マルチエージェント動作予測のための新しい手法IMRを提案。モード・ワールド重み付け回帰損失を用いてモード崩壊を緩和し、ワールドランキングとトップ1信頼度を向上。反復デコーダーにより軌道を再帰的かつセグメント的に生成し、予測精度を向上。Argoverse 2マルチエージェント動作予測ベンチマークで1位を獲得。

本論文では、追加ハードウェアを必要とせずに車載センサデータを仮想速度センサに変換し、IMUドリフトを補正する学習ベースのアーキテクチャEVC-Mambaを提案。マンバベースの選択的状態空間モデルと証拠深層学習を組み合わせ、不確実性を定量化した速度推定を実現。実車データでの評価では、専用センサの10%以内の位置精度を達成し、エッジハードウェア上で40Hzのリアルタイム動作を実証した。

本研究は、ソフトなフィン駆動型水中ロボットの動力学モデリングのためのニューラルネットワークベースの転移学習フレームワークを提案する。オートエンコーダを用いたドメイン適応により、大型ロボットで訓練したモデルを小型ロボットにラベルなしで適応し、正確なボディフレーム速度推定を実現する。形態的に類似したプラットフォーム間での効率的なクロスロボット動力学転移の可能性を示す。

本論文では、カルマンフィルタリングと機械学習を組み合わせたハイブリッドフレームワークPRML2を提案する。微分可能なカルマンフィルタを通じたエンドツーエンド学習により物理正則化を実現し、オンボードセンサーから車両姿勢を推定する。公開データセットにおいて優れた位置推定精度とリアルタイム性能を示し、低摩擦条件の新しいデータセットも導入する。IROS 2026に採択。

本論文は、マニピュレータの動力学とアクチュエータの負荷を明示的に考慮した制御認識型最適軌道計画フレームワークを提案する。中点線形化戦略により、大きな位置間移動の近似精度を向上させる。非線形UR5ロボットでのシミュレーションでは、従来の運動学的計画法と比較して、追従誤差、修正トルク、実行コストが一貫して低減し、運動学的な滑らかさだけでは動的な効率が保証されないことを示している。

本論文では、HIOcc階層的屋内占有ベンチマークとGEM-Occガウス証拠記憶フレームワークを提案。局所的な幾何予測を一時的証拠として扱い、永続的階層記憶に融合することで、単一視点から建物レベルまでの意味的占有マッピングを実現し、複数データセットで安定性と拡張性の向上を示した。

MECo-WAMは、トレーニング中に行動に関連する4D幾何学的事前知識をビデオ-行動表現に注入し、推論コストを増やさずにロボット操作性能を向上させる。マルチエキスパート共同トレーニング、減衰4D読み取りマスク注意、行動認識時空間幾何蒸留を採用。LIBEROで98.2%、RoboTwin 2.0で92.6%の成功率を達成。

本論文は、足取り型AHRSを用いたPDR向けに、マークレーの四元数平均でセンサデータを融合し適応的に重みを調整するQAACFを提案し、低RMSEと低計算コストを実現した。

FaceMesh2HPOは、臨床診断を支援するために、ヒト表現型オントロジー（HPO）に沿った顔面表現型記述子を分類するフレームワークです。124名の臨床医による10疾患（107のHPO用語）のアノテーションと非症候群対照群を用いて、2D画像から3D顔面メッシュ（478ランドマーク）を生成し、カスケード分類と特徴除去を備えた階層的PointNetベースのパイプラインを訓練しました。最良モデル（3Dメッシュ、顔輪郭、人口統計メタデータを統合）はAUROC約0.55～0.89を達成し、親ノードで葉ノードよりも高い性能を示しました。外部検証では疾患間で一般化可能性にばらつきが見られました。結果は、3D顔面形状の階層的モデリングにより解釈可能なオントロジー連携表現型分類を可能にする一方、稀な葉ノードでの性能は依然として限定的であることを示しています。データの多様性向上と特徴選択戦略の改善が堅牢性と臨床的有用性を高めるために必要です。

本論文は、事前学習された生成画像モデルと視覚言語モデルを活用し、3Dオブジェクトのマルチビュー画像から意味的パーツを抽出し、超二次曲面プリミティブに抽象化する学習不要の手法を提案する。このアプローチは学習パラメータを含まず、カテゴリ非依存かつ方向不変であり、HumanPrimおよびToys4Kデータセットで最小のChamfer距離を達成し、オブジェクトあたり平均5～9個のプリミティブを使用する。精度のボトルネックはプリミティブフィッティングではなくパーツセグメンテーションであることが示された。

研究者らはMuCoDiを提案。これは、複数の病理学基礎モデル（PFM）の凍結タイル埋め込みを対比蒸留により軽量エッジ向けエンコーダに圧縮する事前学習フレームワークである。RepViTベースのMuCoEdge学生モデルは教師に近い性能を維持しつつモデルサイズを数桁削減し、Raspberry Pi 5上で最大605倍の高速化を達成した。

本論文では、Normal-Inverse-Wishart事後分布を用いてガウス幾何を追跡するレンダリング認識型ベイズ3DGSフレームワークを提案し、ネイティブな不確実性推定と能動的ビュー選択を実現する。固定予算の能動的ビュータスクにおいて、ベースラインと比較してPSNRが0.453 dB向上、LPIPSが0.0146改善され、95%カバレッジ誤差は約17分の1に低減、訓練コストは深層アンサンブルの約3分の1である。

この研究は、悪意のある挿入なしにバックドアトリガーのように悪用される可能性のある、視覚データに自然に存在する統計的信号を明らかにしました。ImageNetを分析し、特定のラベルに強く関連するパターンを特定し、統計的制御を用いてランダムな相関を取り除き、これらの信号が直接かつ予測可能な方法でモデルの予測を変えることを実証しました。これらの統計的敵対者は、一般的な劣化よりも標的を絞っており、異なるモデルアーキテクチャ間で転移可能です。脆弱性はモデルの特異性ではなく、データセットの構造と分布に起因することを示唆しています。著者らは、誤った構造を潜在的な攻撃面として扱うよう提唱しています。

Light-Omniは、二つの文脈状態（グローバル状態とパラメトリック潜在状態）を用いて反復推論を回避するマルチモーダルエージェントフレームワークであり、M3-Agentと比較して2.4%の精度向上、12.1倍の高速化、2.6倍のGPUメモリ効率を達成し、既存のMLLMのメモリシステムとしても機能する。

Ground3D-LMMは、点群とオプションのRGB画像を入力とし、明示的な点グラウンディングとメトリック出力を備えた3D空間対話を実現する統一モデルです。3Dグラウンディング計測タスクを定義し、ScanNetに基づく250万のQAペアからなる大規模データセットを構築し、グラウンディングとメトリック認識を統合した3D対話理解の強力なベースラインを確立しました。

1台のカメラと1つの光源のみで視線推定を行う手法を提案。仮想光源と仮想グリントを導入し、性能は許容範囲だが2光源システムより劣る。

本研究では、深度推定による合成霧生成、画像復元、物体検出、追跡を統合したタスク駆動型評価フレームワークを提案。霧は主に見逃しを増加させることで検出と追跡を劣化させ、霧を含む学習が最も安定したロバスト性向上をもたらすことを示した。

本論文では、複雑な画像作成と編集のために、マルチターンインタラクションを通じて異種のビジュアルツールをオーケストレーションすることを学習するツール拡張型マルチモーダルエージェントCanvasAgentを紹介する。また、著者らは14万の実行可能な軌跡と1万の強化学習タスク仕様を含む大規模データセットCanvasCraftを提案する。エージェントは教師ありファインチューニングで学習され、その後、結果とプロセスの両方の信号を組み合わせたハイブリッド報酬を用いたGRPOで最適化される。実験では、最終的な画像品質と軌跡行動の両方で有効性が示されている。

NAVER LABSは、IWSLT 2025の命令追従パイプラインをIWSLT 2026共有タスク（制約付き条件、短音声トラック）向けに再実装し、義務付けられたコンポーネントであるSeamlessM4T-v2-large（音声エンコーダ）とQwen3-4B-Instruct（LLMバックボーン）に適応させました。3段階のアプローチ（プロジェクタ整列、テキストのみのLoRA事前学習、マルチモーダル融合）は元の設計から維持されています。さらに、提供されたコーパスから10の音声中心タスクタイプにわたる10万の合成命令追従例（タスクあたり1万）を構築しました。主要モデルは、EN-ZH音声翻訳でCOMET 0.781、MCIFベンチマークの英語SQAでBERTScore-F1 0.346を達成しています。

BaFCoはベンガル語のフォーム理解に特化したベンチマークデータセットで、農業、教育、銀行、土地管理など多様な分野から収集された200ページ以上の複雑なバングラデシュ政府フォームを含みます。26種類の細粒度エンティティと5種類の粗粒度エンティティを定義し、最新のMLLMを評価した結果、細かなフォームエンティティの位置特定に課題があることが明らかになりました。

本研究では、言語モデルのパープレキシティと自動音声認識の単語誤り率との間の従来の線形関係を再評価する。現代のエンドツーエンドASRシステムは内部言語モデリング能力を備えており、この仮定に挑戦する。論文では、外部LMが現在のシステムを依然として改善するかどうか、対数空間でのPPL-WER関係の線形性、エンコーダコンテキスト長の影響、およびLLMパープレキシティが標準的なニューラルLMとどのように適合するかを調査する。さらに、注意機構ベースのエンコーダ-デコーダシステムにおける内部言語モデリングを調査し、ILM減算が観測される関係を変化させることを示し、外部LM品質を解釈する際にデコーダの内部LMを考慮する重要性を強調する。

ResonatorLMは、物理に着想を得た因果的共振関数で注意機構を置き換え、トークン系列を1次元潜場として扱う。6Mパラメータモデルで、32Kトークン時に標準Transformerの6.47倍のデコード速度、WikiTextで61.31%の精度（ベースライン55.32%）を達成。ICANN 2026に採択。

新しい研究により、大規模言語モデル（LLM）のプロンプトに対するロバスト性は、客観的質問と主観的質問で大きく異なり、モデルやデータセット、プロンプトの変更によって変動することが明らかになった。研究者らは、LLMの主観的質問への回答をそのまま信念の指標と解釈することに警鐘を鳴らしている。

新しい研究は、交差対称化を用いてLLMの道徳的ジレンマにおける「はい・いいえ」バイアスを分解し、最先端モデルの内在的道徳的スタンスはほぼ形式不変である一方、Claudeモデルは顕著な順序バイアスと語彙的引き付けを示し、GPT-5.5とGeminiはほぼゼロであることを発見した。バイアスは拡張推論で縮小し、判断ではなく表面的な表現に従う。

新しい研究により、LLMの同調行動は社会的影響ではなく、誤った回答の反復に大きく起因することが明らかになった。話し手を除去した「情報源なし」条件でも、正解の66.5%が有害に変更されるのに対し、単なる再質問では10.3%だった。既存のベンチマークは話し手の存在と反復テキストを混同しており、まずは話し手不在のベースラインを測定すべきと提言する。

アルゴリズム情報理論に基づく新しい構造的シーケンス分析手法を発表。中心となるラダーパスアプローチは、言語シーケンス内の反復サブ構造のネストと階層関係を抽出し、3つの距離尺度を定義。k-最近傍分類器と組み合わせて、分布内、分布外、少数ショットのテキスト分類タスクで強力な性能を達成し、特にOODおよび低リソース設定でgzipベースのNCDやBERTを上回る。

本論文は、KIVI、TurboQuant、SnapKV、CaMなどのKVキャッシュ最適化手法を、Llama-3.1-8B-InstructおよびMistral-7B-Instruct-v0.3モデル上で、マルチドキュメントQA、シングルドキュメントQA、少数ショット学習、要約タスクにおいてワークロードを考慮したベンチマークで評価した。結果は、圧縮率だけではエンドツーエンドのパフォーマンスを予測するには不十分であることを示している。KIVI4はモデル間で最も安定した品質を提供し、SnapKVは長コンテキストスループットで最も強力であり、CaMは特定のQAワークロードで大きな改善を示すが、ワークロードに対する感度が高い。この研究は、KVキャッシュ機構のワークロードを考慮した選択を動機付けている。

研究では、パーソナプロンプトが大規模言語モデルエージェントの反復的な「分割か窃取か」ゲームにおける行動に与える影響を調査した。4つのオープンモデルを使用して仮想人間と対話させたところ、協力行動が支配的だったが、モデルの選択とパーソナタイプが戦略に大きく影響した。

本論文は、コミュニティ認識サンプリングと制約付き構造エントロピーを組み合わせ、グラフクラスタリングにおける構造的孤立問題に対処するSCISEフレームワークを提案する。構造エントロピーコミュニティ制約演算子（SECC）、コミュニティ認識サンプリング拡張（CSampE）、構造対比学習（StructCL）の3つのモジュールで構成される。6つのベンチマークデータセットで最先端を上回る性能を示した。

香港バプテスト大学の研究者らは、名義属性と順序属性を含むカテゴリデータのクラスタリングのための新しい距離尺度とクラスタリングアルゴリズムを提案した。この手法は両方の属性タイプを統一的に扱い、順序関係を保持し、距離重みとデータ分割を同時に学習することで準最適解を回避する。