ICRA 2026に採択された論文が、ロボット組立などの閉世界タスクにおいて、固定の成功率を達成するために必要なデモ数が目標精度の限界への接近に伴って超指数関数的に増大するという新たなスケーリング則を提唱。限界精度はセンサーや専門家ポリシーを含むエージェントシステム全体の創発的特性であり、コンポーネントの改善により低下させることができる。

研究者らは、SLAKアーキテクチャ（センシング、ロジック、アクション、ナレッジ）と非同期ランタイムに基づく人間中心の具現化エージェントである世界認識モデル（WCM）を提案。認識、推論、制御、記憶を分離し、ヒューマン・イン・ザ・ループの教育モードを導入することで、ユーザーが対話を通じてロボットに困難なタスクや長期的なタスクを教えられるようにした。9つの実世界の人間ロボット対話タスクで73.8%の平均成功率を達成。

新しい論文が、身体性を伴うマニピュレーションのためのエンドツーエンドで完全にAMDで加速された技術スタックを提示した。データセンターの学習用シリコン、Radeon PROのシミュレーション／レンダリングGPU、Ryzen AIのエッジ計算をオープンなROCmソフトウェアスタックで統合し、VLAベースの操作ポリシーの学習と展開がCUDAに固定されたエコシステムを必要としないことを示す。4つの段階的なデモはRDNA4とRDNA3.5のハードウェア上でネイティブに動作する。

新しいアルゴリズムは、手のポーズデータを利用して柔軟な触覚グローブの力検出誤差を低減し、最小検出力を最大18.3%改善する。

研究者らは、MuJoCo上で義足の膝-足関節ダイナミクスを再現しつつ、個人の歩行データから記録した股関節運動学とフィードバックに基づく床反力をリプレイする、リプレイ制約付きシミュレーションフレームワークを提案した。これにより人体の神経筋制御をモデル化する必要がなくなる。深層強化学習ポリシーが両関節の位相依存剛性・減衰・平衡角を同時に個別化する。大腿切断者3名の実験では、シミュレーションからハードウェアへの予測妥当性が高く（Pearson r=0.96–0.997）、学習したコントローラは非個別化ベースラインと比較して生体模倣報酬を42–59%向上させた。

本論文は、ICMI 2026のCC-MMDグランドチャレンジ向けに開発されたGeoMVCシステムを紹介する。幾何学的相互作用層とマルチビュー合意戦略により、マルチモーダルなミームにおける女性蔑視検出の性能を向上させ、マラヤーラム語と中国語のパーティションで上位入賞を果たした。

StepX-Edgeは、アーキテクチャ、トレーニング、デプロイメントの3層にわたる協調設計により、0.9Bパラメータで高精度と効率を両立するオンデバイスUI視覚言語モデルです。ULVE視覚エンコーディング、PDPコネクタ、5段階カリキュラム学習、2段階量子化スキームなどの革新を特徴とします。ScreenQAやChinese OCRBenchなどのベンチマークで2B級モデルを凌駕し、Snapdragon 8 Gen5デバイス上で効率的に動作します。トレーニングデータとコードはオープンソース化されます。

RDNet上に訓練専用のローパス反射補助目的（LowAux）を導入し、低周波制約により多様な反射分布に対するバランスの取れた性能を実現。RRWからのシーンバランスの取れた実ペアを統合し、クロスデータセットの汎化を改善。5つのデータセットの統一ベンチマークでマクロ平均PSNR 27.546 dBを達成し、SSIM、NCC、LMSEすべてで最先端。

EditCLEVRは、オブジェクト中心学習における構成忠実性を評価する新しいベンチマークです。ペアシーン介入（既知の属性変更または無編集）を用いて、モデルがセマンティック編集下でオブジェクト表現を正しく変更するかをテストします。本ベンチマークは、シーングラフ介入精度（SGIA）とDelta-SGIAを導入し、完全な後シーン予測の正しさと単一変化検出をそれぞれ要求します。ベースライン評価では、真値マスクを用いても構成上の分布外劣化が持続し、局所性や安定性だけではセマンティック忠実性を過大評価する可能性が示されました。

本論文は、EASTトカマクの可視光カメラ映像を解析し光強度の2次元分布を予測する差分TransformerベースのバックボーンDelta-InvFormerを提案する。時空間差分自己注意によりノイズを抑制し、実実験データで従来法を大幅に高速化しつつ競争力のある再構成精度を達成した。コードは公開予定。

研究者らは前立腺癌組織病理学スペクトラムデータセット（PCa-HSD）を構築し、言語誘導セグメンテーション支援診断Transformer（LSDT）を提案した。ゼロショットセグメンテーションによる解剖学的先験情報とマルチモーダルスライス融合を活用し、344名の患者コホートでの5分割交差検証で最高平均精度0.633、JointRecall 0.768を達成した。

本論文では、二人のインタラクティブなモーションに特化した初のマルチモーダルエンコーダであるMIME（Multimodal Interactive Motion Encoder）を提案する。MIMEは、ストリームベースの共注意機構、明示的なインタラクション特徴、およびカリキュラムベースの対照学習を用いて、個別および共有の構造を捉える。Inter-Xデータセットのテキスト-モーション検索において、MIMEはベースラインを上回り、2000サンプルギャラリーでテキスト→モーションR@1を12.8%相対改善した。凍結された補助事前モデルとして、MIMEはTIMotionとInterMaskにおいてFIDを維持しつつ意味的アライメントを向上させ、インタラクションを考慮したマルチモーダル符号化が多人モーション検索を強化し、下流のモーション生成に転移可能であることを示した。

FogDriveはCARLAシミュレータで構築されたマルチモーダル自動運転データセットで、660シーン（約13.3万フレーム）を含み、クリーンおよび3段階の霧バリアントを提供します。カメラ、LiDAR、レーダーを同期収録し、物理的に一貫した霧モデリングと高品質アノテーションにより、堅牢なセンサフュージョンとデフォグ検出パイプラインのベンチマークを可能にします。

MegaSlide-DiT は、事前学習済みの 105B パラメータ動画拡散 Transformer を、単一の H200 GPU と 1.5 TB のホスト RAM 上で適応させるシステムレベルの手法を提示する。モデル状態をホストメモリに保持し、必要な一時シャードのみを GPU にストリーミングし、二次のグローバルアテンションを線形複雑度の 3D 変形可能スライドアテンションに置き換えることで、パラメータメモリとアクティベーションメモリの両方の負荷を軽減する。

本研究はKiTS23データセット上で、凍結したDINOv3特徴量を用いた腎腫瘍および嚢胞検出のために3種類のアグリゲータを比較し、ゲート付きアテンションMILが両タスクで最高のAUROCを達成する一方、プロトタイプヘッドは嚢胞検出で失敗し、解釈性と性能のトレードオフを明らかにした。

本論文は、話者埋め込みから言語部分空間を除去するNuisance Attribute Projection（NAP）と適応対称スコア正規化を組み合わせたシンプルなバックエンド言語正規化を提案する。TidyVoice 2026クロスリンガル話者検証チャレンジにおいて、開発セットのEERを2.70%から2.18%に低減し、Codabench評価スコア8.40を達成した。

研究者らは、ルーマニア語テキスト向けの軽量な文字レベルの著者推定手法CHiPSを提案した。この手法は、文字ヒストグラム分類器（CH-SVM）と位置信号分類器（FFT12-LR）を組み合わせ、トークン化、構文解析、事前学習言語モデル、Transformerのファインチューニングを一切必要としない。閉じた集合実験では、CHiPS-Fは400ファイルのデータセットで0.9310の精度を達成したが、著者らは、その貢献は最高の分類性能を主張することではなく、厳格なリーク管理下で制限された透明な文字証拠がどこまで有効かを探ることにあると強調している。

PatiGonit22Kは、22,441の問題を含む拡張されたベンガル語数学文章題データセットです。単一操作および複数操作の方程式を含み、文化的に適応され検証されており、低リソース言語における数学的推論とNLP研究を促進します。

研究者らは、機械的アンラーニングアルゴリズムが大規模言語モデルによる偽情報に沿ったナラティブ枠組みの再現を抑制できるかを検証する評価プロトコルLENSを提案し、抑制を報酬とし出力劣化を罰するSCEスコアを導入した。実験は約12Bの多言語指示モデル4種と2つの出典付きナラティブを対象とする。

AutoThinkSQLフレームワークを提案。SFTとDPOに自動思考機構を統合し、単純なクエリでは推論をバイパス、複雑なクエリでは深いCoTを呼び出す。SpiderとBIRDベンチマークで一貫した改善を達成し、出力トークンとレイテンシを削減。

本研究では、公式会議ガイドラインや高品質な人間のレビューからLLMで生成した模倣ガイドラインなど、異なるタイプのレビュアーガイドラインが自動ピアレビューに与える影響を分析。実験の結果、公式会議ガイドラインが人間の判断と最も一致し、厳格なルーブリック方式はパフォーマンスを低下させることが判明した。

MioFFAnは、科学文献中の数式を実行可能なシンボリックコードに変換するためのアノテーションを迅速化する、オープンソースでドキュメント中心のフレームワークである。モジュール化されたLLM自動化を備え、人間参加型アプローチの有効性を予備評価で示している。

機械翻訳システムは依然として性別バイアスのある翻訳を生成する。GANDは、文脈の手がかりが性別翻訳に与える影響を分析するために設計された英語原文からなるベンチマークリソースである。著者らはサブセットを2つの文法性言語に翻訳し、対比翻訳を追加して、性別翻訳に影響を与える原文単語を特定する特徴帰属分析を行う。

DomainPilotは、ドメインレベルの損失監視とスケーリング則を用いた2段階のデータ混合最適化フレームワークを提案し、データ量やコストを増やすことなくLLMのファインチューニング性能を向上させる。

新しい論文が、参照LLMの確率分布を介してShapley値を近似し、アラインメントデータセット内の誤ラベル付きレコードを検出する推論のみのデータ評価パイプラインを提案。HelpSteer2で手動監査の検索空間を99.1%削減し、HH-RLHFの評価分割で数千件の隠れた安全性・事実的嗜好の反転を発見して、ベンチマークの完全性に関する深刻な脆弱性を明らかにした。

葉脈を全ネットワーク画像表現として扱い、EDTERモデルを微調整してRGB画像から抽出し、DiffusionEdgeとBSDS500を統合した注釈付きデータベースを構築、SSCCAを用いて遺伝子-環境関連をモデル化するフレームワークを提案。ポプラのデータセットで3つの有意な遺伝子-地理相互作用を特定。

本論文では、トランスフォーマーの表現空間にグレーディング（次数付け）を導入し、埋め込み、自己注意、訓練目的にわたって誘導される重み付きスカラー作用を伝播する代数フレームワーク「Graded Large Language Models (GLLMs)」を提案する。表現力、漸近計算複雑度、推論コストを維持しながら、 graded neural network 及び graded transformer を自己回帰言語モデルに拡張する。幾何学的には不変式論に基づき、グレーディングの利点はKempf-Ness汎関数で表現され、最適なグレードは2つのモーメント写像の一致点として閉形式で与えられる。通常のトランスフォーマーは境界上の半安定等方点として現れる。さらに、階層構造を持つターゲットに対して、グレーディング事前分布と均一事前分布の間のミニマックス分離が証明され、リスクの指数関数的減少が示される。

本論文は、計算能力と計算アクセシビリティを別個の適応変数として扱う「アクセシビリティ可塑性」を提案し、系列学習タスクの概念実証で、既存計算へのアクセス再編が能力変更を減らしつつ同等の性能を維持できることを示した。

QFedPolyp は量子化認識トレーニングと低精度モデル通信を組み合わせ、プライバシー保護型の連合学習によるポリープセグメンテーションを実現する。8ビット通信で伝送コストを約4倍削減しつつ、競争力のある Dice スコアを維持し、推論速度は最大1.5倍向上する。

グループベースのポリシー最適化におけるサンプリング不均衡に対処するため、新しい手法ProGPOが提案されました。これは、グループ内のすべての軌道が失敗した場合に、初回訪問観測カバレッジを利用してアドバンテージを割り当てることで、長期的タスクのパフォーマンスを向上させます。