報漏洩を軽減できることを確認した。

RoboSnapは、単一のRGB画像をシミュレーション可能なシーンに変換する実機からシミュレーションへのフレームワークです。衝突認識可能な前景アセットと3Dガウシアンスプラッティングによる背景表現を組み合わせた階層型設計が特徴。DROIDシーンや実ロボットタスクでの実験により、軌跡再現、タスク特化型合成データ生成、シミュレーションと実機間の相関が確認されました。また、564の実世界シーンからなるDROID-Simデータセットも公開されています。

NativeMEMは、外部メモリモジュールを必要とせず、各履歴フレームを単一トークンに圧縮するVLAモデルです。シミュレーションで84%、実ロボットで98.7%の成功率を達成し、訓練データの20%のみで高いデータ効率を示します。

Pelican-VLA 0.5は、視覚言語理解、未来フレーム生成、動作予測を単一アーキテクチャに統合した統一VLAモデルです。知覚と行動の間に挿入された学習可能な推論スロット（Reasoning Slots）により、オブジェクト注釈やタスク固有の微調整なしに、動作経路が指示に関連するオブジェクトと接触領域に焦点を当てる注意レベルの汎化を実現します。この振る舞いは未知のシーンや異なるロボット形態でも持続し、他のオープンソースVLAベースラインを大幅に上回ります。

本論文では、ProMoE-FLフレームワークを提案し、グローバルなクライアント認識プロトタイプバンクとプロトタイプ条件付きエキスパート混合を用いて、マルチモーダル連合学習におけるモダリティ欠落問題に取り組む。4つの公開胸部X線データセットでの評価により、同質および異質設定の両方で最先端手法を一貫して上回ることを示した。

動画拡散モデル（VDM）は高品質な生成が可能ですが、計算コストが膨大です。近年の数ステップ蒸留技術は推論を高速化しますが、ノイズレベルごとに異なる計算需要を無視しています。本論文では、動的構造スパース化を蒸留プロセスに直接統合する後訓練加速フレームワークを提案し、ノイズ除去ステップとモデルのスパース性を共同最適化して、ステップ固有の混合モデル（MoM）を生成します。共同最適化の不安定性に対処するため、出力ロールアウト機構を備えた漸進的訓練戦略を導入し、専用の推論エンジンを開発してMoMを効率的に展開します。Wan-14Bでは、4ステップ蒸留に加えて1ステップあたり24%のFLOPsを削減し、1.2倍の壁時計ゲイン、50ステップの教師モデルに対して30倍の高速化を達成しながら、競争力のある生成品質を維持します。

SpaR3D-MoEは、適応的時空間多様体サンプリングと幾何帰納的混合専門家モデルにより、スパースなRGB入力からの3D空間推論を実現するエンドツーエンドフレームワーク。VSI-Benchで平均63.5を達成し、最強ベースラインを7.8ポイント上回り、Route PlanとRelative Directionタスクでそれぞれ35.4%と51.4%の改善。

本論文では、NLPCC 2026の難易度考慮型医療指導ビデオ質問応答（DA-MIVQA）共有タスクを紹介する。このタスクは、これまでのCMIVQA、MMI-VQA、M4IVQAチャレンジを拡張し、質問に必要な証拠の種類と複雑さに基づいて難易度を明示的に区別する。3つのトラック（単一ビデオ内の難易度考慮型時間的答え根拠付け、難易度考慮型ビデオコーパス検索、ビデオコーパス内の難易度考慮型時間的答え根拠付け）からなる。データセットは公開医療指導チャンネルから収集され、応急手当、緊急対応、リハビリテーション、看護、一般医学教育などの多様なシナリオをカバーし、手動で難易度が注釈付けされている。

本研究は、画像分類における反事実的公平性（CF）と集団的公平性（GF）の関係を探る。高品質な画像編集を用いて新たなデータセットを構築し、画像分類ではCFがGFを含意しないことを発見。これは表形式データとは逆の結果であり、その原因としてセンシティブ属性と相関する潜在属性Gの存在を理論的に示す。提案手法CKDによりGへの依存を低減し、CFを達成するモデルがGFも満たすことを実証。

線分検出はビジュアルSLAM、3D再構成、産業検査における重要な構成要素である。深層学習手法は精度を向上させたが、最小モデルでも数メガバイトのメモリを必要とし、低コストMCUの容量を超える。本研究では、サブメガバイト予算内で最大精度を探究し、MCUレベルの制約に特化した検出器MiLSDを提案する。コンパクトな完全畳み込みバックボーン内で3つの出力表現を系統的に比較し、提案するF-Clip中心・長さ・角度定式化が小モデル規模で最も効果的に学習することを示す。8ビット量子化は全精度性能を維持するが、4ビット量子化は特に角度回帰において著しい劣化を引き起こし、量子化対応訓練では損失の一部しか回復できない。1メガバイトの活性化予算とサブピクセル復号、テスト時拡張、軽量検証器を含む推論強化により、MiLSDはShanghaiTech WireframeのsAP10を10.6（25kパラメータ、0.25 MB）から24.1に改善する。GPUスケールのパーサーと競合するのではなく、組み込みビジョンシステム向けに表現、ビット幅、容量、後処理戦略にわたる精度-メモリトレードオフをマッピングする。

本論文では、設計上対向ロバスト性を向上させるLipschitz制約付きSingle Shot MultiBox Detector（SSD）であるLipSSDを提案する。Pascal VOCデータセットにおいて、対向学習されたLipSSDは未知の攻撃に対してmAP@50を最大15ポイント向上させ、LARDやKITTIなどの安全クリティカルなデータセットでもクリーン性能をほぼ維持しつつロバスト性を向上させる。

本研究では、2つの事前学習済み潜在拡散モデル（Protogen v3.4およびStable Diffusion v1.4）を、厳選・注釈付きの高解像度ウロス柄データセットで微調整し、文化的に一貫性がありながらも斬新なデザインを生成する。定量的評価により、Protogen v3.4がStable Diffusion v1.4を大幅に上回り、忠実度と多様性のトレードオフが明らかになった。ガイダンススケール5-9が最適なバランスを提供する。

CoFINNは、有限体積保存物理を訓練プロセスに直接組み込んだ物理情報深層学習フレームワークで、圧縮性流れ場の予測を実現する。従来のデータ駆動型CNNや古典的な物理情報手法よりも優れ、遷音速翼型流れにおいて抵抗予測誤差を最大34%、平均15%低減し、特にデータが限られた状況で効果を発揮する。

本論文は、セマンティックセグメンテーション、回帰ベースの重症度推定、および病害分類を統合したディープラーニングパイプラインを提案し、植物病害の重症度定量化を実現する。Apple Tree Leaf Disease Segmentationデータセットにおいて、U-Net（MobileNetV2）が98.20%のピクセル精度、0.70 mIoU、99.41%の検出精度を達成し、1画像あたり14.7ミリ秒で処理可能で、リアルタイム利用に適する。計算された重症度指数は専門家のアノテーションと高い相関（r=0.968）を示し、自動化された作物モニタリングにおける信頼性を実証している。

新しい評価フレームワークは、テキスト埋め込みから項目の心理測定パラメータを予測し、困難度は高い予測可能性を示す一方、弁別力と擬似推測は信頼性上限によって制限されることを明らかにした。この研究は、繰り返し交差検証とスケールフリーメトリクスの重要性を強調する。

本研究は、ツール使用言語モデルにおけるマルチティーチャー・オンポリシー蒸留が引き起こす過剰呼び出し問題を分析し、トークンごとの発散調整手法Soft Clampを提案。オーバーコーリング率を13.7%から9.0%に低減しつつ、決定精度を維持する。

本研究では、符号化器の解析的ヤコビアンからトークンごとの引き戻し計量を抽出し、対称正定値（SPD）多様体上でFréchet平均により集約するリーマン平均プーリング（RMP）を提案する。CoLA、CREAK、RTEの各データセットでRMPはユークリッド平均プーリングを上回り、語彙的アーティファクトを除去したFEVER-Symmetricでは偶然レベルにとどまる。アブレーション実験により、ランダム初期化された符号化器とFréchet集約の組み合わせでも大半のデータセットでユークリッドプーリングを凌駕し、その利得は幾何学的集約に起因することが示された。

LLMはテスト時に追加計算で推論を改善するが、既存手法は各問題を個別に扱う。MILESはモジュール型メモリユニットと学習可能な選択ヘッドを導入し、逐次問題間で再利用可能な経験を蓄積、精度と効率の優れたトレードオフを実現する。

本論文は、正確性、簡潔性、事実整合性、可読性、一貫性の5つの次元を統合した多因子スコアリングフレームワークを提案し、グラフィカルユーザーインターフェースによる結果の可視化を備えています。TruthfulQAデータセットでの評価により、主流のLLMは推論タスクで高い性能（複合スコア最大0.6104）を示す一方、複雑な事実や曖昧性の処理に限界があることが明らかになりました。このフレームワークは透明で適応性が高く、将来的には多言語領域への拡張が期待されます。

大規模言語モデル（LLM）は、文脈がアフリカ系アメリカ英語（AAE）であっても、標準アメリカ英語（SAE）の続きを系統的に好み、AAEをSAEに書き換えることが示されました。著者らは、条件付き方言群不変性（cDGI）やアクティベーションステアリングを用いたバイアスの監査と軽減のためのエンドツーエンドフレームワークを提案します。また、最大の実AAE並列コーパスREAL-AAEを公開しました。

本研究では、任意の微分可能な自動音声認識（ASR）モデルに適用可能な、勾配ベースの汎用的な音声テキストアライメント手法を提案する。トレーニングやモデル修正は不要で、CTC、トランスデューサー、アテンションエンコーダデコーダ、音声大規模言語モデルを含むすべてのモデルファミリで動作する。入力グリッド上でアライメントを行い、従来のエンコーダグリッドよりも高精度。16モデルでの評価では、特にストリーミングモデルでネイティブアライメントより優れているが、トークンごとに1回の逆伝播が必要。

本論文では、強化学習のポリシー勾配法を用いてTransformerベースのマスク言語モデルを最適化し、eコマースの広告見出しを自動生成する手法を提案する。この手法は、出品者が宣伝したい複数の商品を同時に考慮して見出しを生成し、重複指標と品質監査の両方で既存のTransformerやLSTM+RL手法を上回る。監査によれば、モデル生成の見出しは文法と創造性の両面で人間が作成した見出しを凌ぐ。

大規模言語モデル（LLM）は医学的質問応答ベンチマークで有望な結果を示しているが、幻覚や公的ガイダンスの急速な進化により公衆衛生での使用は制約される。検索拡張生成（RAG）は明示的に維持されたコーパスに回答を基づけることでこれらのリスクを軽減するが、エンドツーエンドの性能は検索設定と多肢選択以外の評価に大きく依存する。本研究はPubHealthBenchを検索拡張設定に拡張し、検索と生成の選択を体系的に評価。ハイブリッド検索が一貫して再現率とランキング品質を向上させ、検索コンテキストの提供が多肢選択精度を大幅に向上させることを示した。自由形式回答評価のためのルーブリックベースのLLM-as-a-judgeも導入。

本論文では、自動音声認識と機械翻訳を用いてテキスト書き起こしを生成し、クロスモーダルトランスフォーマーにより音声と多言語テキスト特徴量を統合するマルチモーダル手法を提案する。知識蒸留により、推論時の計算負荷を増やさずに音声のみのモデルの性能を向上させる。

TSFフレームワークは、LLMをオフラインで使用してタスクセマンティックフィールドを構築し、変数セマンティクスを統合して時系列予測を強化。オンラインLLMのオーバーヘッドはなく、平均MAEが6.4%削減。

この研究は、注意機構におけるスコア行列のスペクトル特性が位置符号化によってどのように影響されるかを調査します。7つの事前学習モデルを分析し、RoPEでは前トークンヘッドが回転スペクトルを示す一方、絶対位置符号化とALiBiではそうでないことを発見しました。動的分析ではスペクトルシグネチャが行動後に現れ、因果実験ではスペクトルチャネルは必須ではないが禁止すると形成が遅れることを示します。