本論文は、最適輸送結合を解くのではなく、事前分布を設計選択として扱う新しいアプローチを提案する。自然画像の低周波投影を事前分布として用いることで、データとの恒等結合が経験的にOT最適となり、軌道の曲率を低減し、少数ステップ生成の品質を向上させる。

本論文はIN2Rフレームワークを提案し、離散的なラベル選択から、モーダル内データの幾何学的安定性を利用した連続的なソフトプロトタイプの合成へとパラダイムを転換する。Flickr30K、MS-COCO、CC152Kでの実験で最先端手法を大幅に上回る性能を示した。

本論文は、弱教師ありインクリメンタルセマンティックセグメンテーションにおける特徴ドリフトと意味的破壊を軽減するため、学習可能なセマンティックアンカーでクラス表現を安定化し、空間ラベルアービトレーションで信頼できない監督信号をフィルタリングするSASAを提案する。標準ベンチマークで最先端手法を一貫して上回り、特に多段階インクリメンタル設定で有効性を示す。

SceneDiverは、全体的なシーングラフを構築し、タスクを反復的に分解する粗から細へのフォーカスプラン生成手法を提案し、VLMとVLAの視覚的幻覚を大幅に削減しつつ計算効率を維持する。

MM-BizRAGは、エンタープライズQA向けの新しいマルチモーダル検索拡張生成手法です。文書構造認識分割と方向別取り込みパイプラインにより文書構造を明示的に抽出し、ファインチューニングなしでリッチな回答を生成します。エンタープライズデータセットと公開ベンチマークで最先端ベースラインを最大32%上回りました。また、コスト効率の良いLLM評価指標FastRAGEvalも提案されています。ACL 2026 Industry Trackに採択。

大規模言語モデルの普及により、AI生成フェイクニュースの拡散が懸念されている。本研究では、語彙多様性、可読性、感情特性などの解釈可能な言語特徴を用いて、異なるプロンプトで生成されたAI記事を検出する際のプロンプト横断汎化を調査。ランダムフォレスト分類器は、6つの訓練-テスト組み合わせすべてでAUC 0.988～1.000を達成し、プロンプト変動に対する頑健性を示した。

本論文では、4つのABSAワークフローをネイティブサポートし、エクスポート時に直接アノテータ間一致指標を計算する自動ETLパイプラインを提供するWebベースの協調アノテーションツールACATを紹介する。1,002件のレストランレビューでの予備検証では、中央値のアノテーション時間31.58秒、IAAは0.78～0.86であった。

大規模実証研究が284の解釈可能な言語的特徴を27のLLMと10のテキスト領域で評価。言語的特徴のみの分類器はAIと人間のテキストを確実に区別できるが、多くの指標は文脈依存性が強く、語彙的豊かさのみがモデルや領域を超えて頑健であることが示された。

本研究は、拒否ステアリング手法を混合エキスパート（MoE）大規模言語モデルに拡張し、MoEの複雑なルーティングパターンがステアリング性能に影響を与えないことを示した。著者らは、拒否固有のエキスパートルーティングパターンとエキスパート固有のステアリング方向を利用して通常の拒否動作を抑制する2つのエキスパート認識型手法を提案した。結果は、単一エキスパートの出力に基づいて効果的なステアリングが可能であり、拒否信号はエキスパートルーティングとは異なり、注意機構が重要な役割を果たすことを示唆している。

5つのモデル、10のデータセット、4つの検索方法、4つのコーパスを用いた大規模研究により、生物医学的QAにおいて検索拡張生成（RAG）は検索なしのベースラインと比べて1〜2ポイントの小規模で一貫しない改善しかもたらさないことが判明した。バックボーンモデルの選択が検索器やコーパスの選択よりもはるかに大きな影響を与え、専門家と一般人の検索ソースはほとんどの設定で同様に機能する。主なボトルネックは検索品質だけでなく、モデルが検索された証拠を効果的に利用する能力の限界にある。

SaliMoryは、ユーザーの事実・好み・作業記憶にわたる認知構造化記憶を管理する単一言語モデルを訓練するフレームワーク。階層的段階別プロセス報酬と報酬分解型対照的洗練により、多段階パイプラインの信用割当問題を克服し、記憶関連の失敗を3分の1削減、エンドツーエンド精度でSOTAを10%以上上回り、良好なパーソナライゼーション率を2倍以上に向上させた。

本稿は、科学史・科学哲学・科学社会学（HPSS）における概念分析の計算的アプローチの長い歴史の中に大規模言語モデル（LLM）を位置づける。LLMが既存の手法に何を加えるか、どのように長年の問題を継承するかを検討し、最近のケーススタディをレビューする。第一部では、HPSSにおける初期デジタル手法、分散意味論アプローチ、語彙意味変化検出の3つの研究系統を統合し、LLM以前の計算的概念史を再構築する。第二部では、LLMの時代に焦点を当て、LLMを用いた語彙意味変化検出と関連ケーススタディをレビューし、コーパス構築、モデル選択、操作化のトレードオフなどの方法論的問題を再検討する。

500のMMLU-Pro項目に対するペア固定内容プローブにより、Instruction:、Reference:、Example:などの談話役割ラベルを誤解を招く主張の前に付加すると、GPT-5.5、DeepSeek V4 Pro、Llama-3-8B-Instruct、Qwen2.5-7B-Instructの誤解採用率が56〜84パーセントポイント変動することが示された。拘束力のあるラベルは高い採用率を生み、Example:は一貫して抑制する。研究は、文脈利用およびRAGベンチマークがラッパーラベルを報告し制御すべきだと勧告している。

POLARISは、小型オープンウェイトモデルの長文創作能力を大幅に向上させるトレーニング手法です。LLMを審査員とする報酬と人間参照注入をGRPOフレームワークで組み合わせ、9Bモデルがより大規模なモデルと同等の性能を達成し、長さの汎化にも優れています。

本論文では、LiftQuantと呼ばれる新しいフレームワークを提案する。これは「リフト・アンド・プロジェクト」機構により連続的なビット幅制御を可能にし、70BパラメータのLLMを2.4ビットに圧縮して24GB GPUに正確に適合させる。ICML 2026 Spotlight採択。

本論文は、Maximal Update Parametrization（μP）をゲート機構と再帰状態ダイナミクスを持つGated Delta Networkに拡張し、スケーリング則を導出して、言語モデル事前学習におけるモデル幅を超えた学習率の安定した転移を検証した。

本論文は教師あり学習におけるベイズ十分表現を正式に定義する。ある表現が、与えられた同時分布と損失に対してベイズ最適行動規則を実装できる予測ヘッドを持つとき、その表現はベイズ十分である。目的情報は損失に依存し、ほとんど確実に一意なベイズ行動の場合にはベイズ商が最小十分情報を特徴づける。制御有限実験、学習ニューラルボトルネック実験、iNaturalist分類精緻化実験を通じて、十分性、最小性、保持される非必須情報の区別が示される。

本論文は、深層ニューラルネットワーク代理モデルと非パラメトリック勾配最適化を用いて、中性子類似度 c_k を最大化する臨界実験の逆設計手法を提案する。U-Net と新しいマルチグループ注意プーリング層を組み合わせ、HALEU燃料を用いたTN-Americas TN-LC輸送容器の検証で c_k = 0.97757、0.81324、0.93276 を達成した。

ICML 2026採択の研究が、Q-K=V、Q=K-V、Q=K=Vという3つの投影共有制約を系統的に評価した。Transformerは同等以上の性能を示し、Q-K=VはKVキャッシュを半減しつつ困惑度の劣化は3.1%にとどまる一方、Q=K-Vは注意の方向性を損なう。投影共有はヘッド共有（GQA/MQA）と相補的で、組み合わせにより最大96.9%のキャッシュ削減が可能となり、エッジ展開に適する。

本論文は、二段階最適化や敵対的訓練などで用いられる結合勾配降下法における過渡増幅について、鋭い疑似スペクトル解析を提供する。著者らはブロック三角ヤコビアンに対するクライス定数の限界を証明し、有限時間反復複雑性境界を与える。この理論はスペクトル半径解析では見えない非漸近的高次元学習ダイナミクスの領域を明らかにし、線形二次問題とニューラルネットワーク訓練での実験により検証された。

ICML 2026のポジションペーパートラックに採択された本論文は、展開後の強化学習を「訓練して固定する」パラダイムのまま扱うべきではないと主張する。最適性に達しなくとも評価的な報酬信号を受け取るエージェントは、本質的に継続的強化学習の問題である。著者らは展開後に非定常性を生む4つの要因を挙げ、実世界での継続的強化学習の成功例を分析したうえで、絶え間なく適応し続ける運用への転換をコミュニティに促している。

IEEE P3109ドラフト標準は、機械学習を支援するためにパラメータ化された2進浮動小数点フォーマットと関連操作を定義します。これらのフォーマットは少ないビット数で効率的かつ一貫した値表現を可能にし、ビット幅、精度、符号、無限大の有無でパラメータ化されます。演算は浮動小数点値を閉拡張実数（正負の無限大とNaNを含む）にデコードして定義され、NaNや無限大のオペランドを明示的に扱うことで実数演算のみを呼び出します。広範な丸めモード（確率的丸めを含む）と飽和モードが定義され、演算は例外フリーで、例外はNaNなどの戻り値で伝達されます。また、近似実装を記述するためのスケール不変な尺度であるカッパ近似を導入します。標準関数定義やその他のプロパティは形式的仕様を用いて機械的に検証・生成されます。

新しい研究では、XGBoostモデルとADNIデータセットの8つの臨床指標を用いて、正常認知、軽度認知障害、アルツハイマー病の3クラス分類を高精度で実現し、マクロAUC 0.982、SHAP値による説明可能性を達成した。

本論文は、長期的タスクにおける自律AIエージェントへの介入タイミングの決定課題を調査する。HEART感情ダイナミクスモデルを用いて、4種類の介入トリガーを評価し、3つの主要な発見を報告している：フラストレーション指標が急速に最大値に達する状態飽和トラップ、LLMベースの判定者の能力下限、そして最も重要なことに、人間のアノテーター間の評価者間信頼性が極めて低く、単一アノテーターのF1スコアを最適化目標とすることの妥当性に疑問を投げかけている。

混合手法を用いた研究により、数学者が証明の形式化にAIツールをどのように利用しているかを調査した。自動形式化ツールの限界にもかかわらず、AIを利用した参加者は単独で作業する場合よりも高い形式化精度を達成し、大多数が複数のAIツールを柔軟に組み合わせて使用しつつ、証明発見プロセスに対する高水準の人間の制御を望んでいることが明らかになった。

新たなarXiv論文は、汎用コーディングエージェントが訓練データのキュレーションループを自動化できるかを検証するCuration-Benchを提案した。既製のエージェントは10回の反復で公開済みの強いデータ選択ベースラインに並ぶが、局所的な方針の変種を調整する傾向が強く、新しい方針群の探索には至らない。各反復で既存手法を引用・実装・適応することを求める足場を導入すると、手法主導の探索が促され、10分の1のデータ予算で強いベースラインを上回る方針を自律的に構成した。

StepPRM-RTLは、段階的軌跡モデリング、プロセス報酬モデル（PRM）、および検索拡張微調整（RAFT）を組み合わせた新しいフレームワークであり、LLMベースのRTLコード生成の機能的正当性と推論忠実度を向上させる。ベンチマークでは、最良の先行手法と比較して10%以上の改善を示した。

マルチモーダル大規模言語モデルは複雑な推論が可能である一方、ツールを使用して問題を外部化し、その出力を推論する際、特に視覚補助に依存する場合に性能が低下することがある。この問題を研究するために、VAMPS（視覚補助数学問題解決）ベンチマークを紹介する。VAMPSはイランの大学入学試験の代数および微積分問題から抽出された1,168のマルチモーダル・バイリンガル多肢選択問題を含み、人間がレビューしたLLM生成の合成バリアントで拡張されている。実験の結果、プロットが自然な戦略となる問題でも、直接的な解析的解法がツールを使用した視覚的解法を上回ることが判明した。

本論文は、協調型マルチエージェント環境でLLMエージェントを評価するため、StarCraftマルチエージェントチャレンジの自然言語拡張であるSMAC-Talkを提案する。通信チャネル、欺瞞的コミュニケーター、ベンチマーク用のQwen3.5モデルを特徴とする。

arXivのコメンタリー論文がPEELを提案。Voyant Toolsによる決定論的遠読とClaudeによるLLM解釈を組み合わせ、パース記号論とアブダクションに基づく。AI生成要約に適用した結果、数量・語頻度・認識論的声における系統的歪みを明らかにし、三つの設計含意を導出：決定論的計器をAIツールに併用すべき、流暢さは忠実さではない、認識論的権威は設計に組み込むべき。