本論文では、マルチエージェントSLAMにおけるループ閉鎖候補検出にセキュアマルチパーティ計算（SMPC）を適用し、グローバル記述子を平文で交換せずにプライバシーを保護するCILCシステムを提案する。実験により、視覚およびLiDAR記述子でリアルタイム性能を達成し、情報漏洩を軽減できることを確認した。

RoboSnapは、単一のRGB画像をシミュレーション可能なシーンに変換する実機からシミュレーションへのフレームワークです。衝突認識可能な前景アセットと3Dガウシアンスプラッティングによる背景表現を組み合わせた階層型設計が特徴。DROIDシーンや実ロボットタスクでの実験により、軌跡再現、タスク特化型合成データ生成、シミュレーションと実機間の相関が確認されました。また、564の実世界シーンからなるDROID-Simデータセットも公開されています。

NativeMEMは、VLAモデル自身の視覚エンコーダを再利用して各履歴フレームを単一トークンに圧縮するネイティブメモリ圧縮により、長期かつリアルタイム更新のメモリを備えたVLAポリシーです。シミュレーションで成功率を32.4%から84.0%に、実機で最大98.7%に向上させ、低遅延と高いデータ効率を実現します。

Pelican-VLA 0.5は、視覚言語理解、未来フレーム生成、行動予測を単一アーキテクチャに統合したVLAモデルである。物体アノテーション、セグメンテーションマスク、注意の教師信号、タスク固有の微調整なしに、行動経路が指示に関連する物体と接触領域に注目でき、未見のシーンや未見のロボット本体にも汎化し、他のオープンソースVLAベースラインを大きく上回る。

本論文では、ProMoE-FLフレームワークを提案し、グローバルなクライアント認識プロトタイプバンクとプロトタイプ条件付きエキスパート混合を用いて、マルチモーダル連合学習におけるモダリティ欠落問題に取り組む。4つの公開胸部X線データセットでの評価により、同質および異質設定の両方で最先端手法を一貫して上回ることを示した。

動画拡散モデル（VDM）は高品質な生成が可能ですが、計算コストが膨大です。近年の数ステップ蒸留技術は推論を高速化しますが、ノイズレベルごとに異なる計算需要を無視しています。本論文では、動的構造スパース化を蒸留プロセスに直接統合する後訓練加速フレームワークを提案し、ノイズ除去ステップとモデルのスパース性を共同最適化して、ステップ固有の混合モデル（MoM）を生成します。共同最適化の不安定性に対処するため、出力ロールアウト機構を備えた漸進的訓練戦略を導入し、専用の推論エンジンを開発してMoMを効率的に展開します。Wan-14Bでは、4ステップ蒸留に加えて1ステップあたり24%のFLOPsを削減し、1.2倍の壁時計ゲイン、50ステップの教師モデルに対して30倍の高速化を達成しながら、競争力のある生成品質を維持します。

SpaR3D-MoEは、適応的時空間多様体サンプリングと幾何帰納的混合専門家モデルにより、スパースなRGB入力からの3D空間推論を実現するエンドツーエンドフレームワーク。VSI-Benchで平均63.5を達成し、最強ベースラインを7.8ポイント上回り、Route PlanとRelative Directionタスクでそれぞれ35.4%と51.4%の改善。

本論文では、NLPCC 2026の難易度考慮型医療指導ビデオ質問応答（DA-MIVQA）共有タスクを紹介する。このタスクは、これまでのCMIVQA、MMI-VQA、M4IVQAチャレンジを拡張し、質問に必要な証拠の種類と複雑さに基づいて難易度を明示的に区別する。3つのトラック（単一ビデオ内の難易度考慮型時間的答え根拠付け、難易度考慮型ビデオコーパス検索、ビデオコーパス内の難易度考慮型時間的答え根拠付け）からなる。データセットは公開医療指導チャンネルから収集され、応急手当、緊急対応、リハビリテーション、看護、一般医学教育などの多様なシナリオをカバーし、手動で難易度が注釈付けされている。

本論文は新しいデータセットを構築し、画像分類において反事実公平性（CF）がグループ公平性（GF）を必ずしも意味しないことを実証的に示す。これは表形式データに関する従来の知見と逆である。理論的には、敏感属性と相関するが原因ではない潜在属性Gの存在が原因であると説明し、Gへの依存を軽減する反事実知識蒸留（CKD）を提案する。実験により、CFを達成したモデルがGへの依存を減らすことでGFも満たすことが示された。

線分検出はビジュアルSLAM、3D再構成、産業検査における重要な構成要素である。深層学習手法は精度を向上させたが、最小モデルでも数メガバイトのメモリを必要とし、低コストMCUの容量を超える。本研究では、サブメガバイト予算内で最大精度を探究し、MCUレベルの制約に特化した検出器MiLSDを提案する。コンパクトな完全畳み込みバックボーン内で3つの出力表現を系統的に比較し、提案するF-Clip中心・長さ・角度定式化が小モデル規模で最も効果的に学習することを示す。8ビット量子化は全精度性能を維持するが、4ビット量子化は特に角度回帰において著しい劣化を引き起こし、量子化対応訓練では損失の一部しか回復できない。1メガバイトの活性化予算とサブピクセル復号、テスト時拡張、軽量検証器を含む推論強化により、MiLSDはShanghaiTech WireframeのsAP10を10.6（25kパラメータ、0.25 MB）から24.1に改善する。GPUスケールのパーサーと競合するのではなく、組み込みビジョンシステム向けに表現、ビット幅、容量、後処理戦略にわたる精度-メモリトレードオフをマッピングする。

本論文では、設計上対向ロバスト性を向上させるLipschitz制約付きSingle Shot MultiBox Detector（SSD）であるLipSSDを提案する。Pascal VOCデータセットにおいて、対向学習されたLipSSDは未知の攻撃に対してmAP@50を最大15ポイント向上させ、LARDやKITTIなどの安全クリティカルなデータセットでもクリーン性能をほぼ維持しつつロバスト性を向上させる。

本研究では、2つの事前学習済み潜在拡散モデル（Protogen v3.4およびStable Diffusion v1.4）を、厳選・注釈付きの高解像度ウロス柄データセットで微調整し、文化的に一貫性がありながらも斬新なデザインを生成する。定量的評価により、Protogen v3.4がStable Diffusion v1.4を大幅に上回り、忠実度と多様性のトレードオフが明らかになった。ガイダンススケール5-9が最適なバランスを提供する。

CoFINNは有限体積の保存物理をCNNサロゲートの訓練に組み込み、遷音速翼型流れの空気力予測精度を向上させ、極端な迎角では抗力誤差を最大34%削減する。

本論文は、セマンティックセグメンテーション、回帰ベースの重症度推定、病害分類を統合した深層学習パイプラインを提案し、感染葉面積の割合に基づいてストレス重症度を4段階に分類する。苹果树叶病害セグメンテーションデータセット（1,641サンプル、6クラス）での実験では、U-Net（MobileNetV2）が画素精度98.20%、mIoU 0.70、検出精度99.41%、1画像あたり14.7ミリ秒で最高性能を示し、算出された重症度指数は専門家注釈と強く相関した（r = 0.968、R² = 0.937）。

本研究は、項目テキスト埋め込みに対する正則化回帰、リサンプリング標準偏差を伴う反復交差検証R二乗、および2つの性能上限（パラメータ標準誤差から導かれる信頼性上限と、シミュレーションベースの検出力校正から導かれる設計上限）を組み合わせた評価フレームワークを提案する。EEDI数学項目バンクとBEA 2024医療免許ベンチマークに適用した結果、項目困難度はテキストから高度に予測可能である一方、識別力と擬似当て推量は予測しにくいことが示された。しかし上限と比較すると、この見かけの階層はテキスト信号の強さではなく目標信頼性に起因することが明らかになった。また、単一の訓練・テスト分割はR二乗を0.1〜0.15過大評価する可能性がある。

新研究は、マルチティーチャー・オンライン・ポリシー蒸留において、局所的なトークン単位の信号が過度に大きな影響を与え、ツールの過剰呼び出しを引き起こすことを示し、Soft Clamp によるトークンごとのダイバージェンス較正でその偏移を緩和する手法を提案する。

arXivの新論文は、学習済みエンコーダの解析的ヤコビアンからトークンごとの引き戻し計量を抽出し、対称正定値（SPD）多様体上のFréchet平均で集約するリーマン平均プーリング（RMP）を提案し、文レベルの分類信号が文脈付き埋め込みのリーマン幾何学に存在するかを探る。

MILESは、動的に拡張されるモジュール式ステップレベルメモリと正確性最適化された選択機構により、LLMがテスト時に再利用可能な経験を蓄積し、精度と効率の優れたトレードオフを実現するフレームワークです。

本論文は、正確性、簡潔性、事実整合性、可読性、一貫性の5つの次元を統合した多因子スコアリングフレームワークを提案し、グラフィカルユーザーインターフェースによる結果の可視化を備えています。TruthfulQAデータセットでの評価により、主流のLLMは推論タスクで高い性能（複合スコア最大0.6104）を示す一方、複雑な事実や曖昧性の処理に限界があることが明らかになりました。このフレームワークは透明で適応性が高く、将来的には多言語領域への拡張が期待されます。

新たな研究により、6つの命令調整済みLLM（14B～70B）が、文脈がアフリカ系アメリカ人英語（AAE）であっても標準アメリカ英語（SAE）への書き換えを系統的に好むことが明らかになった。著者らは監査用の条件付き方言グループ不変性（cDGI）と、訓練不要の活性化ステアリング手法を提案し、バイアスをプロンプトの5～20倍削減するとともに、これまでで最大の実AAE並列コーパスREAL-AAEを公開した。

本論文は、学習やモデル変更なしに任意の微分可能なASRモデルへ単語境界を付与する汎用の勾配ベースアラインメント手法を提案し、4ファミリー16モデルで評価した。

本論文では、強化学習のポリシー勾配法を用いてTransformerベースのマスク言語モデルを最適化し、eコマースの広告見出しを自動生成する手法を提案する。この手法は、出品者が宣伝したい複数の商品を同時に考慮して見出しを生成し、重複指標と品質監査の両方で既存のTransformerやLSTM+RL手法を上回る。監査によれば、モデル生成の見出しは文法と創造性の両面で人間が作成した見出しを凌ぐ。

研究チームは英国政府の公衆衛生ガイダンスに基づく7,929問のQAベンチマークPubHealthBenchを検索拡張設定に拡張し、密検索・疎検索・ハイブリッド検索と複数のLLMを体系的に評価した。ハイブリッド検索が再現率とランキング品質を一貫して改善し、検索品質が信頼性の高い公衆衛生QAの主要なレバーであることを示した。

本論文では、自動音声認識と機械翻訳を用いてテキスト書き起こしを生成し、クロスモーダルトランスフォーマーにより音声と多言語テキスト特徴量を統合するマルチモーダル手法を提案する。知識蒸留により、推論時の計算負荷を増やさずに音声のみのモデルの性能を向上させる。

TSFフレームワークは、LLMをオフラインで使用してタスクセマンティックフィールドを構築し、変数セマンティクスを統合して時系列予測を強化。オンラインLLMのオーバーヘッドはなく、平均MAEが6.4%削減。

arXivの新論文は、注意力ヘッドの非対称作用素のスペクトルを静的・動的・因果の3層で分析した。RoPEでは前トークンヘッドが回転的なスペクトルを示す一方、学習型絶対位置とALiBiでは非回転的で内容的な構造になる。スペクトルは行動とともに形成される「指紋」であり、前兆ではないと結論づけている。

Inertia-1は、1,820万時間以上の加速度計データを用いてウェアラブルモーション基盤モデルのライフサイクル全体を体系的に研究し、人間活動認識、歩行凍結検出、疾患予測などの15のデータセットで評価し、モーション表現学習のためのオープンで実用的なガイドを提供する。

連合学習におけるラベル偏りはクライアントドリフトを引き起こし、グローバル精度を低下させます。合成データ拡張はこの不均衡を軽減できますが、完全なクラスバランシングには多大な計算コストがかかります。本論文ではFedEASを提案します。これは各クライアントに、ローカルラベル分布から計算されたエントロピー適応型のクラス別生成予算を割り当てるポリシーです。この予算は、各クライアントがどれだけ生成するか、およびサンプルの行き先を共同で決定します。総生成予算は事前に固定されるのではなく、クライアントごとの予算から決まります。FedEASは完全なクラスバランシングの精度向上の大部分を回復しつつ、生成予算を94.1%削減します。同じ総生成予算で、CIFAR-10およびCIFAR-100において均一割り当てよりも最大18.82%優れています。

STAGformerは、線形複雑度でグローバルモデリングを実現する時空間エージェントグラフトランスフォーマーであり、NYC Citi-BikeとChicago Divvy-Bikeのデータセットで最先端手法を上回る性能を示した。

本論文は、期待リターンとダウンサイドリスクを同時に最適化する多目的信頼性ベースのポートフォリオ最適化フレームワーク（MORP-DRL）を提案する。分散、CVaR、EVaRの3つのリスク指標を組み込み、GARCHや極値理論で市場不確実性をモデル化し、実用的制約下でPPOを用いる。10のグローバル株価指数でNSGA-IIを上回る性能を示す。