本論文では、自動運転におけるマルチタスク分類を改善する適応的信頼閾値選択法を提案し、958枚の注釈付き画像からなるIUST-XAI-ADデータセットを導入する。

本論文では、34,700枚以上の高解像度画像からなるデータセットを紹介し、11本のDyneema SK75/78 HMPEロープの制御された繰り返し疲労下での完全な劣化過程を記録している。ロープは60 kNから280 kNの七つの軸荷重で試験され、疲労寿命は695サイクルから8340サイクルまで様々である。一定回数のシーブサイクルごとにロープの異なる断面位置から10枚の画像を撮影し、サイクル数を注釈することで残存有効寿命を直接計算できる。このデータセットは、RUL回帰、損傷進展モデリング、異常検知、負荷条件付き予測などの機械学習タスクをサポートし、視覚ベースの状態監視および予測アルゴリズムのベンチマークを提供する。

研究者らは、物理誘導による混合モードアンミキシング（PGRU）を提案。観測可能な物理的特徴から画素ごとのスカラー値を推定し、必要な場合にのみ非線形混合を活性化することで、多重散乱下での線形混合モデルの限界を克服する。Samson、Jasper Ridge、Urbanデータセットでの実験により、物理的一貫性が0.90を超える改善を示した。

本論文では、Sentinel-2光学画像とSentinel-1 SAR観測を組み合わせ、任意の過去または未来の日付に光学画像を生成することで、Sentinel-2時系列の高密度化と予測を実現する確率的深層学習フレームワークを提案する。生成画像の不確実性に焦点を当て、疎で時間的に非整合な時系列において有効な結果を示した。

暗黙的ニューラル表現（INR）は、物理情報に基づく教師なし学習を通じて医用画像において強力なパラダイムとして登場した。従来のINRは被験者ごとにネットワーク全体をゼロから最適化するため、非効率的な学習と最適でない画質をもたらす。最近の初期化ベースのアプローチは、事前学習ネットワークに集団事前分布を注入しようとするが、高品質な画像に依存し、微調整中に破滅的忘却を起こすことが多い。本研究では、共有表現と被験者固有表現を明示的に解離する新しいINRフレームワークDisINRを提案する。DisINRは、共有エンコーダ-デコーダ対と被験者固有エンコーダを導入し、その特徴を共同でデコードして画像再構成を行う。微分可能な前方モデルを統合することで、限られた生の測定値から直接共有モジュールを事前学習し、事前取得した高品質画像の必要性を排除する。テスト時の適応では、被験者固有エンコーダのみを最適化し、共有対は凍結したままにして学習した事前分布を効果的に保持する。3つの代表的医用画像タスクでの広範な評価により、DisINRは再構成精度と効率の両方で最先端のINRを大幅に上回ることを示した。

深層学習を科学イメージング（赤外線など）に単純に適用すると、データの事前分布と深層学習の単純性バイアスがミスマッチし、モデルが一次元予測に崩壊し、RGBモデルよりも性能が低下する。

効率的かつ解剖学的に正確な3D歯牙セグメンテーションのためのトポロジー制約付き量子化nnUNetフレームワークを提案する。量子化認識トレーニングに新規な歯牙特異的トポロジー損失を統合し、計算効率を維持しながら歯数、隣接関係、空洞の完全性などの重要な解剖学的構造を保持する。8ビット量子化nnUNetバックボーンを動的キャリブレーションで使用し、推論時の精度損失を最小化。実験により、従来の量子化モデルと比較してトポロジー誤差を大幅に削減し、歯科CBCTスキャンで臨床的に妥当なセグメンテーションを達成。リソース制約のある臨床環境への展開に適する。

MuCALD-SplitFedは、因果表現学習と潜在拡散を統合したマルチタスク分割連合学習フレームワークであり、医療画像セグメンテーションにおけるタスクの不一致とプライバシー漏洩の問題に対処する。実験では、ベースラインの分割連合学習が収束しないのに対し、提案手法は一貫してセグメンテーション性能を向上させ、情報漏洩を低減する。

5つのマルチモーダル大規模言語モデル（MLLM）を実世界の皮膚科データで評価した研究では、ベンチマーク性能が実際の臨床能力を大幅に過大評価していることが判明した。5,811症例、46,405枚の臨床画像からなる病院コンサルテーションコホートにおいて、オープンウェイトモデルのtop-3診断精度は画像のみで1.5%～13.35%にとどまり、臨床コンテキスト追加後も28.75%に留まった。GPT-4.1は画像のみで24.65%、コンテキスト追加後38.93%を達成。モデルは不完全または誤ったコンテキストに非常に敏感だった。重症度トリアージの感度は60%超だが、臨床導入には信頼性が不十分だった。

小型言語モデルがエンティティ固有のプロンプトを自己生成・検証・最適化するフレームワークを開発。1,200件の歯科注釈データで評価し、DPO適用後、Qwen2.5-14B-Instructがmicro/macro F1で0.864/0.837を達成。ローカル展開によるスケーラブルな臨床情報抽出の可能性を示す。

大規模言語モデルは多言語タスクで優れた能力を示すが、低リソースのアフリカ諸言語での性能は未評価です。Nsankuベンチマークは19モデルを43のガーナ諸言語と英語のペアで評価し、現状のモデルは精度と一貫性の両面で不十分で、大規模利用には信頼できないことを明らかにしました。

語彙重複が多言語ニューラル機械翻訳の知識転移にどのように影響するかを調査した研究では、ドメインの一致と言語の関連性が共同語彙よりも重要であることが判明した。

arXiv:2605.04180v1 は、医療用LLMのアウトプットにおける現実的な単語レベルの捏造を生成するデータ中心パイプラインによるデータセットMedFabricと、Text2Table分解、単語マスキング/補完、ハイブリッド文対評価により事実整合性を向上させる検出器EtHERを提案する。実験では、単語レベルの捏造ベンチマークで従来の最良検出器に対し15%以上の改善を示した。

本研究では、ナイジェリアとカメルーンにおける紛争事象分類において6つの大規模言語モデル（LLM）を評価し、オープンウェイトモデルは有意な虚偽非合法化バイアスを示す一方、ドメイン適応モデルは方向的に中立であるがアクターに基づく選択バイアスが依然として存在することを発見した。現在のモデルは教師なし展開には適しておらず、公平性を考慮したファインチューニング、敵対的ロバスト性評価、および地域の難易度に合わせた状況特異的なヒューマン・イン・ザ・ループ監督が求められると結論付けている。

新しい研究では、学術執筆における大規模言語モデルの幻覚を調査し、4つの人気モデル（ChatGPT、Grok、Gemini、Copilot）を評価するために新しい幻覚指数（HI）を導入しました。結果は、モデルアーキテクチャだけでなく、タスクタイプとプロンプト条件が幻覚に影響することを示しています。

チームはSemEval-2026 Task 13に参加し、複数のプログラミング言語におけるLLM生成コードの検出に取り組んだ。軽量な特徴ベース手法と決定木を採用し、CPUのみで高速な推論を実現、大規模事前学習モデルに代わる効率的な選択肢を提供する。

本研究は、オンライン広告の執筆スタイルや画像パターンをデータ駆動型機械学習で分析し、匿名アカウントを関連付けて人身売買や不正取引ネットワークを解明する手法を提案。また、責任ある使用のための倫理ガイドラインも提示している。

本論文では、適応的Power-Mean方策最適化（APMPO）を提案する。これは、Power-Mean方策最適化（PMPO）とフィードバック適応型クリッピング（FAC）の2つの革新により、静的方策最適化と進化するLLM推論能力の不一致を解決する。9つのデータセットにわたる実験で、APMPOは最先端のRLVRベースラインを上回り、例えばQwen2.5-3B-Instructを使用した数学推論ベンチマークでGRPOを平均Pass@1で3.0ポイント上回った。

本論文では、自由エネルギー原理に基づく報酬調整と適応的アドバンテージシェイピングを組み合わせたFREIAアルゴリズムを提案。9つのデータセットでの評価により、特に数学推論タスクにおいてPass@1で0.5〜3.5ポイントの改善を達成した。

本研究では、アルツハイマー病の進行分析における深層生存モデルの公平性を調査し、新しいバイアス指標を提案し、性別、人種、教育などの敏感な属性に基づく顕著な偏りを明らかにしています。

EdgeRazorは、リソース制約のあるデバイスにLLMを展開するための新しい軽量フレームワークです。混合精度量子化認識蒸留を採用し、極めて低ビット幅でも高い圧縮率と優れた性能を実現し、トレーニング予算を大幅に削減します。

研究により、大規模言語モデルにおけるインコンテキスト学習のタスクエンコーディングは分散型であり、単一位置に集中していないことが明らかになった。単一位置の活性化介入ではタスク転送が0%であるのに対し、複数位置介入では最大96%の転送を達成し、分散型出力テンプレート仮説を支持する。

新しい先読みドリフトモデルは、逐次的なドリフト項を計算することで高次勾配情報を捉え、おもちゃの例やCIFAR10でベースラインを上回る性能を示す。

深層学習モデルの規模が拡大し、ストレージ需要が大規模データセットを上回るケースが増えている。これに対処するため、研究者は「継続的蒸留（CD）」という新たなパラダイムを提案する。これは学生モデルが教師モデルのストリームから順次学習し、以前の教師にアクセスすることなく知識を獲得する手法である。CDには、教師の訓練データが利用不可であることと、教師の専門性が異なることの2つの課題がある。外部のラベルなしデータを用いることで、「未見知識転移（UKT）」が可能となり、学生は自身の訓練データにないドメインの知識を獲得できる。また、逐次蒸留により、後の教師で学習した後に以前の転移知識が失われる「未見知識忘却（UKF）」が発生する。UKTとUKFのトレードオフを最適化するために、外部データ上でロジットを保持し、異種教師間の学習を安定化させる「自己外部データ蒸留（SE2D）」を提案する。複数のベンチマーク実験により、SE2DがUKFを低減し、クロスドメイン汎化を改善することが示された。コードは公開されている。

MP-ISMoEフレームワークは、ガウスノイズ摂動反復量子化（GNP-IQ）でメモリ消費を削減し、インタラクティブサイド・ミクスチャー・オブ・エキスパーツ（ISMoE）でサイドネットワークを拡張することで、最先端のMETL手法を凌ぐ精度を達成する。

本論文は、LLM支援NASにおける機能的絡み合い問題に対処するため、修正する機能因子を明示的に選択し条件付き編集を行うSPARKを提案。CLRS-DFSで28.1倍のサンプル効率向上と22.9%のOOD精度向上を達成。

本論文は、単一変換のパラメータを成分に分割し、準同型制約を課すことで正規部分群を識別する教師なし変換分類手法を提案する。従来手法が必要とした運動や等長制限などの補助仮定を排除し、より広く適用可能である。回転、並進、スケールの画像ペアでの評価により、群分解制約が適切な分類を促進することが示された。

MetaAdamWは、自己注意メカニズムを用いてパラメータグループごとに学習率と重み減衰を動的に調整する新しい最適化器であり、5つのタスクでAdamWを上回り、最大17.11%のトレーニング時間短縮または11.08%の性能向上を達成する。

本研究では、スカラー可約ダイナミクスとスカラー既約ダイナミクスを区別する分類を導入し、スカラー既約ダイナミクスが高速変数と低速変数のフィードバックを通じて内部生成されたレジームスイッチングを可能にすることを示し、自律学習システムへの道を開く。

ADAPTSという新しいAIフレームワークは、混合エージェントLLMアーキテクチャを使用して、臨床面接からうつ病や不安の重症度を自動評価します。面接を症状固有の推論タスクに分解し、専門家レベルの精度を達成し、拡張可能な精神医学的評価の基盤を提供します。