本論文は、Koopman予測器を学習し、持ち上げ空間でアフィンCBF制約を構築し、二次計画安全層で強制する安全フィルタ付きActor-CriticフレームワークRobust Koopman-CBF SACを提案する。近似誤差に対処するため、投影残差マージンでCBF条件を厳格化する。CartPoleタスクでは制約違反ゼロで無制約SACのリターンに匹敵または上回るが、高次元Safety Gymnasiumタスクでは一次速度バリアと線形EDMDモデルの限界が明らかになった。

本論文は、複数ロボットが協調して矩形箱を平坦・上り・下り斜面で押し輸送するための分散型タスク・モーションプランニング手法R2P2を提案する。ロボットには操作モード（回転か並進か）に応じたルールで押す・支える・防ぐといった役割を割り当て、ルールベース制御または比例速度制御を適用する。NVIDIA IsaacSim上の6ロボット実験で、仮想リーダー・フォロワー法よりも高い成功率を示し、4台のTurtleBotによる1.2kg箱の実機実験でも有効性を確認した。

本論文は、意味的なタスク進捗とロボットのテレメトリに基づいてテレオペレータにエピソード後の即時フィードバックを提供するデータ品質評価・フィードバック（DQAF）フレームワークを提案する。これにより、初心者がより早く高品質なデモンストレーションを作成できるよう支援する。

RCSPは、動的障害物環境における予測的近接ミスコミットメントを回避する計画層であり、将来の相互作用をサンプリングし、高リスクテールにペナルティを課す。

NightSightは、単眼イベントカメラ、符号化開口レンズ、赤外線ドットプロジェクタを組み合わせた軽量な知覚手法を提案し、小型飛行ロボットが完全な暗闇でも自律ナビゲーションできるようにする。システムはNVIDIA Jetson Orin Nano上で20 Hzのリアルタイム動作を実現し、2.5m範囲まで深さ推定でl1誤差7.0cm（2.80%誤差）を達成する。

本論文は、異種ロボットチームの協調ナビゲーションのためのフレームワークを提案する。リードロボットが目標へ移動する間、移動センサーロボット（例：ドローン）が帯域制約下で局所環境情報を送信する。β-スパースガウス過程を用いてタスク認識型の誘導点選択を行い、送信する地図点とナビゲーション行動をオンラインで同時に選択する。さらに、タスク関連性と探索のバランスを取る行動選択戦略を開発した。火星と地球の地図を用いたシミュレーションでは、通信なしと比較して経路コストを18%削減し、生データ送信ベースラインと比較して送信情報量を76%削減した。

PhyPushは、物理ガイド付きTransformerフレームワークであり、単一の押し動作から運動学的に導出されたエンドエフェクタ速度のみを用いて物体の質量と摩擦係数を推定する。力/トルクセンサや触覚アレイなどの専用ハードウェアを必要とせず、ニュートンの第2法則とクーロン摩擦モデルを物理ガイド付き損失に組み込むことで、物理的整合性と汎化性能を向上させる。シミュレーションでは力情報を完全に利用できるベースラインと比較して誤差を10%以上低減し、実世界実験ではデータ駆動型損失アプローチを上回る性能を示した。

本論文は、自動運転の教師-生徒蒸留フレームワークにおいて、蒸留係数を適応的に調整することが固定係数より優れるかを系統的に評価し、深刻なオクルージョン下ではアンサンブル不確実性が機能せず、単純な線形減衰スケジュールが最良の性能を示すことを明らかにした。

新たな研究が4つのモデルファミリーにわたる12のアーキテクチャを網膜スクリーニングでベンチマークし、注意機構ベースのモデルが二値分類とマルチラベル分類の両方で最高性能を示した一方、視覚言語モデルは最高のCNNやTransformerを超えなかった。

VesselSimは、確率的ジオメトリ駆動シミュレーションにより16,500の解剖学的に妥当な3D血管造影ボリュームを生成し、合成データのみで3D U-Netを訓練する2段階フレームワークを提案。テスト時適応戦略によりドメインギャップを橋渡しし、実際のMRI・CTデータセットで最先端の基礎モデルに匹敵する性能を達成、専門家アノテーションへの依存を大幅に低減する。

研究者らは、次元分布感情状態（DDES）という新しい感情表現を提案。バレンスと覚醒を用いて芸術作品が引き起こす感情反応を予測し、博物館のキュレーターが感情ベースの展示を設計するのを支援する。

LongAV-Compassは、テキスト、画像、動画の条件に基づく分単位のオーディオビジュアル生成を評価するための体系的なベンチマークです。284のテストケースを含み、MLLM支援評価と知覚指標を統合し、20以上の次元を評価します。

RoMoは、大規模で高品質な人間動作データセットであり、小さなモーションキャプチャデータセットと低品質な実世界データの間のトレードオフを解決します。分類認識フィルタリングパイプライン、3レベルのセマンティックタクソノミーによるアノテーション、および細粒度評価フレームワークを採用し、RoMoで学習したモデルは最先端の忠実度と多様性を達成します。また、Motion Toolboxをリリースし、メトリクスとデータ変換を標準化します。

都市規模の屋外環境で分散した身体エージェントが自然言語通信を通じて協調する能力を研究。Sentinel ChallengeベンチマークとCoSaRフレームワークを提案し、基盤モデルの高レベル通信と古典的空間ナビゲーションアルゴリズムを融合。より迅速な集合、短い経路、向上した安全性を実現。

DuoGestureは、協調音声ジェスチャー生成をセマンティックストリームとビートストリームに分解するデュアルストリームアーキテクチャを提案する。セマンティック変分情報ボトルネック、モーション接地型セマンティック条件付け、慣性ビートプライアによって調整・正則化され、客観評価と主観実験で強力なホリスティックベースラインを上回る。

研究者らは、命令認識型の2段階動的ゲーティング（モダリティ内ゲートとモダリティレベルゲート）により、動画・音声・深度マップなどの入力を融合する統一フレームワークUniMVUを提案。6つのベンチマークで静的融合ベースラインを一貫して上回り、CIDErで最大13.5の向上を達成した。

この研究では、300セッション・1400ターンからなるマルチターンText-to-SQLベンチマークEnterpriseMem-Benchを導入。5つの先端モデルを評価した結果、ステートレスモデルはターン3で精度がゼロに低下、メモリの複雑さは性能を単調に向上させずワーキングメモリが支配的、Claude Sonnet 4.6はSEC EDGARで世代的な後退、推論下ではClaudeのエラー分布が単一モードになることが明らかになった。

本論文は、シナリオベースの行動プロービングと活性化誘導を用いて、再学習なしにLLMの文化的価値調整を変更する汎用フレームワークを提案する。実験では、文化的価値の潜在的な絡まりが明らかになり、正確な調整が制限されることが示された。

ACL 2026で発表予定の論文が、グラフや表などの構造化知識を推論する際のLLMの幻覚のメカニズムを調査した。幻覚はランダムノイズではなく、系統的な内部ダイナミクスに起因する。注意はショートカット的な構造的手がかりに偏り、フィードフォワード表現は提供された知識を意味的にグラウンディングできず、モデルはパラメトリックメモリに依存する。このパターンはシングルホップ、マルチホップ、表形式の設定に一般化でき、幻覚検出に有効である。

本論文は検索拡張生成（RAG）を文脈内最適化プロセスとして再定式化する。単一の線形自己注意層が、線形化されたRAG目的関数上の勾配降下1ステップに対応することを示し、その視点を凍結RAG大規模言語モデル向けの軽量な順伝播のみの更新手法へと変換する。7つのQAベンチマークで評価している。

RICE-POは、検索インタラクションを局所的な学習信号に変換することで、推論エージェントの訓練における信用割り当て問題を解決する評論家不要のポリシー最適化フレームワークである。BRIGHTとBEIRベンチマークで、プロンプトベースのエージェントやグループベースの強化学習ベースラインを上回る性能を示した。

本論文では、日常的な放射線腫瘍学の診療に統合された、大規模言語モデル（LLM）駆動の自動臨床要約および臨床試験特定システム「デイリードーズ（TDD）」について説明する。55名の臨床医を対象とした混合評価により、良好なユーザビリティ、満足度、時間節約の可能性が示された。

CroCoは、英語の報酬モデルを用いて多言語の自己生成応答をランク付けし、言語固有の選好アノテーションを必要とせずに対比選好チューニングを多言語に拡張する。EuroLLM-9BとAya-3Bを用いた14言語の実験では、オン・ポリシーデータが重要であり、構造化タスクとオープンエンド生成の両方で性能向上を示した。

SPEAR（Sandboxed Prompt Engineer with Active Roll-back）は、コードをアクションとして扱うパラダイムを自動プロンプトエンジニアリングに導入した自由形式のエージェンティック最適化手法です。評価、Python、set_prompt、finishの4つのツールを備え、自律的に使用方法を決定します。特にPythonサンドボックスにより、評価データフレーム上で構造的なエラー分析（混同行列、エラークラスタリング、グループ別メトリクスなど）を実行できます。メトリクスが悪化した場合の自動ロールバックとオプションのガードメトリクス下限により、単調な改善を保証します。3つの産業用LLM-as-judgeスイート（13タスク）と7つのBBHタスク、GSM8Kで評価した結果、SPEARはすべての産業タスクで主要メトリクスにおいて勝利し、BBH-7で平均精度0.938を達成しました。アブレーション実験では、Pythonツールが最も重要な要素であることが示されました。

本サーベイは、メンバーシップ推論とデータ汚染を事前学習データ露出（PDE）フレームワークのもとで初めて統合し、露出レベルを形式化し、攻撃・防御手法をレビューし、実証的知見を統合し、未解決の課題と今後の方向性を示しています。

本論文は、自己検証蒸留を提案する。事後学習済みの大規模言語モデルが、外部教師やツールからのフィードバックなしに、ラベルのない種問題のみを用いて候補解を生成し、三段階の自己検証（循環整合性、事実性、正確性）を経て高品質な自己キュレーションデータセットを構築し、再学習する手法である。Qwen3モデルにおいて、数学・科学・コーディングの三個の推論領域で大幅な性能向上を達成し、テスト時には単一の推論呼び出しのみでテスト時計算のベースラインを上回る。

本論文は、訓練時に実際のルール違反が稀または存在しない場合の異常検知を研究する。著者らは論理制約を有向非巡回グラフにコンパイルするニューラルルール評価器を提案し、特徴レベルでサブツリー特徴を混合して論理的反例を生成するキメラ訓練を導入する。CLEVRER、OpenImages、VidORでルールレベルの異常AUROCを改善する。

本論文は、リー群埋め込み動的ニューラルネットワーク（LieEDNN）とその学習アルゴリズムを提案し、一般リー群上で学習可能かつ安定なダイナミクスを実現する。SE(3)上の伸縮マニピュレータ実験で有効性を示す。

PushCen-ADFLは、共有セントロイド表現空間で通信、アグリゲーション、ローカル安定化を結合する通信効率の高い非同期分散連合学習フレームワークである。平均保存プッシュサム混合によりアグリゲーションバイアスを補正し、セントロイド正則化により異質性と陳腐化下でのモデルドリフトを緩和する。実験では、データ異質性下で最大6%の精度向上を達成しつつ、プッシュあたりの通信コストを80%以上削減した。

本論文は、時系列基盤モデル（TSFM）の事前学習データ汚染監査に関する初の研究である。プローブ適応ダイナミクスに基づくTSFMAuditを提案し、汚染されたデータセットが微調整後に損失の急速な減少とバックボーンの小さな移動を示すことを利用して検出する。6つのTSFMと187のデータセットで有効性を実証し、LLM文献から適応した10のベースラインを上回る性能を示した。