研究者らは、連続拡散モデルのスコア関数に離散パッチトークン化を統合することで多様体幾何を明示的にモデル化するMIND（データ多様体認識画像拡散モデル）を提案。ImageNet 256×256で、MIND-B（1.3億パラメータ）はガイダンス下でFID 2.06を達成し、LlamaGen-3Bを上回る。

研究者らは、弱教師あり病理画像位置特定の解釈可能性を向上させるために細胞層（cellular sheaves）を提案。細胞層の不一致場を分類器注意と整合させることで、位置特定精度と転移可能性が向上した。

EviOSAHSフレームワークは、顔画像を7つの解剖学的クエリに分解し、臨床データと組み合わせて閉塞性睡眠時無呼吸低呼吸症候群の高感度スクリーニングを実現。642名のコホートで、精度88.47%、感度94.86%、F1スコア93.74%、偽陰性率5.14%を達成。

研究者らは、13の撮像システムからの1740万枚の画像を含む、これまでで最大かつ最も包括的なプランクトン画像データセット「Planktonzilla-17M」を発表した。分類系統をテキストとして使用した教師あり分類器がCLIPスタイルの訓練と同等以上の性能を示す一方、BioCLIPなどの生物基礎モデルはプランクトン識別で低い性能を示した。

本研究は、圧縮センシングにおけるサブサンプリングを最適化するためのタスク認識型フローベース生成フレームワークを提案します。従来のFlow Matching訓練パラダイムを再構築し、画像再構成（CelebAデータセットで5%サブサンプリング時にPSNR 25.17 dB）やMRI加速（fastMRIデータセットで8倍加速時に29.24 dB）において最先端の性能を達成し、計算オーバーヘッドは最小限です。

本論文では、Belief-Attentionを拡張したBelief2-Attentionを提案する。これは直交射影における垂直成分と射影成分の両方を利用し、射影成分を活性化関数と線形写像で処理（2層FFN相当）する。さらに、QK^Tに加えて内積行列ZZ^Tを導入し、トークン間の相関をより豊富に捉える。画像分類とセグメンテーションの実験で有効性が確認された。

DefocusTrackerAIは、様々な光学構成においてデフォーカス粒子画像を検出するための深層学習フレームワークです。Faster R-CNNとYOLOv9を比較し、YOLOv9が再現率と不確かさの点で優れていることを示しました。特に高粒子密度での性能が向上し、不確かさは0.1ピクセルまで低減します。非点収差画像と非非点収差画像の両方に対応し、蛍光やシャドウグラフデータを含む実際のDPT実験で検証されています。学習済みモデルは公開されており、3次元デフォーカス粒子追跡の第一歩として利用できます。

本研究では、医療分野の大規模言語モデル（LLM）を敵対的・倫理的に複雑なシナリオで評価するマルチドメインレッドチーミングフレームワークを開発。11のLLMを690の臨床シナリオでテストした結果、平均スコアは0.791～0.984の範囲だが、高性能モデルでも安全上重要なシナリオで完全な失敗が発生。公平性タスクでは人口統計的変更により10～20%の誤差増大が確認され、平均精度だけでは臨床リスクを隠蔽することが明らかになった。自動評価と臨床医の監視を組み合わせたハイブリッド評価アプローチの重要性を強調。

新しい研究では、認知言語特徴とDistilBERT埋め込みをホログラフィック縮約表現（HRR）で組み合わせ、オンラインテキストからうつ病を検出し、マクロF1スコア0.94を達成。従来のTF-IDFベースラインの0.80を大幅に上回った。

大規模言語モデル（LLM）における長文脈復号化は、大規模なキー・バリュー（KV）キャッシュを取得するためのメモリ帯域幅により制約される。既存のKV管理手法は復号化前にキーのみを刈り込むが、アテンション出力はキーとバリューに共同で依存する。本論文では、ART（Attention Run-time Termination）を提案する。これはカーネル実行中に累積アテンション出力を追跡し、寄与が無視できるようになるとKVブロックアクセスを終了する軽量な実行時機構である。ARTは既存のキーベース手法と直交し、シームレスに統合できる。LongBenchベンチマークでは、ARTは大バッチサイズにおいて最先端のベースラインと比較して20%高い生成スループットを達成し、精度も同等である。

言語拡散モデル（LDM）の信頼性を安全性、プライバシー、公平性の観点から評価する新しいベンチマークTrustLDMを提案。ユーザープロンプトのみでは高い信頼性を示すものの、悪意のあるコンテキストが付加されるとアライメントが著しく低下することが明らかになった。また、コンテキストの長さが必ずしも影響の大きさに直結せず、復号順序や生成長さも評価結果に影響する。さらに、自動評価フレームワークTrustLDM-Autoも導入され、脆弱な構成を系統的に特定する。

生成多数→最良選択戦略と、人間のペア比較から学習した選好モデルを用いたシステムが、SemEval-2026ユーモア生成タスクの英語・中国語サブタスクで1位、スペイン語サブタスクで2位を獲得した。

ターゲットモデルの隠れ状態を用いた意味的検索とソフトゲート評価により、検索ベース投機的復号のロバスト性と効率を向上させるSENSEを提案。LLaMAおよびQwenファミリーで最大4.09の平均受理長と3.26倍の高速化を達成。

CSRPは、継続的事前学習、Chain-of-Thought SFT、効率認識報酬によるRLを用いた3段階フレームワークで、中国語文法誤り訂正における過剰訂正問題に対処。NACGECベンチマークでSOTA（F0.5=50.99、精度57.17）、CSCDスペル訂正でF1=59.61（GPT-4を5.20ポイント上回る）。

大規模言語モデルの流暢さが人間に近づくにつれ、従来の統計的特徴や確率に基づく検出手法ではAI生成テキストの検出が困難になっています。AEyeDEは、プロキシTransformerモデルの注意マトリクスを利用したアトリビューション駆動の手法を提案します。実験では、エンコーダ・デコーダ翻訳設定でテキストのみのベースラインを上回り、デコーダのみの設定でも高い性能とロバスト性を示しました。

ターゲット領域にアクセスできない実践的シナリオで、分布外（OOD）プロキシを用いて未知の分布を近似し、多様性制約を導入したデモンストレーション検索フレームワークDOPAを提案。複数のLLMとタスクでの実験により、OOD設定でのロバスト性向上を実証。ACL 2026に採択。

研究者らは、アメリカのテレビドラマに基づく多人数対話談話解析のための最初の公開英語マルチモーダルデータセットDraDDPを構築した。495の対話セグメント、6,374の発話、9.1時間のビデオを含む。実験により、マルチモーダル情報が対話構造と関係タイプの捕捉に有効であることが示された。データセット、ガイドライン、コードは公開予定。

本サーベイは、生成AIによって加速される敵対的合成コンテンツに対抗するための、プロアクティブなライフサイクルベースの検出フレームワークを提案する。C5インタラクションモデルを通じて機械学習と社会科学を統合し、協調的不実行動分析、疫学モデリング、ホークス過程など、新たな非真正ナラティブ検出技術をレビューする。高次元埋め込み空間における異常検出、多層グラフ上の教師なし協調検出、エージェンティックAIシステムについて議論する。最後に、急速に変化する脅威の追跡と多レベルの分布ドリフトの課題に取り組み、将来の研究課題を示す。

本論文は、大規模言語モデルエージェントにおけるツール呼び出しの有効性（測定方法）と効率（学習方法）を体系的に分析する。有効性に関しては、評価結果がランダムシード、システムプロンプト、マルチターンテンプレートの構築方法などの実装上の細かな選択に非常に敏感であり、特にマルチターン設定ではリーダーボードの順位が信頼できないことを示す。効率に関しては、標準的な強化学習訓練における計算資源の無駄を特定し、性能を低下させずに大幅な高速化を達成する2つの手法を提案する。

本サーベイは、ワールドモデルに関する統一的な分類法を提示し、アーキテクチャ、方法論、推論、応用の4次元にわたって整理する。PlaNetからGenieに至るマイルストーンを追跡し、思考連鎖推論とワールドモデルの統合について議論し、主要な課題と今後の方向性を明らかにする。

本論文ではFoLoRAを提案。一般化レイリー商を用いてタスク効用と忘却ペナルティのトレードオフを動的に調整し、事前学習モデルからのサンプリングでプロキシデータを生成する。数学、コード、指示追従タスクで最良の保存適応バランスを達成。

本論文では、自動微分可能な非線形テンソルネットワーク（ADNTNs）を研究する。これは構造化された重み生成器のファミリーであり、コンパクトなコアテンソルが逆モード自動微分（AD）によってエンドツーエンドで訓練される。このアプローチは低ランク適応やテンソル分解の自然な拡張と見なせ、小さなコア、非線形活性化、およびオプションの横方向混合テンソルの階層を通じて大きな重みテンソルを構築する。論文は3つのアーキテクチャに焦点を当てる：木テンソルネットワーク（TTN）、拡張TTN（aTTN）、およびマルチスケールエンタングルメント再規格化アンザッツ（MERA）。AlexNetおよびVGG-16層での実験により、約2000倍から77000倍の層ごとの圧縮率を達成し、精度は多くの場合密なベースラインと同等か、いくつかのVGG-16ケースではそれを上回った。これらの結果は有望ではあるが最終的なものではなく、最適化、収縮スケジュール、および展開カーネルが一緒に設計されれば、ADNTNがより小さなニューラルネットワークへの有望な数学的に構造化されたハードウェア認識経路であることを示唆している。

研究では、現代の大規模言語モデル（LLM）内部に、人間の脳波（EEG）における感情価に対応する方向（V軸）が存在することを示しています。9つの感情喚起文のみで構築されたV軸は14のLLMで一貫しており、123名の被験者のEEGデータの線形投影によって各刺激のV軸位置を追跡できます。36のEEG感情分類器はこの方向を自発的に再発見しましたが、追加の教師ありアラインメント戦略は無効であり、16もの戦略で精度が低下しました。著者はこの現象を飽和規則として形式化し、残差多様性を利用したアンサンブル手法によりFACEDデータセットで均衡精度を10.5%向上させました。

Demo2Rewardは、少数の専門家デモ（3～10軌跡）を用いて視覚言語モデル（VLM）報酬モデルのプロンプトを最適化するテスト時適応手法であり、偽陽性を低減しつつ真陽性を維持し、追加のトレーニングや計算リソースを必要とせず、シミュレーションおよび実世界のロボットタスクで既存手法を上回る性能を示す。

ホーフディング概念ボトルネックモデル（HCBM）は、勾配ブースティング木のホーフディング関数分解を利用して、概念スコアの非線形かつスパースな集約を実現し、説明可能性を向上させ、分類および物体検出タスクにおいて線形CBMを上回る性能を示す。

本論文では、DAStatFormerを提案する。これは、マルチドメイン統計的特徴を抽出し、ゲート付き注意機構で融合するハイブリッドマルチブランチTransformerであり、DASイベント分類において99.4%の精度を達成し、パラメータ数と推論コストを大幅に削減する。

BitsMoEは、混合エキスパート（MoE）大規模言語モデルのための効率的な量子化フレームワークです。SVDを用いて各MoE層を共有基底とエキスパート固有のスペクトル因子に分解し、共有基底は量子化せずに保持することでクロスエキスパート構造を維持します。固定ビット予算下で再構成損失を最小化する整数線形計画問題を定式化します。実験では、Qwen3-30B-A3B-Baseの2ビット量子化において、GPTQと比較して量子化速度12.3倍、平均精度27.83ポイント向上、復号速度1.76倍の改善を達成しました。

本論文は確率論がギャンブルからベイズ推論へと発展したプロセスを辿り、それが理性自体の変容であると解釈する。確率は明確な命題の不確実性を定量化するが、概念の曖昧さは扱えない。ファジー論理と深層学習を補完的枠組みとして分析し、現代の科学的理性は不確実性、曖昧さ、推論を明示的に扱う必要があると論じる。

マルチプロダクト製造におけるグローバル異常検出モデルは決定境界の拡大により盲点を持つ。提案するプロダクトアウェアオートエンコーダはグレード固有の分布に学習を制限し、ストレステストで100%の検出精度を達成。モードアウェアな診断アーキテクチャへの移行を提唱する。

Grokersは、依存サブグラフのボトムアップ帰納的トラバーサルにより、型付きナレッジグラフの永続的で構造化された理解を構築するアーキテクチャです。検索拡張生成（RAG）とは異なり、Grokersはインテリジェンスを書き込み時に押し出し、将来のクエリにLMコストをかけません。3つの定理を証明し、埋め込みベースのセマンティック検索に代わる決定論的な手法を提供します。