本チュートリアルは、Cactus Compute の 16.9 MB 音声認識モデル Whistle を、Apple M4 の CPU 上で Whisper tiny および base と比較する再現可能なベンチマークである。LibriSpeech の test-clean と test-other からシード付きでサンプリングし、話者クラスタ単位のペア付きブートストラップ区間と Holm 補正を用いて判定する。結果として、test-other では貪欲法の Whisper base に対して有意に優位だが、ビームサーチとの間には有意差がなく、速度優位もクリップが長くなるほど縮小する。さらに、30 秒の単一パス窓を超える音声で固定エンジンが中間部分を黙って切り捨てる問題や、ストリーミング遅延、タイムスタンプ、キーワードバイアス、多言語、ノイズ、埋め込み、音声によるツール呼び出しも検証している。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28901v1 Announce Type: new Abstract: We consider cooperative and iterative tasks involving multiple agents whose interactions are modeled as a dynamic game with shared constraints. We propose a general learning framework applicable to nonlinear and nonconvex dynamic games that uses previously executed feasible trajectories to construct a sampled joint safe set and player-specific cost-to-go functions. At each time step, the agents jointly select a previously sampled terminal state and a Generalized Nash equilibrium used to reach it. A new solution is adopted only if it satisfies a cooperative acceptance rule agreed upon by the players. The framework accommodates individual non-degradation requirements and selection criteria such as weight…

本論文は、人間による自然言語の修正に基づいてロボットのタスク特徴の内部表現を反復的に洗練する「Flexible Feature Editing Pipeline（FLEX）」を提案する。従来の表現編集手法は特徴の「追加」のみに限定され、特に逐次的な編集タスクでは特徴集合が過剰指定や狭すぎる範囲になりがちだった。FLEX は「不足特徴の追加」「具体的すぎる特徴の汎化」「無関係な特徴のマスク」という三つの相補的な操作を組み合わせる。2D ナビゲーション、7 自由度 Franka による卓上操作、自然な人間の言語修正を用いた実機研究で評価し、三つの操作すべてが対話的シナリオに不可欠であること、また FLEX がコンパクトで転移可能な表現を維持しつつ一貫して高い正規化報酬を達成することを示した。本論文は CoRL 2026 に採択されている。

本論文は、各ロボットエピソードを動画長に依存しない固定サイズのニューラルネットワーク重み差分として保存するパラメータ空間メモリの枠組みを提案する。学習済み投影器が重み差分をトークン埋め込みに変換し、言語モデルによる質問応答と関節指令回帰を条件付けする。RoboMMEベンチマークで有効性を初步的に検証した。

本論文はReal2Sem2Real（R2Sem2R）を提案する。単眼RGBの人間実演動画1本から、カテゴリ内の複数の意味的物体インスタンスにまたがる数千件のロボット実演を生成するreal-to-semantic-to-realパイプラインである。DINOv3蒸留ガウシアンスプラットで物体のSE(3)姿勢を追跡し、少数の写真から生成した「デジタルいとこ」を実演物体に意味的に整列させ、人間の手を実行可能なロボット把持へ写像したうえで、IsaacSimまたはMuJoCoでデータを生成する。実機2台・4タスクの実験で、本手法のデータで学習した方策は多様な物体インスタンスにおいて遠隔操作データで学習した方策と同等以上となった。

本論文は、共有された視覚メモリを用いて基本動作の生成と軽量な触覚補正の双方を導く world-language-action アーキテクチャ T-WLA を提案する。視覚ポリシーを再実行することなく接触状態の変化に迅速に対応でき、指関節の MPJPE を 30% 削減し、実機の巧みな操作4タスクで平均約 50.0% の成功率を達成した。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28791v1 Announce Type: new Abstract: Target-based extrinsic calibration estimates the rigid transform between sensors from a few observations of a known target, and its result is commonly assessed by the root-mean-square error of the fitted residuals. However, this scalar error is computed on the same observations and therefore cannot indicate whether to accept the result, re-extract, recollect or add observations. This paper presents VeriCalib, which formulates extrinsic calibration as a verifiable estimation problem and reports a calibration state. The key insight is a two-level extrinsic compensation mechanism, in which the extrinsic compensates the rigid part of each observation error at the residual level, and rotation and translatio…

本論文は、物理的人間-ロボット相互作用（pHRI）に向けた新しいフレームワークを提案する。ロバストなレンチ（力・トルク）オブザーバと姿勢・力のハイブリッド制御器を統合し、ニューラルネットワークで摩擦や未モデル化動特性を補償、タスク・ヌル空間分解で人間の外乱の影響を低減することで、力/トルクセンサを使わずに姿勢と力の追従を実現する。

Nuo Chen氏とYa-Jun Pan氏は、物理的な人間-ロボットインタラクション（HRI）におけるモード認識と適応制御のためのメタ学習フレームワークを提案した。人手で設定した切り替えしきい値の代わりに、メタ学習で訓練したニューラルネットワークが、人間が能動的に誘導しているのか受動的に追従しているのかを判別する。制御器の力依存パラメータを認識に組み込むことで、受動モードの認識率は90.1%から99.1%へ、能動モードは79.8%から97.1%へ向上した。さらに適応メタ学習制御器が人間による外乱を補償し、変化する相互作用力へオンラインで適応する。複数軌道メタ学習アルゴリズムは環境基底表現と力依存パラメータを同時に学習し、未モデル化ダイナミクスに効率的に対処する。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28712v1 Announce Type: new Abstract: First-person humanoid teleoperation ties access to side and rear targets to operator rotation. We present coupled visual--motor remapping, pairing a panoramic azimuth warp with its inverse upper-limb yaw transform. A working prototype implements Global Zoom (GZ) and Focus+Context (F+C). In a within-subject study (N=8); 72 trials), GZ had the largest completion count (23/24; Fixed: 20/24; F+C: 21/24), whereas F+C was preferred by 6/8 participants. Therefore, completion and preference favored different mappings in this sample.

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28701v1 Announce Type: new Abstract: Accurate ground plane normal estimation is essential for odometry in spherical mobile mapping systems (SMMS), which face challenges from rapid rotations and limited ground coverage. We propose two RANSAC-based approaches: single-scan estimation with normal vector scoring and multi-step validation, and LiDAR-inertial odometry (LIO)-based estimation using a global 3D map. Evaluated across diverse real-world datasets against terrestrial laser scanner ground truth, results show that LIO-based estimation significantly outperforms single-scan methods in accuracy and robustness. Integrating ground normal estimates into the motion model improves pose estimation, supporting autonomous navigation in challenging…

本論文は、単眼深度を表現学習・エピソード適応・密なサポート–クエリ照合に組み込む幾何誘導フレームワーク DAFIC を提案する。RGB-D 自己教師あり事前学習、深度誘導型幾何適応（DGA）モジュール、空間双方向パッチマッチング（SBiM）により、背景の混雑や RGB 外観の類似に起因する視覚的曖昧さを緩和する。WACV 2027 に採択され、4 つのベンチマークで有効性を示している。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28843v1 Announce Type: new Abstract: Visual question answering requires models to assign attributes and relations to the correct objects, a problem known as visual binding. Structured prompts make these assignments explicit through labeled fields. Yet an improvement from the full prompt does not reveal which labels help or how they interact. First, we isolate field-label effects across ten models and six tasks by holding the image and claim fixed. These comparisons reveal differences that overall accuracy can hide. With a relation label present, adding object-role labels helps Qwen3 but hurts Qwen2 on Spatial. Second, we compare auxiliary hints that preserve or swap the question's role assignments against a no-hint baseline. Across two im…

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28835v1 Announce Type: new Abstract: Conventional visual sensing faces a fundamental dilemma: information that should remain private today may need to be recovered tomorrow. This challenge is becoming increasingly important as cameras become pervasive in our daily surroundings. Existing safeguards either protect visual content only after an image is formed or suppress information during capture in ways that prevent its later recovery. Here, we show through an information-theoretic analysis that privacy and recoverability cannot be achieved simultaneously in static optical systems. Information preserved in a measurement for later reconstruction also remains available to an observer of that measurement, limiting the privacy such systems can…

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28829v1 Announce Type: new Abstract: Instruction-guided video generative models offer a scalable solution for stress-testing autonomous driving systems by simulating diverse environmental conditions. However, driving scenes operate within a dense Operational Design Domain (ODD) governed by strict traffic semantics. When applied to global driving-condition edits, general-purpose instruction-guided video editors frequently corrupt these semantics, leading to structural hallucinations and ``temporal shock.'' This work distills and protects traffic semantics during video editing at three levels. First, we construct a hybrid dataset by combining temporally aligned real-world videos with synthetic edits, balancing foundational scene structure w…

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28827v1 Announce Type: new Abstract: We present WorldStream, an open-ended 3D world model with three simultaneous capabilities: it extends playable terrain beyond any pre-specified map, acts on open-ended language in the running world, and restores visited places with their edits. A hierarchical planner over a typed decision model emits structured decision state: Macro fixes settlement, ecology, transport, and hydrological structure across a group of tiles; Micro specializes that contract into tile semantics under measured terrain and accepted neighbor commitments. Deterministic local code compiles accepted plans into terrain, roads, settlements, vegetation, and entities. Streaming separates their reach: plans run ahead along the predicte…

NeurIPS 2026に採択された論文が、屋内・屋外・物体の多様なデータで学習する統一点群レジストレーションモデルRegister Anything Model（RAM）を提案した。センサーや環境をまたいで6-DoF変換を堅牢に推定する。中核は幾何認識型の正規化戦略で、点群を適応的にボクセル化し標準幾何空間へ正規化する。さらに粗から細への階層的パイプラインと効率的な幾何Transformerを組み合わせる。12のベンチマークでインライア率とレジストレーション再現率が最高水準となり、領域ごとに個別学習したモデルを上回った。

arXiv論文SAILは、Moran's IやGeary's Cといった古典的な空間自己相関統計をグラフ上の学習可能な演算子へ一般化する微分可能フレームワークを提案する。特徴量射影とノード間の近傍親和性を同時に学習し、解釈可能な局所・大域の空間的コヒーレンス記述子を生成して、教師あり予測と教師なしのホットスポット発見を可能にする。

本論文は、凍結した画像・テキストのエンコーダ空間上で動作する単一のフローマッチング Transformer「JUICE」を提案する。各モダリティに独立したノイズレベルを与え、どれをクリーンにしどれを生成するかによって画像生成・キャプション生成・視覚的質問応答・同時生成を切り替える。2.1B パラメータ、224x224、言語モデル初期化なしで GenEval 0.88、VQAv2 73.1 を達成し、画像とテキストの整合が必要な迷路課題でも独立サンプリングを大きく上回る。

本論文はSurgReasonSegを提案する。これはデジタルツイン表現、2つのLoRAアダプタ、強化学習で訓練されたルーターを活用し、意味的・空間的・時間的クエリに対するセグメンテーション性能を大幅に向上させつつ、リアルタイム速度を維持する複雑度認識型の手術動画推論セグメンテーション手法である。また、EndoVis-ReasonSegベンチマークを導入する。

WACV 2027 に採択された論文は、顔認識用訓練データセット MS1MV3 を制御された方法で監査し、5 種類の残存欠陥を特定した。IResNet-50 と ArcFace に基づく訓練で、欠陥を的を絞って修正すると、最適化ステップを削減しつつ認識性能を維持または向上できることを示し、重複除去が最も明確な効果を持つと報告した。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28840v1 Announce Type: new Abstract: Early-grade reading screening is critical for identifying children at risk of reading difficulty. Existing AI-based screeners are often limited in the scope of their analyses and evaluation metrics, or are proprietary systems that lack transparent model specifications and evaluation. We present KIRA, a dual-pathway screening system that pairs word-level fluency scoring with detailed phoneme-level error detection. We adapt pretrained word and phoneme recognizers to children's speech, reducing word error rate from 13.88% to 8.84% and phoneme error rate from 41.66% to 23.00%. Powered by these child-adapted models, we implement Word Reading (WRE) and Oral Reading Fluency (ORF), two foundational tasks in K-…

新論文は、多言語事前学習において並列データの構造を明示的に活用する方法を検証した。並列事前学習（PPT）単独では言語理解が一貫して向上しない一方、「PPTでクロスリンガルな基盤を構築し、その後標準事前学習で適応させる」2段階手法が、高リソース・低リソースの両設定で標準事前学習を一貫して上回ることを示した。

研究チームは、ベイルート、カイロ、ドーハ、ラバト、チュニスの5都市方言と現代標準アラビア語（MSA）の並列版を収録した、初の大規模並列依存構造木バンク MADARTB を公開した。CATiB 依存スキームで注釈された5,000文からなり、方言間および MSA との統語的な類似性・差異の分析と、教師ありパーサーおよび4つの大規模言語モデルによる方言横断的な依存構造解析の比較に用いられている。

arXiv の新しい論文が、言語モデルの指示追従を評価・訓練するための Lift-Bench と Lift-Train を提案した。要点は、制約を文書の特定セクションに限定して制約密度を細かく制御できるようにし、検証可能な制約と判定による制約、さらに主タスクの制約と指示追従の制約を併せて与えることで浅い報酬ハッキングを抑えることにある。著者らは、最先端モデルでも難しいサブセットでは苦戦すること、また Lift-Train での訓練は一般的な IFTrain より報酬ハッキングに強いことを報告している。

本論文は、大規模言語モデルが事例ベースの法的推論で用いられるCATOの全26要素に対応する内部表現を形成しているかを調べる。Qwen3-1.7B、Qwen3-8B、Gemma-2 2Bの3つのオープンモデルで線形デコード可能性とスパースオートエンコーダによるスパース局在化を実験し、全26要素が3モデルすべてで線形にデコード可能で、最良層のテストAUCが0.86から1.00であること、78個のモデル固有の層-特徴座標を報告している。

本論文は、LLM価格設定エージェントの共謀に関する既存の評価が結果のみに注目し、共謀を定義づける「執行」を見落としていると指摘する。著者らは、市場の反事実的コピーにおいてメンバーに違反を強制することで執行を検証する監査手法を導入し、強化学習が価格設定や取引においてエージェントに何を教えるかを調べる。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：arXiv:2610.28772v1 Announce Type: new Abstract: Psychotherapy fidelity assessment measures how faithfully a therapist adheres to a treatment protocol, a critical determinant of positive patient outcomes. However, fidelity assessment is bottlenecked by manual expert review, rendering the process labor-intensive and unscalable. To scale therapy supervision and support clinician self-learning, we present an integrated application of large language models (LLMs) that automates psychotherapy fidelity workflows and generates actionable supervisory feedback from authentic, long-form clinical transcripts. We evaluate three open-weight models across multiple task decomposition configurations and reasoning strategies, demonstrating that evidence-first reasoni…

研究者らは、LLMのメタ認知能力を活用してベンチマーク問題から解釈可能なスキルを自動的に発見し、心理測定学の認知診断モデルを用いてスキルごとの能力を推定する評価フレームワークSkillEvalを提案した。全項目を単一のスカラー値に集約する従来の評価手法を置き換えることを目指す。

Joss Moorkens と Monja Jannet による書籍章は、翻訳分野にデータ倫理を導入し、著作権・所有権・バイアスといった全データに共通する問題に加え、少数言語コミュニティやデジタルデバイドの両側にいる人々に固有の課題を論じ、最後に責任と規制の議論へと進む。