本研究は、因果推論フレームワークを用いて、ロボットが道具を創造的に使用し、本来の目的を超えてタスクに適した道具を識別する手法を提案する。動的モデルでのシミュレーション実験により因果関係を発見し、VLMによる特徴提案と反事実生成を組み合わせ、因果特徴に基づいて物体を分類し、キーポイントマッチングで技能を転移する。実験では、遠方の物体への到達、ボウルからのキャンディすくい、高い棚への到達などのタスクで信頼性が向上した。

本論文は、マルチUAV吊り下げ搬送における突然のケーブル切断に対して、各UAVの実測張力を高度推力指令に直接フィードバックする受動的フォールトトレランスアーキテクチャを提案する。故障診断や再構成を必要とせず、5機のUAVと10kgのペイロードを用いたシミュレーションで、1振り子周期以内に復旧し、RMSE 0.312-0.328mを達成した。

オフライン軌道プランナーのTrack A*は、4次元グリッド上で階層的DAG探索と3つの最適化を組み合わせ、100%の収束とベースラインA*に対する23倍の高速化を達成し、可視性性能はほぼ維持する。

DexSim2Realは、視覚言語基盤モデルを活用して巧みな操作におけるシミュレーションと実世界のギャップを埋める統合フレームワークです。3つのコンポーネント（基盤モデルガイドによるドメインランダム化（FM-DR）、触覚視覚クロスアテンションポリシー（TVCAP）、段階的スキルカリキュラム（PSC））から構成されます。6つの困難なタスクでの実験では、実世界での平均成功率78.2%を達成し、DrEurekaやDeXtremeを上回り、シミュレーションと実世界の性能差をわずか8.3%に抑えました。

研究チームは、複雑な環境でソフトロボットを協調させ、絡まりを防ぐためのトポロジ駆動型マルチエージェント強化学習フレームワークを提案。トポロジ状態を共有する集中学習とセキュリティレイヤーにより絡まりリスクを評価し、シミュレーションで既存手法を上回る性能を示した。

研究者らは、マルチデポ配送計画問題（MDVRP）に対するGPU高速化ハイブリッドアルゴリズムを提案。学習駆動型の交叉操作とマルチペナルティ探索フレームワークを統合し、大規模ベンチマークで優れた性能を示した。

GeoQueryは、プロンプト調整テキストプロキシを用いたゼロショット衛星画像検索システムで、完全な対照学習を必要とせずに意味検索を実現します。災害クエリで50km以内の精度31.6%を達成し、危機対応システムECHOに導入されています。

LAMPは、自己中心型マルチカメラヘッドセットからの3D人体動作追跡のための新しいフレームワークです。デバイスの6自由度運動とキャリブレーションを使用して2Dキーポイントを統一された3D世界参照フレームに変換し、時空間トランスフォーマーで3D動作をフィッティングすることで、観測者とターゲットの動作を分離します。単眼ベンチマークで最先端の成果を達成し、自己中心的な設定でベースラインを大幅に上回ります。

整合性モデルを用いた3D点群異常検知の新しい手法により、1～2回のネットワーク評価で正常形状を直接予測。GPU不要で既存手法より最大80倍高速な推論を実現し、ドローンやスマート産業カメラなどのエッジデバイスでの利用が可能に。

Tamaththul3Dは、アラビア手話（ArSL）に特化した再構築パイプラインであり、単眼ビデオから高忠実度の3Dアバターを生成します。研究チームは、Ishara-500サウジ手話データセットに対して初の高品質3Dパラメトリックアノテーションを導入し、500の文化的に真正なSSL手話に対する正確なSMPL-Xパラメータを提供します。本パイプラインはSMPLer-X、WiLoR、MediaPipeを統合し、キネマティックチェーンに基づく手首アライメント、ハイブリッドスイング・ツイスト分解、2D教師付き関節最適化により、手の精度で従来手法を最大32%向上させ、競争力のある身体姿勢を維持します。これにより、高忠実度ArSLアバター再構築のための初の包括的フレームワークが確立され、アラブろうコミュニティのための新たなアクセシビリティ技術と文化保存が可能になります。

egenioussBenchは、都市規模の航空3DメッシュとCityGML LoD2モデルに基づくビジュアルローカリゼーションベンチマークであり、センチメートル精度のスマートフォン画像と地図に依存しないグラウンドトゥルースを提供し、従来のSfMベースのアプローチを超えるスケーラビリティを実現します。

Open-SATは、学習不要で推論時のみ動作するクエリ埋め込み精緻化アルゴリズムであり、大規模言語モデル（LLM）を活用してユーザクエリと衛星画像内容の対応を改善する。3つの公開ベンチマークでF1スコアを最大16.04%向上させ、追加の学習や監視を必要としない。

ViTok-v2は、NaFlexによるネイティブ解像度サポートとDINOv3知覚損失を備えた新しいVision Transformerオートエンコーダであり、既存のViTトークナイザーの限界（解像度汎化と安定スケーリング）を解決します。約20億枚の画像でトレーニングされ、50億パラメータにスケーリングされた、現在最大の画像オートエンコーダです。256pで最先端の再構成に匹敵または凌駕し、512p以上ではすべてのベースラインを上回ります。フローマッチング生成器との共同スケーリング実験では、再構成と生成のトレードオフのパレートフロンティアを前進させます。

DETRスタイル検出器の潜在クエリ特徴の密度を利用した密度認識キャリブレーション手法を提案。分布シフト下で分類とバウンディングボックス回帰の不確実性を同時に再調整し、カメラ・LiDAR検出器の両方で標準手法を上回る。

生成的敵対ネットワーク（GAN）とサイクル一貫性損失関数を用いた、クラス指向の特徴帰属のための反実説明手法を提案。合成、結核、BraTSデータセットで評価し、識別モデルの限界を克服。また、もっともらしい反実インスタンス（CI）を生成する手法とその品質評価手法を導入。

研究者らは、オープンセットのID不正検出のためのレイアウト認識表現学習手法を提案した。米国のIDのみで学習したが、カナダのIDに対して99.83%のレイアウト分類精度を達成し、既存の検出器が見逃した222件を含む276件の適応型物理不正事例を発見した。この手法は、分布シフト下でのキャンペーンレベルの不正発見を可能にする。

大規模言語モデルは、マルチターン対話において、攻撃者が悪意を複数の無害そうなターンに分散させる脅威に直面しています。本研究では、累積的なやり取りが有害行為を可能にする最も早いターンを検出するTurnGateモニターを提案し、トレーニングと評価のためのマルチターン意図データセット（MTID）を構築しました。TurnGateは、低い過剰拒否率を維持しながら有害意図検出で既存手法を大幅に上回り、ドメインやモデルを超えた汎化も実証されています。

大規模言語モデル（LLM）は文脈に適した応答生成に優れるが、マルチパーティ会話における発言タイミングは重要な課題である。本論文では、2～6話者の1.6万件の会話から派生した21.5万以上のサンプルからなるWhen2Speakデータセットと、介入タイミング学習のための4段階生成パイプラインを提案する。教師ありファインチューニング（SFT）により4B+パラメータモデルの平均Macro F1が60%向上するが、モデルは過度に保守的であり、平均介入機会損失率（MIR）は0.50である。非対称報酬を用いた強化学習によりMIRは0.186～0.218に低減し、再現率は0.479から0.78～0.81に向上する。本研究は、タイミング参加が訓練可能な会話知能の次元であることを示す。

研究者らは、マルチモーダルRAGにおける「再破損」現象を特定し、正確なコンテキストの追加がモデルを正しい予測から遠ざけることを示した。彼らはBAIRというパラメータフリーの推論時フレームワークを提案し、視覚的注意を回復し位置に基づくペナルティを適用する。

ドメイン訓練された小規模言語モデルOlava Extractと最先端の大規模言語モデルを構造化契約抽出で比較した研究。OlavaのマクロF1は0.812、マイクロF1は0.842、推論コストは78～97%削減され、幻覚が少なく、大規模モデルの必要性に疑問を投げかける。

新しい研究によると、拡散言語モデルが生成したテキストを複数回（最大5回）リライトすることで、透かし検出を効果的に回避でき、検出率が87.9％から4.86％に低下することが示されました。この研究では、4つのオープンウェイト言語モデルと5つのリライトスタイルをテストし、1回のリライトでも検出率が14-41％に低下することを確認しました。

ReaCompは、少数のLLM推論トレースをコーディングエージェントを用いて再利用可能なシンボリックプログラム合成器にコンパイルする手法。これらのソルバーはテスト時にLLM呼び出しを必要とせず、複数のベンチマークで優れた性能を示し、テスト時拡張を行うLLMを上回る。また、LLM検索と相補的に動作し、トークン使用量を削減し、歴史言語学タスクへのゼロショット転移も可能。

SLAMは、スパースオートエンコーダを用いて残差ストリーム内の言語構造を符号化する方向を特定し、生成時にそれらを因果的に操作することで、テキスト品質を損なうことなく100%の検出精度を達成する新しいホワイトボックス透かし方式である。品質コストはわずか1-2報酬ポイントで、既存手法を大幅に上回る。

本論文では、クエリなしデータセットから自動的に証拠ベースのクエリキーワードを生成するモデルを提案し、クエリ指向要約（QFS）に応用する。実験の結果、生成された証拠クエリを用いた要約は、元のクエリを用いた場合と同等のROUGEスコアを達成した。

学生のライティングにおける反論が批判的思考に与える効果を調査し、AIと人間の評価の一致性を比較した介入研究。36人の学生を対象に6つの基準で評価した結果、学生自身の反論には論理性が含まれ、フロンティアLLMが学生の課題を効果的に評価できることが示されました。

AdaGATEは、マルチホップRAGにおける証拠選択をトークン制約付き修復問題として捉える学習不要の証拠コントローラです。エンティティ中心のギャップ追跡、ターゲットマイクロクエリ生成、ギャップカバレッジ、裏付け、新規性、冗長性、関連性をバランスする効用ベースの選択メカニズムを組み合わせます。HotpotQAにおいて、クリーンデータで62.3%、冗長注入下で71.2%の最高証拠F1を達成し、Adaptive-k比2.6倍のトークン効率を実現。

スパースオートエンコーダ（SAE）はトランスフォーマーにおける特徴の重ね合わせを分解できるが、構成的ステアリングは幾何学的不安定性を伴う。本論文は高次元スパースコーン多様体の枠組みを導入し、漸近的な構成崩壊閾値を導出するとともに、ReLU整流がラチェット効果のような干渉蓄積を引き起こすことを示す。CLEVRデータセットでの実験により予測を検証した。

標準のTransformerはすべてのトークンに同じ数の層を適用します。Token-Selective Attention（TSA）は、学習可能なトークン単位のゲートを導入し、簡単なトークンの層をスキップすることで、品質をほとんど損なわずに最大23%の演算を削減します。

新しい非ニューラルフレームワークDVBLは、変分最適化を通じてデータから直接基底関数を学習し、ニューラルネットワークと比較して解釈可能性と数学的透明性を提供します。

本論文では、生成モデルにおける概念操作のための汎用アフィンフレームワークMidSteerを提案する。著者らはまず概念操作の理論を形式化し、標準的な手法とLEACE（閉形式のアフィン消去法）との関連を示した。次にLEACE-Switchフレームワークを定式化し、その上でMidSteerを導入する。実験では、視覚拡散モデルや大規模言語モデルなど、さまざまなタスクやアーキテクチャで良好な性能を確認した。