本研究では、合成データ生成と基礎モデルのファインチューニングを組み合わせたトマト植物セグメンテーションのためのシミュレーションから実世界へのフレームワークを提案し、温室作物器官のセグメンテーション性能とモデル信頼性を大幅に向上させた。

研究チームは、Maxwell–Stefan多成分輸送、競争吸着、センサー変換をエンドツーエンドのガス分解に埋め込む物理閉包グラフニューラルソルバーUnMixNetを提案。SmellNetでの認識・汎化性能を向上させ、UCI Dynamic Gas Mixturesで濃度推論が真の設定点と一致することを検証した。

Recti-Qは、量子化済み視覚バックボーンを凍結し、ソースデータのみで小型の分類ヘッドLoRAアダプタを訓練する軽量な特徴空間補正フレームワークである。1%未満のパラメータオーバーヘッドで、4ビット訓練後量子化モデルが配備関連の分布シフト下で失うロバスト性を回復する。

AniGSは、大規模な3Dガウススプラッティング再構成に微かな動き（例えば植生の揺れ）を加えつつ剛体構造を保持する手法です。時間条件付き変形場、事前訓練されたビデオ拡散モデル、反復的なデータセット・モデル更新戦略、および合成ビデオ間リファインメントを活用し、自然な環境動態と高品質な新規視点映像を実現します。

DuSPiTは、グローバルな構造推論とローカルな外観モデリングを分離するデュアルブランチのピクセル空間拡散Transformerである。コンパクトなベースブランチが効率的なグローバル推論を担い、サブパッチ単位で構成された高容量のピクセルブランチが細部を保持し、両者はクロスアテンションで相互作用する。これにより潜在空間の情報損失を避けつつ、従来のピクセル空間拡散Transformerより優れた品質と効率のトレードオフを実現する。

EmoPreferベンチマークの系統的近道監査により、記述の長さと生成元IDのみを用いたロジスティック回帰が微調整7Bモデルと同等の精度を示し、現在の評価指標が動画理解を真にテストしていない可能性が明らかになった。ソースバランスのとれたペアリング、厳密な長さ制御などの対策を提案。

ECoNGSは、軽量ニューラルネットワークを用いて明示的なアンカーポイントから暗黙的で編集可能なガウシアンスプラットを動的に予測する、効率的な圧縮ニューラルガウシアンスプラッティングフレームワークです。シーンのクラスタリングとパラメータ共有によりトレーニング時間とモデルサイズを削減し、ニューラルエントロピーモデルでアンカー属性を圧縮します。iVR-GSと比較して、PSNRで最大2.2dB向上、モデルサイズ6.1倍削減、トレーニング時間5.9倍短縮を達成しました。

サプライズフォーシングは、ストリーミング自己回帰拡散の2つの制限（限られたコンテキストと固定されたノイズ除去スケジュール）に対処する学習不要のフレームワークで、長動画生成を改善します。サプライズゲート記憶バンクを使用して重要な視覚的証拠を選択的に保持し、サプライズアウェアノイズ除去によって簡単なチャンクのノイズ除去ステップをスキップします。実験では、リアルタイムスループットを維持しながら、長期的な一貫性と画質が向上することが示されました。

研究チームは、CNNの深層特徴と手作りのGLCMテクスチャ特徴を融合し、SVMで4段階の白内障重症度を分類するハイブリッドフレームワークを開発。市販のカメラで撮影した眼画像300枚で95%の精度を達成し、専用ハードウェアやGPUを必要としない。

現代の安全クリティカルシステムは、災害リスク低減や緊急時の意思決定支援のために人間とロボットのインタラクションに依存しています。視覚言語モデル（VLM）は複雑なシーンを解釈し安全関連情報を伝達できるため有望ですが、信頼性のある安全推論を確保するには慎重な評価が必要です。現在の評価は危険認識を二値（安全/不安全）で捉えることが多く、モデルが真の物理的危険を特定しているのか、単に異常なシーン要素に反応しているのかが不明瞭です。本研究では危険と異常を明確に区別し、別々に認識することでこの限界に対処しました。複数の最先端VLMを2つのデータセットと複数のプロンプト戦略で評価した結果、VLMはしばしば異常を危険と誤解釈し、文脈上の不規則性を危険の代理として過度に依存していることが明らかになりました。危険と異常を明確に分離することで、VLMの安全推論のより情報に富んだ評価が可能になり、二値的安全判断では隠される故障モードを露呈します。公開データセットはRoboflowで利用可能です。

本論文は Search-on-Graph-R1 を提案する。各問題の gold SPARQL 経路でフロンティア教師モデルを足場かけし、実稼働中の Freebase サーバー上で根拠のある軌跡を収集したうえで、SFT と RL により知識グラフ探索能力を 8B モデルに内在化させ、WebQSP・CWQ・GrailQA で比較対象の凍結フロンティア LLM システムを上回った。

新しい研究により、言語モデルにJSON形式での出力を要求すると、回答の多様性が劇的に低下することが明らかになりました。44のモデルに対して31の幅広い質問をテストした結果、JSON要求により最頻回答が41%から64%に上昇し、個別の回答数が減少しました。この効果はJSONやXMLなどの形式に固有であり、デコーダーの強制によるものではなく、モデルの形式への応答に起因します。

PathReportEvalは、病理レポート生成のための標準化されたベンチマークと評価フレームワークです。TCGA、HistAI、REG 2025の3つのデータセットで4つの代表的な手法を、CONCHv1.5、UNI2-h、H-Optimus-1の3つの病理基盤エンコーダを用いて評価します。主要な貢献は、臨床事実のカバレッジ、キー情報の再現率、幻覚率、臨床的不一致の4次元で事実の正確性を測定する臨床レポート品質スコア（CRQS）です。実験では、従来のBLEUやROUGEなどの指標は臨床的正確性との相関が弱く、CRQSが有意義な差異を明らかにすることが示されました。

この研究は、米国の警察データに基づいて開発されたLLM分類パイプラインを英国の警察インシデント記録に適用し、精神的健康問題、薬物乱用、アルコール依存、ホームレスという4つの脆弱性指標の発生率を推定する可能性を探る。約3,000件の匿名化されたログを分析した結果、LLMは大規模に有意義な推定を提供できるが、単純な展開は信頼性に欠け、多大な人手と統計的補正が必要であることが判明した。LLMの出力は慎重な方法論的支援なしに有効な測定値として扱えないと強調している。

本論文では、認知モデルと言語モデルを組み合わせ、語用推論における代替案の生成と評価を行うフレームワークSAGEを提案する。3つのケーススタディにおいて、SAGEモデルはベースラインを上回る精度を示したが、LM提案者と評価者の間で非対称性が明らかになった。

Relay-Benchは、複数のドメインのサブ問題を組み合わせて、単一のプロンプトでLLMがクロスドメイン推論を行う能力をテストする新しいテキストベースのベンチマークです。最高性能のGPT-5.5 (xHigh)でも43.3%のスコアにとどまり、ベンチマークが挑戦的で未飽和であることを示しています。

本論文は、欧州委員会翻訳総局（DGT）と欧州翻訳修士（EMT）ネットワークの協力により、MMLUデータセットを11の欧州言語にローカライズしたプロジェクトを報告する。LLM評価のためのより包括的なベンチマークを創出するだけでなく、修士課程の学生に翻訳、校閲、プロジェクト管理、多言語調整の実践的な専門訓練を提供し、方法論的、運営的、ワークフロー上の課題を明らかにしている。

新しい研究は、Qwen3のTransformerブロック内の17箇所に深度方向畳み込みを追加する比較を行い、アテンション前の投影済みクエリ・キー・バリューに畳み込みを適用する構成が最良であることを示した。パラメータ増加は0.01%未満で、7つの下流ベンチマークの平均精度を向上させる。

SIFTは、低コストのSPLADE+LightGBMパイプラインで大半のページを分類し、低信頼度の少数のみをLLM審査員にエスカレーションする自己改善型ドキュメント分類サービス。判定結果をコーパスに書き戻して継続学習を実現し、二段階の昇格ゲート（重要ラベルF1回帰チェック＋凍結ゴールデンセット）で自律再訓練時の静かな劣化を防ぐ。

新たな研究は、読解時の次語予測可能性がN400反応に与える影響をEEGデコーディングで調べ、内容語（特に動詞）で機能語より予測性効果が強く、名詞と動詞で情報表征に差があること、またデコーディングが従来のERP分析より認知過程の詳細を捉えることを示した。

本研究では、階層的エッジクラウドコンピューティングにおける負荷不均衡に対処するため、2タイムスケール多層深層強化学習フレームワーク（2T-MDRL-LA）を提案する。このフレームワークはサービス配置、計算委任、電力制御を共同最適化し、変分オートエンコーダを用いて高次元行動空間を圧縮する。シミュレーションでは、平均エンドツーエンド遅延を最大20.8%削減、リソース利用率を13%向上、従来のPPOより約50%高速な収束を示した。

BearingNASは、センサ内処理によりインテリジェンスを直接センサダイに移行するハードウェア認識型ニューラルアーキテクチャ探索（HW-NAS）フレームワークです。極小マイクロバジェット（RAM 4〜8 KiB、フラッシュ16〜32 KiB）を対象とし、ラップトップCPU上で1時間以内に収束する軽量で微分不要な探索戦略を採用。CWRUベアリングベンチマークで評価した結果、STMicroelectronicsのISPU上で99.50%の診断精度を達成し、低コストで生産規模のベアリング故障診断の実現可能性を示しました。

本論文は、バス優先と全体の交通遅延のトレードオフを実行時に選好パラメータで調整可能な、選好条件付き強化学習コントローラを提案する。IntersectionZoo上での実験により、単一の学習ポリシーが滑らかなトレードオフフロンティアをカバーし、固定時間制御やルールベースのベースラインを上回り、制約実行可能性を維持することが示された。一方、テール遅延の診断から、中程度の選好では非バス外部性は限定的だが、高いバス優先度の下では大幅に増加する可能性があることが明らかになった。

E-SpecFormerは、自動変調認識と隠蔽チャネル（CC）認識のためのエッジ効率的Transformerです。ソフトマックスとレイヤーノルムを使わないLiTANアテンション機構を導入し、複雑さを低減しつつ精度を向上させます。4つのスケーラブルなバリアントがあり、NanoバリアントはRadioML2018データセットでSNR>0 dBにおいて86.5%の平均精度、ハードウェアトロイベースのCCデータセットで94.2%の精度を、1万未満のパラメータで達成し、FPGA/CPU協調実行で1フレームあたり92マイクロ秒の速度を実現、最先端のエッジモデルを低コストで上回ります。これにより、IoTデバイスでのリアルタイムスペクトラムインテリジェンスのためのエッジ効率的なソリューションとして確立されました。

本論文は、ニューロン重要度（パラメータ重要度）とデータ認識型低ランク近似を単一の目的関数に統合したニューラルネットワーク圧縮手法を提案し、計算効率の高い動的圧縮率配分アルゴリズムを導入する。実験では、高い圧縮率の下で最先端手法と同等か大幅に優れた性能を示し、リソース制約環境での言語モデル展開に実用的な道筋を与える。

FedCC は、胎児超音波画像における胼胝体（CC）の位置特定を行うための連合学習フレームワークである。凍結した DINOv2 バックボーンと軽量な YOLO 検出ヘッドを組み合わせ、LoRA モジュールによるパラメータ効率の高い適応を実現することで、データ共有なしに多施設かつリソース制約のある臨床環境への展開を可能にする。3 つの臨床施設から得られた 10,970 フレームの超音波画像で評価され、平均 mAP@50 0.857、F1 スコア 0.803 を達成し、全量微調整およびエンコーダ凍結のベースラインを上回った。さらに、学習可能パラメータを 24.4M から 2.9M に削減し、通信コストを約 8.5 倍低減した。

対称α安定スペクトル成分に基づく柔軟なガウス過程カーネル族ALASを提案。安定パラメータαを学習することでデータから有効な平滑性を適応させ、滑らかな傾向と鋭い不規則性の両方を捉える。ALAS（単一定常成分）とALAS-Sep（分離可能変種）の2つのパラメータ化を提示し、実験で多様な設定において強力でロバストな性能を示す。

本論文は、静的パラメータプルーニングと動的トークンレベルのレイヤースキップを組み合わせた複合スパース性フレームワークを提案する。実験により、同じ総スパース性の下で複合スパース性が性能劣化を遅らせ、パラメータとトークンのスパース性間にクロス次元的干渉があることを明らかにし、ほぼ均衡した配分が最も効果的であることを示した。

本論文は、出力信頼度と全サンプルのスペクトル記述子（バンドエネルギー、エントロピー、ピーク優勢、周期サポート、位相安定性）を組み合わせ、バックボーン予測を変更せずに信頼性を推定する検証ゲート付き手法を提案する。8つのUCR/UEAデータセットと8つのバックボーンファミリーで、Corr-AURCを0.693から0.786に向上させ、[email protected]を0.094に低減した。

キャリブレーションは通常、全体的に評価されるが、最も危険な失敗は局所的に発生する。本論文では、FALCON-Discoverフレームワークを提案する。これは、信頼度、局所的サポート、近傍一致、摂動安定性の矛盾信号を用いて予測をランク付けし、集中した誤信頼領域を検出する。複数のデータセットで、強い体制下では矛盾ベースのランキングがキャリブレーションベースラインを大幅に上回る。最適な検出器はデータセットの特性に依存する：複合手がかりでは学習矛盾、局所的脆弱性では安定性ランキングが有効。結果は、危険な過信は単一スコアのキャリブレーション問題ではなく、ファミリーレベルの発見問題として扱うべきことを示唆する。