LooseControlVideoは、スパースで方向付けられた3Dボックスを「ブロッキング」プロキシとして使用し、テキストからビデオ生成における直感的なレイアウトと軌跡の制御を可能にするフレームワークです。Wan 2.2バックボーンを新しいDNOCSエンコーディングで微調整することで、nuScenes、HO-3D、BEHAVEベンチマークにおいて、軌跡エラー、剛体運動の一貫性、オクルージョン精度でベースラインを大幅に上回ります。

LEAPは、視覚Transformerの特徴量蒸留のための訓練カリキュラムである。教師モデルの中間特徴マップを段階的に難易度が上がるターゲットとして活用し、学生モデルが基礎表現を構築してから高レベルな抽象化に取り組めるようにすることで、蒸留効率と下流タスク性能を大幅に向上させる。

研究チームは、120万枚のX線画像で訓練された初の十億パラメータ級胸部X線生成基盤モデルを発表した。人口統計学的サブグループ、撮影ビュー、病理をまたぐ制御可能な生成が可能で、臨床専門家が実画像と区別できないと評価する忠実度を達成している。

本論文は、ベイズ的視点と文脈内学習の機械論的解釈可能性に基づく「自己関数ベクトル」を導入し、モデル内部表現から偶然的不確実性を直接推定する手法を提案する。さらに、データ操作を制御して偶然的不確実性を認識的不確実性から分離する初の厳格な評価プロトコルを構築し、合成タスクと実世界データセットで既存手法より信頼性の高い測定が可能であること、および幻覚検出への応用可能性を示した。

ACL 2026採択の調査論文は、35の手話にわたる120のデータセットを整理し、モダリティの不均衡、アノテーションの粒度、手話者バイアスといった課題を分析。24項目のデータシートと公開GitHubリポジトリを提案し、標準化と再現可能な評価を推進する。

LUCIDを提案。注意スコア、知識グラフのセマンティクスと構造情報をグラフニューラルネットワークで統合し、LLMの幻覚を検出。9つのデータセットで最先端の性能を達成。

本論文は、学習不要の手法である因果帰属プルーニング（CAP）を提案する。小さな推論用キャリブレーションセット上で各アテンションヘッドをマスクした際の性能低下を測定して因果スコアを算出し、それを重みレベルの重要度に変換して細粒度のプルーニングを行う。Llama-3-8B-Instruct と Mistral-7B-Instruct を用い、GSM8K・StrategyQA・ARC-Challenge を 10%・20%・50% の疎度で評価した結果、中程度の疎度では多くの構成で Wanda を上回り、20% 疎度の ARC-Challenge では相対精度が最大 61% 向上した。一方、50% 疎度では MLP の粗い帰属が制約となる。

本論文は拡散大規模言語モデル（dLLM）の文脈内学習（ICL）におけるクエリ位置バイアスを系統的に分析し、クエリ位置が例の意味品質と同等に生成品質へ影響する一階変数であることを示す。さらに、訓練不要の適応ルーティング戦略Auto-ICLを提案し、クエリ配置を動的に最適化してオラクル性能に迫る。

新しい研究がLLMのハードウェア設計エラーの分類法を導入し、VerilogEvalベンチマークで90.8%の上限を発見。これは解決不可能な機能エラーによるもので、アライメント技術はコンパイルを教えるだけで推論には至らない。

7つの大規模言語モデルをアラビア語で微調整した研究は、セム語族へのゼロショット読解の改善が言語族固有の転移ではなく、タスク形式の整合性によるものだと示した。

本研究では、GoogleのGeminiおよびGemma大規模言語モデル（LLM）を使用して、PubMedの要約からEQ-5D研究を自動検出する方法を調査する。少数ショットプロンプティング、重み付きアンサンブル、ソフトスタッキングメタ分類器を統合した多段階フレームワークを提案。専門家がラベル付けしたデータセットで9つのLLMを評価した結果、gemini-2.5-pro、gemma-3-12b、gemma-3-27bの重み付きアンサンブルが0.74の加重F1スコアと精度を達成し、個々のモデルを上回った。アンサンブルは適合率と再現率のバランスを改善し、ソフトスタッキングは信頼性と解釈可能性を向上させた。結果は、アンサンブルベースのLLM設定が生物医学研究のスクリーニング自動化に信頼性が高く、スケーラブルなアプローチであることを示唆している。

研究者らは、心室頻拍アブレーション中のペースマッピングのための継続学習AIフレームワークcAPMを提案した。タスク非依存のサロゲートニューラルネットワーク、アクティブラーニング戦略、継続学習戦略を組み合わせ、過去のペースマッピングデータから得た知識を新たなターゲットに転移することで、必要なペーシング部位数を大幅に削減する。インシリコ試験では、cAPMは4.5部位で81%の臨床許容範囲（5mm以内）の定位確率を達成し、最先端のアクティブラーニング法が13.7部位で38%であったのと比較して優れている。

自己対戦強化学習は人間データなしで運転ポリシーを訓練できるが、人間と相容れない異質な行動を学習する傾向がある。新しい手法は、わずか30分の人間デモデータを正則化として最小安全目標報酬に追加。模倣学習の2500分の1のデータ量で、人間の軌跡と協調するポリシーを、一般消費者向けGPU1台で15時間で訓練する。

本論文は、分布推定アルゴリズム（EDA）のサンプリング分布として多変量ゼロ膨張ガウス（ZIG）分布を提案し、手設計のスパース演算子なしでスパースパターンと活性値を同時に最適化できることを示す。Lunar Lander ベンチマークでは、ZIG-EDA はより速く収束し、より高い最終リターンに到達しつつ、ごく一部のパラメータのみを活性化する。

本論文は、AdamWトレーニング中にWeibull重みスケールパラメータλが成長、オーバーシュート、緩和する理由を研究し、三力分解（アラインメント力、注入力、減衰力）を導出した。Pythia-70Mでの実験で、上昇フェーズではアラインメント力が絶対力予算の88-94%を占めることを示し、またスパースなチェックポイントからアラインメント力を92-94%の精度で復元するスプライン変位法を提案した。

情報格子学習（ILL）は、信号を分割格子に交互に投影し、選択したルールを信号領域に持ち上げることで、解釈可能な信号ルールを学習する。信号が確率質量関数の場合、ILLが学習する確率的ルールは自然な確率的グラフィカルモデル（PGM）解釈を持つ。分割は決定論的商変数を誘導し、ルールはその商変数の周辺分布である。ルールセットは解釈可能な抽象化に対する周辺制約の集合である。一般持ち上げは制約を満たす全ての同時分布の実行可能族であり、特別持ち上げは最大エントロピーに関連するL2一様性原理による最大無知再構成を選択する。シャノンエントロピー持ち上げでは、同じ制約から学習された抽象化でインデックス付けされた因子を持つ対数線形因子グラフが得られる。情報格子自体はベイジアンネットワークではなく、そのエッジは条件付き依存ではなく抽象化の洗練・粗視化を符号化する。したがって、ILLは商変数上の解釈可能な制約ベース因子グラフの構造学習と見なすのが最適である。

本論文は、3D MRI合成のための拡散モデルMed-DDPMをNVIDIAの3世代GPUアーキテクチャで分析し、TF32 Tensor Coreとchannels-lastレイアウトの最適化により品質を損なうことなく最大100倍の性能向上を達成する。

SPSDは、クラウドLLMに送信する前に4ビット量子化された小規模言語モデルでユーザープロンプトを圧縮するエッジベースのパイプラインである。248件のプロンプトコーパスでの評価では、蒸留呼び出しあたり平均99.9トークンを節約し、応答品質は事前に設定した非劣性マージン内で元の経路と同等であった。安全 critical な領域はルールベースのゲートでパススルーされる。

本論文はGuardフレームワークを提案し、マルチ教師蒸留をインスタンス単位の意思決定プロセスとして再構成する。コンテキストルーターと不確実性ゲート付き温度機構により、分布不整合のある時系列基盤モデルから知識を蒸留し、エッジ展開向けの軽量予測器を訓練する。気象、生態系炭素フラックス、土壌水分、エネルギーの4領域でRMSEを大幅に低減する。

arXiv論文「Computational Identifiability」は、漸近性や無限データを前提とする理論的可識別性に対し、経験的推定量を求める有限の計算探索手続きとして可識別性を定義する「計算論的可識別性」を提案し、小標本、曖昧なグラフィカル基準、観測・介入混合データ、反事実的推定量などの場面でその実用性を示している。

本研究は、アクションの確信度とリクエストの不確実性を分離するプロンプトベースの不確実性分解手法を提案し、タスク仕様があいまいな場合にLLMエージェントが明確化を要求できるようにする。著者らは、50%のタスクが意図的に未特定の2つの新しいベンチマークを導入し、5つのLLMでReAct+UEおよびUAMと比較評価し、F1スコアの大幅な改善を示した。

本論文は、学習可能な積分カーネルを通じて畳み込み、自己注意、自己回帰再帰を一般化する統合アーキテクチャである積分変換ネットワーク（ITNet）を提案する。ITNetは複数のベンチマークで専門モデルに匹敵またはそれを上回る性能を示す。

Martin Kolář氏がarXivに投稿したプレプリントは「創発的アラインメント」を提案する。LLMに自らの推論と出力を検討する「良心」ステップを与え、Direct Preference Optimization（DPO）によるアラインメント項を訓練損失に加えることで、非倫理的な出力からモデルを遠ざける。審査役にはモデル自身の凍結コピーを用い、学習・ファインチューニング・敵対的プロンプト・ゼロショット学習にまたがるオンライン手法として提示されている。以前「創発的ミスアラインメント」が観察されたコードハッキングのシナリオで、倫理的な方向へ導けたと報告するが、本論文はICML 2026で採択されていない。

REVEAL++は、視覚言語網膜モデルにおいて連続的で微分可能な表現型グルーピングを導入し、アルツハイマー病の早期予測を改善する。UKバイオバンクのデータで離散グルーピングのベースラインを上回り、MICCAI 2026に採択された。

臨床表形式予測タスクでQwen 2.5 7BとXGBoostを比較した研究は、LLMの言語化された自信がほぼ一定で精度と無関係であること、逆難易度効果を示すこと、少数例とSHAP証拠の組み合わせが帰属不一致を減らし精度を向上させること、クロスモデル校正器が校正誤差を大幅に削減することを明らかにした。

DeXposure-Clawは、分散型金融に対する汎用LLMエージェントの過剰解釈や誤警告を解決するため、予測に基づいたエージェント監督システムです。グラフ時系列基盤モデルでエクスポージャー・ネットワークを予測し、決定論的モニターとストレスシナリオでアラートを生成、データ健全性と信頼度ゲートで誤報を抑制します。さらに、DeXposure-Bench評価ハーネスにより、規制当局に合わせた絶対損失と誤介入率を測定します。5年間の週次実データを用いた実験で有効性が確認されました。

本論文は、マルチエージェントLLM討議において各エージェントが持つ隠れた内部信念（アンカー）が集団意思決定に与える影響を説明する動的システムモデルを提案する。このモデルは、古典的なコンセンサスルールでは禁止される行動、すなわちエージェントの正解に対する確信度が初期信念の凸包を超える現象を説明する。3つのオープンウェイトモデルファミリーを用いた実験では、すべてのアンカーの影響力はほぼ同程度であるが、その位置が異なり、アンカーが初期意見から遠くにある場合にのみ討議が凸包を脱出することが示された。

本論文では、8つの最先端拡散言語モデル（DLM）を、推論、コーディング、翻訳、知識、構造化問題解決にわたる8つのベンチマークで、生成品質と計算効率の両方を考慮して系統的に実験分析した。ノイズ除去ステップ、コンテキスト長、ブロックサイズ、並列アンマスキング戦略などの推論時要因の影響を調査し、DLMの振る舞いが生成時の設計選択に強く影響され、性能と効率の間に異なるトレードオフが生じることを明らかにした。この研究は、現代のDLMの能力と展開特性に関する実用的な洞察を提供する。

本論文は、計算機科学の学士課程プログラムが国際的なカリキュラムガイドラインをどの程度カバーしているかを測定する人間参加型パイプラインを提案し、認定を受けた1つのBScプログラムをCS2013とCS2023に対して縦断的に適用した。両ガイドラインとも知識単位の約50%をカバーするが、推奨される認知深度を満たす割合はCS2023で76%、CS2013で95%であり、その差は新ガイドラインの要求水準の高まりを反映している。

本論文は、Reiフレームワークに基づきOWLで表現され、LLMの外部にある高性能論理エンジンで実行時に評価される義務論的政策手法AgenticReiを提案し、既存のポリシーエンジンが扱えない義務、免除、競合解決、オントロジー推論といった企業ガバナンス要件を補完する。