2026年7月22日にarXivに投稿された論文は、簡素化されたMixture-of-Experts（MoE）アクションヘッドを持つ視覚-言語-行動モデル（VLA）が、専門家のデモンストレーションから再利用可能で解釈可能なプリミティブを創発的に学習できるかを調査し、学習されたエキスパートがタスク間で頻繁に再利用され、質的に異なる低レベル行動に対応することを発見した。

本論文は、鉱山で使用される油圧インパクトハンマーの自動化に向けたリアルタイムRGB-D知覚パイプラインを提案する。組み込みハードウェア上で約10 Hz、総遅延約675ミリ秒で動作し、実行可能な破岩姿勢とロボットを含まない3次元ワークスペース表現を同時に生成する。代表的な縮小シナリオでの実験により、リアルタイム自律運転への適用可能性が示された。

本稿は、前方モデルと逆モデルを内部の監督信号として用いる神経科学に着想を得た自己教師あり軌道計画フレームワークを、障害物を含む環境で検証した追実験である。実験は手法の実現可能性を示す一方、プランナが前方・逆モデルが与える学習信号を利用してしまう傾向を明らかにし、著者らは追加の訓練方式と緩和策を提案・評価している。

軍事作戦におけるUAVの使用増加に伴い、UAV攻撃に対する防御システムの需要が高まっている。本論文では、GPSと通信が利用できない環境において、自律型UAV群を用いて地上目標を保護する手法を提案する。外部通信や衛星測位に依存せず、機載センサと相対測定のみで目標追跡と群れの調整を行い、目標の動きに適応する分散型包囲技術を採用する。実際のロボットによる実験で、敵対UAVの検出、包囲、迎撃の有効性を実証した。

FELTはRGB観測から指ごとの圧力触覚画像を合成する学習ベースのフレームワークで、触覚データ収集の必要性を減らし、4つの接触の多い操作タスクで視覚のみのベースラインを上回るポリシー成功率を達成しました。

本論文は、ロボットの物理的限界を空間特徴表現に直接埋め込むCapability-Aware Traversability（CAT）を提案する。後段の軌道フィルタリングに頼らず、同じ地形に対して機体ごとに異なる走行可能性判断を可能にする。

本研究は、安全でスケーラブルなマルチドローンの協調搬送のための学習ベースのフレームワークを提案する。タスク関連の結合を保持する最小限の2次元抽象化を導入し、ドメインランダム化とDiscrete Graph Control Barrier Function Proximal Policy Optimization (DGPPO) を用いて分散ポリシーを訓練し、ゼロショットのSim-to-Real転送を実現。実世界実験では、チームサイズや動的環境への汎化が示された。

本論文は、民生用3Dプリンタを改造した低コストで再現可能な液体ハンドリングロボットRAINBOT™を提案する。ブラウザベースのデジタルツインによる遠隔監視と、CEID™逆設計フレームワークとの閉ループを備え、ハードウェアコストは1300米ドル未満で、商用入門機の約10分の1である。

PhysCoReは、微分可能な物質点法（MPM）シミュレータと2つのフィードフォワードニューラルネットワークを組み合わせた物理補正残差ワールドモデルであり、視覚観測から粒子ごとの弾性を推定し、シミュレータのバイアスを補正する学習を行います。ロボット操作下での変形物体の予測精度を大幅に向上させ、オンラインでの材料識別と信頼度に基づく探索を可能にします。

この研究は、異種エッジリレーショナルグラフニューラルネットワークとSSMに基づくマルチヘッド注意機構を用いたHERMESを提案し、信号交差点データセットでAUC-ROC 0.9898を達成し、Transformerベースラインを上回り、優れた転移可能性を示した。

本論文はVRヘッドセットにおける虹彩・眼周囲の生体認証を検討し、ISO/IEC 29794-6品質指標のVRデータへの限界を評価するとともに、軸外視線・不均一照明・鏡面反射を生成モデルで処理し、マルチモーダルなスコアレベル融合がEERを約11%低減することを示した。

3D-GIMPは、3Dガウススプラッティングにおける高忠実度オブジェクト除去のための新しいハイブリッドパラダイムを提案する。各ビューを拡散する代わりに、キーとなる参照ビューに一度だけ生成的インペインティングを施し、3D認識PatchMatchアルゴリズムでテクスチャを全ビューに伝播する。これにより、マルチビューの不整合や幻覚ドリフトを回避する。実験では、従来のマルチビュー拡散法と同等のインペインティング品質を達成しつつ、レンダリング速度とビュー一貫性で優れる。

本論文は、現在のオープンワールドビデオ異常検出（OWVAD）評価には「定義盲目」問題があり、モデルがユーザー指定の異常定義に鈍感であることを指摘。著者らは3つの新しい評価指標（DC-Disc、DC-DetΔ、DC-SelΔ）と定義対比スコアリングルールDeCoSを導入し、モデルの定義応答性を向上させた。

U-CFRは、ユーザーの各操作後に自律的に自己補正を行う、インタラクティブセグメンテーションのための新しい推論時フレームワークです。セグメンテーションの不確かさ、輪郭勾配、エッジ予測を融合した境界認識型不確かさスコアを導入し、内部擬似クリックをガイドします。セグメンテーションヘッドとエッジヘッドを持つデュアルヘッドネットワークにより、マスクを段階的に改善するカスケード精緻化を実現。Berkeleyなどの難易度の高いデータセットでクリック数を10%以上削減しました。

DS@GT ARCチームは、ImageCLEFmed GANs 2026チャレンジ向けに、合成肺CTスライス生成のためのプライバシー保護フレームワークを開発した。このアプローチは、最適輸送条件付きフローマッチングとプライバシー指向のトレーニングを組み合わせ、生成後の「スーパーバイザー」パイプラインで、オートエンコーダ埋め込み、行列式点過程、スタイン核間引きを用いて学習された幾何学的潜在空間で候補をフィルタリングする。最良モデルはプライバシー保護スコア0.549、FID 0.3290を達成し、リアリズムとプライバシーの強いトレードオフを示した。幾何学的フィルタリングは最近傍記憶とメンバーシップ推論漏洩を大幅に削減するが、持続的な患者再識別スコアは、直接的な画像コピーの防止が患者固有の解剖学的アイデンティティの除去には不十分であることを示し、将来のプライバシー保護医用画像生成の重要なフロンティアを浮き彫りにしている。

本研究は、粗い病変描画を弱い教師信号として利用し、解剖学的に妥当な概念エビデンスを促進する空間接地型概念ボトルネックモデル（SG-CBM）を提案する。乳房超音波において、病変マスクから2つの臨床的に関連するゾーン（形態関連の病変内領域と後方音響帯）を導出し、グループ化された空間接地目的関数で概念マップを訓練する。5分割交差検証の結果、診断AUROCと概念マクロAUROCが向上し、概念エビデンスの空間的整合性が顕著に改善された。また、教師信号の品質が診断と空間的忠実性に与える影響を定量化するストレステストも実施した。

ODeformは、ニューラル常微分方程式を3次元空間内の変形可能物体の連続4次元ダイナミクスに拡張する新しい手法です。3D点群と物理条件を統一潜在空間にマッピングし、常微分方程式を時間的に解くことで連続的な変形フローをモデル化し、離散時間ステップを不要にしつつ計算効率を維持します。実験では、未見の物理パラメータ設定で動作予測精度が向上し、実物体への転移にも成功しました。コードとデータは公開予定です。

Axolotl3Dは、画像、可視性マスク、カメラパラメータ、部分点群を同時に条件として用いるマルチモーダルかつオクルージョン認識型の3D生成モデルであり、制御可能で忠実な3D形状補完を実現する。ECCV 2026に採択され、Toys4KとOmniObject3Dで最先端性能を達成した。

本論文は、パラメトリックCADの境界表現（B-Rep）向けの自己教師あり事前学習タスクであるマスク付きトポロジーモデリング（MTM）を提案する。面隣接グラフの一部の辺をマスクし、各マスク辺の凸性と曲線種別を予測する。MoCo型のモメンタムキューによる対比学習、B-Rep対応の拡張、BFS連結面領域のマスク再構成目的と組み合わせ、ABCデータセットと新規の手続き生成データセットで事前学習を行い、複数のベンチマークで強い性能を示す。

RealVDeblurは、3Dガウシアンスプラッティングを用いた物理的ブレ合成パイプラインで現実的な訓練データを生成し、ビデオ拡散事前分布とワンステップ拡散蒸留を活用することで、実世界のビデオデブラリングを効率的に行う生成フレームワークである。未知のビデオに対して高い知覚品質、意味的忠実性、時間的一貫性を示し、深刻なモーションブラーの下での下流3D再構成のロバスト性も向上させる。

本論文は、低ランク分解と量子化が非直交であることを初めて数学的に証明し、両者を組み合わせると性能が大幅に低下することを示した。さらに、両手法を効果的に組み合わせて性能損失を緩和する対角接着法（DAM）を提案する。

知識編集は数学やプログラミング推論を劣化させることがある。Moirはモデル自身のデコード分布からサンプリングして保存共分散を推定し、外部データを必要としない。複数のモデルと編集手法において、脆弱な領域での性能保存を大幅に向上させる。

大規模言語モデルの進歩により、自然言語がプログラミング言語などの形式言語を完全に置き換えられるという主張が生まれているが、本立場論文はこれに反論する。著者らは自然言語が本質的に開かれた文脈での過小特定に最適化されていると指摘し、「タスク特異性」の枠組みを導入。そして「特異性交差定理」を証明し、画像生成、コード合成、音声制作などのケーススタディから、自然言語は低特異性タスクに優れ、形式言語は厳密な要件のタスクに有利であることを示す。結論として両者は補完的であり、ハイブリッドシステムの開発を提唱する。

AlphaAgent は、検索ベースの質問応答と論文レベルのレポート生成を明示的なスキル契約で分離するスキル駆動型エージェントフレームワークであり、40 件の材料科学質問のブラインド評価で、条件を揃えたベースラインを大幅に上回った。

LLM-INSTRUCTは、ArgMining 2026のUZH共有タスクで優勝したシステムであり、国連とユネスコ決議における段落レベルの議論マイニングに焦点を当てています。メタデータ認識型の高密度検索で候補タグを絞り込み、次元ごとの上限付き制約デコーディングを適用し、不確実なケースには3エージェントの議論ブランチを使用します。公式リーダーボードで総合1位、F1で1位、LLM-as-a-Judgeで5位を獲得。開発中にTask 1bのMicro-F1を35.83%から40.08%に改善しました。主な教訓：生成前に決定空間を縮小することで、精度と提出の堅牢性が向上します。

因子実験により、LLM出力の多様性を高める効果的な戦略が明らかになった。ペルソナの詳細追加は必ずしも有効ではなく、異なる対話アーキテクチャの組み合わせが意見のカバレッジを広げ、サンプリング温度の上昇や多様性指示の追加はほとんど効果がない。

本研究では、検索拡張型マルチエージェント大規模言語モデル（LLM）駆動のヒューマン・イン・ザ・ループフレームワークを用いて、診療記録から皮膚免疫関連有害事象（cirAEs）を検出する手法を評価しました。人手によるレビューと比較して、LLM支援ワークフローは精度（F1 = 0.88 vs 0.77）、Cohen's kappa係数（kappa = 0.82 vs 0.50）を向上させ、平均レビュー時間を約半分に短縮しました。このフレームワークは、LLMが臓器横断的に免疫関連毒性を同定し、より広範に正確でスケーラブルかつ透明性のある有害事象データ抽出を可能にする方法を示しています。

新論文は、Mixture-of-Expertsのルーティングが本質的にハフマン符号化であると主張し、「頻度-多様性法則」を提唱する。モデルは頻出トークンに少数のエキスパートを割り当て、思考連鎖における稀で複雑なタスクには多様性の高いエキスパート委員会を呼び出す。また、強制的な負荷分散がもたらす冗長性の罠を指摘し、潜在的なハフマン効率を引き出すサブセット差分プルーニングを提案する。

既存のLLM幻覚軽減手法は、モデルの内部知識を変更できないか、クロスドメイン汎化が不十分である。コントラスティブデコーディングは層ごとの差異を利用するが、これまではトランスフォーマーモデルでのみ研究されてきた。本研究では、混合専門家（MoE）モデルを調査し、共有専門家を持つMoEには層ごとの差異は存在しないが、高層の専門家は事実出力と非事実出力で異なる活性化パターンを示すことを発見。提案手法EAACDは、高層専門家を信頼性グループに分割し、予測を対比させ、低信頼性専門家の幻覚を増幅して負の参照とすることで、4つのQAデータセットでベースラインを上回る性能を達成した。

本研究は、推論可能な大規模言語モデル（LLM）が文学的な質をどのように評価するかを2つの実験で調査した。実験1では、6つの品質段階にわたる30の実テキストからなるベンチマークを構築し、モデルの暗黙的な質の理論を抽出。その理論は、正確さよりも意図性、技巧、深み、独自の声を重視するものだった。実験2では、5つの古典的散文に対する系統的な劣化処理により、語彙の単純化は質の低下が最も小さい一方、構造や声の喪失ははるかに大きいことが判明した。これらの結果は、LLMによる文章品質の判断が全体的で著者固有であり、語彙的特徴よりも構造的特徴に敏感であることを示唆し、自動作文フィードバックや計算美学に示唆を与える。