本論文では、ロボット支援血管内介入における自律的なガイドワイヤーナビゲーションのための視覚言語手続き推論（VL-PR）フレームワークを提案する。マルチモーダル大規模言語モデルを統合し、リアルタイムの視覚観測から高レベルのナビゲーション文脈を推論し、報酬成分の重要度を動的に調整する。物理ロボットプラットフォームでの実験により、静的報酬手法よりも高いタスク信頼性と効率性を実証した。

ViTLは、大規模言語モデルで自然言語命令を線形時相論理式にコンパイルし決定性有限オートマトンへ変換するタスク層と、視覚言語モデルの方向別スコアでフロンティア探索を導くナビゲーション層からなる二層フレームワークで、時相制約付きのゼロショット長期的マルチターゲットナビゲーションを実現する。

本論文は、ロボット操作ベンチマークにおける性能向上が、Vision-Language-Action（VLA）モデルの物理的汎化能力を証明するものではないと主張する立場論文である。著者らはVLAポリシーを意味的マッピングと物理的行動決定に分解し、支配的な評価指標であるタスク成功率では両者を区別できないことを示した上で、意味的汎化と物理的汎化を別々に測定するための制御された変動を導入した評価設計を提唱している。

本論文は、スマートロッカーをドローンの発着・バッテリー交換ノードとして活用し、配達・返品集荷・バッテリーと積載量の制約・飛行禁止区域の迂回を統合的に扱うLTDRP-PDNFを提案する。2段階の深層強化学習ニューラルヒューリスティックにより、車両群の総運用コスト最小化を目指す。

本研究では、アラビア語-ロシア語間の科学翻訳のためのベンチマークを提案する。約27,000文対からなるハイブリッド並列コーパスを構築し、科学アブストラクトと一般ドメインテキストから収集した。3つの多言語モデル（mT5-base、NLLB-200、Qwen2.5-7B）をLoRAで微調整した結果、Qwen2.5-7B（QLoRA、ランク8）が最高性能を達成：BLEU 23.15、chrF 43.89、BERTScore 0.906、COMET 0.758。ゼロショットベースラインからBLEUで+4.36、COMETで+0.051向上した。少数ショットプロンプティングでは改善が見られず、ドメイン特化の微調整が必要であることが示された。モデル、コーパス、評価コードは公開されており、アラビア語話者とロシア語話者間の科学的知識交換の障壁を低減し、SDGs 9および17に貢献する。

本研究は、ベンガル語ニュースのイベント検出のためのベンチマークを構築した。9,979文、40のイベントサブタイプからなり、クリーンなテキスト、ASR転写、正書法の破損したテキストを含む。エンコーダのみのモデル（BanglaBERT、XLM-R）とデコーダのみのLLM（Llama 3、Gemma 3）を体系的に評価し、明確なアーキテクチャのトレードオフを明らかにした。エンコーダはクリーンなテキストで高性能だがノイズで大幅に劣化し、デコーダLLMはよりロバストである。指示チューニング時のアノテーションガイドラインの埋め込みはノイズテキストでのベースラインを向上させるが、劣化の減少は一貫しない。モデルのスケーリングはデコーダLLMのロバスト性を一貫して改善し、クリーンとノイズの混合トレーニングは効果的な正則化戦略として機能し、特にエンコーダに大きく利益をもたらし、ロバスト性のギャップを大幅に狭める。

本研究は、多次元で人間に調和した評価に基づいて治療的応答生成を最適化するフレームワークを提案する。第1段階では、人間がアノテーションしたデータを用いた選好最適化により訓練されたオープンソースの治療的評価器TheraJudgeを導入し、7つの心理的次元にわたって信頼性の高い判断を生成する。第2段階では、TheraAgentを導入し、批評家、コーチ、セラピストの役割を持つ調整された洗練プロセスを通じて評価シグナルを具体的な応答修正に変換する。実験では、TheraJudgeは臨床医の評価と高い一致を示し（ICC=0.87-0.95）、ベースラインや強力なクローズドソース評価器を上回った。TheraAgentは盲検評価で治療品質を0.43ポイント向上させ、低品質応答は2.45ポイント改善され、回復率は94%に達した。

本論文は、多言語・多文化・多イベントのオンライン分極を検出するSemEval-2026 Task 9への提出を述べる。アプローチでは、トランスフォーマーベースモデル（英語はRoBERTa-base、スワヒリ語はAfroXLMR-base）を用い、クラス重み付け損失関数でラベル不均衡に対処し、ラベルごとの閾値調整でマルチラベル分類を最適化する。テストセットでは、サブタスク1のF1マクロスコアは英語0.7901、スワヒリ語0.7910、サブタスク2はそれぞれ0.4615と0.4808、サブタスク3は0.4791と0.5830であり、リーダーボードで競争力のある性能を示した。エラー分析では、非人間化検出や共感欠如の識別に課題があることが明らかになった。

本研究では、Text-to-SQLのテスト時検証において、学習された意味的スコアリング関数としてOutcome Reward Models（ORM）を提案します。GradeSQLフレームワークは、自動候補生成と実行ベースのラベリングによりORMトレーニングを自動化し、手動アノテーションを不要にします。BIRDで最大4.33%、Spiderで2.10%の改善を示し、複雑なクエリでより大きな効果を発揮します。

本研究では、トランスフォーマー言語モデルが「不可能」言語を学習する際、文法感受性は徐々に低下するが、生成能力に顕著な欠陥が見られることを発見。この生成欠陥が人間による習得不可能性を説明する可能性を示唆。

本論文は、ECEやBrier Scoreなどのグローバルなキャリブレーション指標がモデル間の精度差と交絡し、公平な比較を妨げることを示す。著者らは、インスタンス整合、分布整合、候補整合の3つの視点から精度を制御するACEフレームワークを提案。実験の結果、精度制御後には多くのキャリブレーション優位性が大幅に弱まり、ランキングの逆転が頻繁に起こることが明らかになった。

本稿は、生成AIエージェントを行動エンジンとして使用し、パーソナライゼーションアルゴリズムをブラックボックス監査するためのフレームワークを提案する。2024年米国大統領選挙後のXプラットフォームでの1,120エージェントを用いたケーススタディでは、アルゴリズムフィードが時系列フィードと比較して、有害で分極化された政治的で右寄りのコンテンツを増幅し、その増幅の度合いはユーザーのイデオロギーによって異なることが判明した。反事実分析では、人口統計シグナルがペルソナ依存の方法でコンテンツ配信に影響を与えることが示された。

研究者らは、ローマ字化されたインド語と英語のコード混合指示でLLMを体系的に評価するベンチマークIndi-RomCoMを発表した。7つの指示追従タスク、4つのインド語言語、3つの制御されたコード混合強度をカバーする。評価の結果、LLMはRCM指示で一貫して性能が低く、混合密度が高くなるほど性能が低下することが示された。推論タスクは、生成された説明が必要な文脈を提供するため、毒性検出などの検出タスクよりも劣化が少ない。

AIエージェントのルーティングにおいて、偽陽性・偽陰性事例を用いた1回のLLM書き換えで手動調整と同等のスキル記述最適化が可能となり、スキルあたりのエンジニアリング工数を120分から3.8分へと32倍削減する。

本論文は、平均-残差パラダイムにおける残差ターゲットの誤設定が、実世界応用でバイアスと過小分散のアンサンブルを生む根本原因であることを示す。ReMatchは低次元PCA空間での最適輸送により訓練残差分布をテスト時分布に整合させ、合成ベンチマークと実世界の風場ダウンスケーリングでキャリブレーションを改善し、強力なベースラインを上回る。

本論文は、深さ方向に沿ってブロック単位のオプティマイザ更新を変換する「深さ方向勾配拡張」という一般的な最適化パラダイムを提案し、局所的なウィンドウ平滑化演算子を用いて「勾配スムージング」として実装する。この手法は、アーキテクチャや訓練目的を変更することなく、言語モデルの事前学習、推論のためのLLM強化学習後訓練、拡散モデリング、ViT画像分類において最適化と汎化を一貫して改善する。

本論文はGRPOの訓練ダイナミクスに関する第一原理的な低次元モデルを提案する。経験的な単一指数飽和則を過減衰極限として包含し、グループサイズ不変性、リフレッシュ間隔における鋭い安定性閾値、過減衰から振動への転移を予測する。3モデル・2グループサイズで閉形式軌道が訓練報酬をR²≥0.91でフィットする。

本論文は、言語モデルの安全性訓練後に学習状態を取り消すための2係数編集手法「プロセスサイドカー」を提案する。AdamW最適化プロセスの推定を用いて2次精度の記憶取消しを実現し、3つのモデルで単純なタスク算術を上回る結果を示した。

ReactionAtlasは、少数の種分子から手作りのルールなしに化学反応ネットワークを構築する機械学習フレームワークである。生成モデルとDFT学習済み機械学習力場を組み合わせ、前生物的な種から約47,000の反応を約12,000の化合物間で発見し、生命の起源に関連するフォルモース化学の新経路を明らかにした。

階層的グローバルアテンション（HGA）は、事前学習済み長コンテキストTransformerにおける密な因果的注意のドロップイン代替であり、再トレーニングやキャリブレーションなしで、1枚のRTX 5090上で64Kトークンのコンテキストを実現し、品質損失は最小限です。

本論文は、決定論的少ステップ生成が連続画像潜在変数では成功する一方、連続テキスト潜在変数では崩壊する原因を幾何学的に説明する。平滑で正則性に制限された決定論的写像は、鋭いカテゴリカル読み出しの前に離散的な分岐選択を解決できないため、失敗はデコーダの鋭さに支配され、輸送精度とは無関係である。著者らは、事後平均の終端ステップが決定境界付近の管内で潜在変数の質量に比例する速度でトークンを反転させることを証明し、DABIとCCIという二つの診断指標を導入する。実験では、テキストデコーダのDABIが画像デコーダより数桁高く、カテゴリカルコミットメントと確率的再注入という二つのメカニズムが連続限界を回避できることを示す。

本論文はMetaFlowを提案する。ワークフロー生成をメタ学習問題として捉え、タスクと演算子集合が与えられたときに解戦略を組み立てることをモデルに学習させる。合成ワークフローデータでの教師ありファインチューニングに続き、問題インスタンス横断の実行フィードバックを用いた検証可能報酬付き強化学習（RLVR）で訓練する2段階構成をとる。質問応答・コード生成・数学的推論のベンチマークで、ドメイン内では単一推論で最先端ベースラインに匹敵し、未学習タスクや新規の演算子集合に対しても強いゼロショット汎化を示す。

本研究は、NHANES 2003-2006のデータを用いて、1,381人の成人を対象とした加速度計心臓代謝ベンチマークを構築し、3つのテーブル学習手法（リッジ回帰、XGBoost、TabPFN v2）で糖化ヘモグロビン、中性脂肪、C反応性タンパク質の予測性能を評価しました。TabPFN v2が最も良い成績を示しましたが、中性脂肪の予測は困難でした。また、分割共形予測を用いて予測区間のカバレッジ公平性を評価し、全体的には目標を達成するものの、サブグループ間で差異があることを明らかにしました。

研究者らは、マルチソースデータセットから共有偏微分方程式を発見するための競争的最適化フレームワークMCO-PDEを提示した。各データソースに対して独立したニューラルサロゲートを訓練し、ソフト競争的重み付けメカニズムでデータセットの信頼性を動的に評価してグローバル係数を集約する。遺伝的アルゴリズムによる構造探索を統合し、関数形とパラメータを同時に特定する。7つのケースで各データセットわずか50観測点の融合により高精度で標準方程式を復元し、不規則境界や不均質係数を持つ2次元・3次元領域を扱い、実際の波形水槽実験から物理的に意味のある法則を抽出することに成功した。

AgRefactorは、ソフトウェアをHLS互換コードにリファクタリングするためのLLMベースのマルチエージェントワークフローです。自己進化型メモリシステムと自動化ツールを統合し、11のベンチマーク中9つで最先端を上回り、最大6.51倍の高速化を実現します。

本論文は、Huber汚染モデルの下でLLM Juryを形式化し、単一の審査員が偏ったLLM典型的な方法（モード崩壊、sycoファンシー、安全拒否）で失敗すると、任意の正の汚染に対してPoLLが非有界なバイアスを被ることを示す。審査員のコンセンサスを古典的なロバスト平均推定として捉え、RoPoLLを提案し、幾何中央値を集約関数として使用することで、最適な有限サンプル破綻点1/2を達成する。13の審査員（4B-675B）、3つの報酬モデルベンチマーク、4つの汚染体制（最大50%）での実験により、RoPoLLはすべての偏った汚染タイプでPoLLを凌駕し、38Bの3審査員委員会が30%のバイモーダルランダム汚染下でMistral-Large-3（675B）を1.31倍上回る。

HASTEフレームワークは、競技間の知識をグローバル・ドメイン・競技固有の3層に整理し、MLエンジニアリングエージェントのメダル率と学習効率を向上させます。

AIDA2Jワークショップに採択された論文は、大規模言語モデルを用いた法的推論のためのマルチエージェント審議手法を探求している。研究者らは法廷手続きと法的議論に触発された2つの新しいフレームワークを導入し、マルチエージェントフレームワークがベースラインLLMと同等の全体的性能を達成しながらも、 significantly異なる回答を生成し、ベースラインが対処できないケースを解決できることを発見した。

arXiv論文は、エージェントがユーザーを明確な選好を持つ専門家と仮定する通念に疑問を呈する。ユーザーは選好を形成するためにエージェントの支援を必要とすることが多く、論文は対話行動に基づく選好構築モデルCoPrefを導入し、対話型推薦ベンチマークCoShopを提案する。5つの最先端モデルは5ターン後も精度56%を超えず、失敗の主因はアイテム発見ではなく、ユーザーが求めるものの理解を広げられない点にあった。

この研究では、推論言語モデル用の隠れ状態不要なチェックポイントストッパー「LearnStop」を提案。自由形式の数学タスクでは、学習による多特徴停止がスカラー終了を上回るが、多肢選択や非常に難しい設定ではスカラールールが競争力を持つ。主な発見は、多くの問題が予算前に正解になるが信頼できるスカラー信号が不足する場合に学習停止が有用であること。