GoldenStart: Q-Guided Priors and Entropy Control for Distilling Flow Policies
この論文は、Q 値に基づく条件付き VAE 事前分布を導入して生成の初期点を最適化し、エントロピー正則化によりオンライン探索を可能にすることで、フローマッチング方策の推論効率と探索性能を大幅に向上させる「GoldenStart」という教師あり学習手法を提案しています。
🤖 Category
cs.AI
12962 件の論文
Why Do LLM-based Web Agents Fail? A Hierarchical Planning Perspective
LLM ベースの Web エージェントの失敗要因を特定するため、高レベル計画・低レベル実行・再計画の 3 層からなる階層的計画の視点で分析し、構造化された計画言語が戦略を改善しても実行段階の認識と制御の課題がボトルネックとなっていることを明らかにしました。
Mitigating Overthinking in Large Reasoning Language Models via Reasoning Path Deviation Monitoring
この論文は、推論経路の逸脱と高エントロピー遷移トークンの発生を監視する指標を用いることで、追加のトレーニングコストや推論スループットの低下を招かずに大規模推論言語モデルの「過剰思考」を効果的に抑制し、性能と効率を向上させる早期終了手法を提案するものである。
Bringing Model Editing to Generative Recommendation in Cold-Start Scenarios
本論文は、生成型推薦モデルが抱える新規アイテムへの対応困難（コールドスタート問題）を、自然言語処理のモデル編集技術に着想を得た「GenRecEdit」というフレームワークにより、再学習なしで効率的かつ高精度に解決することを提案しています。
Controllable Accent Normalization via Discrete Diffusion
この論文は、自己教師あり音声トークン上のマスク付き離散拡散モデルに基づき、ソーストークンの選択的再利用とフローマッチングに基づく持続時間予測を導入することで、アクセントの強さを制御可能にしつつ単語誤り率を最小化できる新しいアクセント正規化システム「DLM-AN」を提案しています。
All-day Multi-scenes Lifelong Vision-and-Language Navigation with Tucker Adaptation
本論文は、異なる環境間での継続学習における忘却問題を解決するため、高次テンソルと Tucker 分解を用いて共有サブ空間とシナリオ固有の専門家を分離する「Tucker Adaptation (TuKA)」を提案し、これにより多様なシナリオにわたる全天候型・多シーン対応の視覚言語ナビゲーションを実現する「AlldayWalker」を開発したことを報告しています。
AEX: Non-Intrusive Multi-Hop Attestation and Provenance for LLM APIs
本論文は、ホスト型大規模言語モデル（LLM）の API 境界において、クライアントからのリクエストと返答の対応関係を非侵襲的に証明し、信頼できる仲介者による変換やストリーミング処理の完全性を保証する新しいアテステーション拡張「AEX」を提案するものである。
High-Fidelity Compression of Seismic Velocity Models via SIREN Auto-Decoders
この論文は、SIREN オートデコーダーを用いた潜在ベクトル表現により、地震速度モデルを高忠実度で圧縮・復元し、滑らかな補間や追加学習なしの超解像といった利点を示す新しいフレームワークを提案しています。
Seeking Physics in Diffusion Noise
この論文は、事前学習済み拡散トランスフォーマーの中間特徴量に物理的妥当性を予測する信号が埋め込まれていることを発見し、これを活用した推論時の軌道選択手法により、物理的整合性を向上させつつ推論コストを削減できることを示しています。
4D Synchronized Fields: Motion-Language Gaussian Splatting for Temporal Scene Understanding
本論文は、幾何学・運動・意味情報を単一の表現で構造的に結合し、オブジェクト単位で分解された運動とキネマティクス条件付きの言語フィールドを同時学習することで、可解釈な運動プリミティブと時間的根拠を持つ言語クエリを可能にする「4D Synchronized Fields」を提案し、既存手法を大幅に上回る性能を達成したことを報告しています。
Autonomous Agents Coordinating Distributed Discovery Through Emergent Artifact Exchange
この論文は、300 以上の相互運用可能な科学スキル、計算の完全な系譜を記録する DAG 型のアーティファクト層、およびプロベナンスを考慮したガバナンスを備えた「ScienceClaw + Infinite」という自律的科学調査フレームワークを提案し、中央集権的な調整なしに自律エージェントが分散的に発見を協調し、多様な科学分野における自律的な研究サイクルと traceable な推論を実現することを示しています。
How Do Medical MLLMs Fail? A Study on Visual Grounding in Medical Images
この論文は、医療画像の解釈において最先端のマルチモーダル大規模言語モデル（MLLM）が臨床的に重要な領域への視覚的グラウンディングに失敗していることを初めて体系的に実証し、追加学習なしに推論時の注意分布を最適化する「VGRefine」という手法を提案することで、複数の医療 VQA ベンチマークで最先端の性能を達成したことを報告しています。
ECG-Reasoning-Benchmark: A Benchmark for Evaluating Clinical Reasoning Capabilities in ECG Interpretation
この論文は、多モーダル大規模言語モデルが心電図解釈において表面的な視覚的手がかりに依存し、実際の視覚的証拠に基づいた段階的な臨床推論を行うことができていないことを示す新たな評価基準「ECG-Reasoning-Benchmark」を提案し、医療 AI の推論中心のトレーニングの必要性を浮き彫りにしています。
AgroNVILA: Perception-Reasoning Decoupling for Multi-view Agricultural Multimodal Large Language Models
本論文は、多視点農業画像におけるスケール混乱や論理の偏りを解消するため、大規模な多視点データセット「AgroOmni」を構築し、視覚的知覚と推論を分離する新アーキテクチャ「AgroNVILA」を提案することで、高度な農業空間計画を実現したことを報告しています。
Deconfounded Lifelong Learning for Autonomous Driving via Dynamic Knowledge Spaces
この論文は、自動運転の生涯学習における忘却や偽相関を解決するため、ディリクレ過程混合モデルと因果推論のフロントドア調整を組み合わせて動的知識空間を構築し、適応的な知識拡張と因果表現の強化を実現する「DeLL」フレームワークを提案しています。
MRNN: Non-Linear RNNs with Matrix-Valued States for Scalable Language Modeling
本論文は、Transformer の計算複雑性の限界を克服し、行列値状態を持つ非線形 RNN である M²RNN を提案することで、大規模言語モデルにおいて効率的な長期依存関係の追跡と高い性能を実現することを示しています。
AerialVLA: A Vision-Language-Action Model for UAV Navigation via Minimalist End-to-End Control
本論文は、複雑な階層的アプローチに依存せず、生視覚データと曖昧な言語指示を直接連続制御信号にマッピングするミニマリストなエンドツーエンドモデル「AerialVLA」を提案し、既存の手法に比べて未見環境での成功率が約 3 倍となるなど、UAV の自律航行において最先端の性能と優れた汎化能力を実現したことを示しています。
OxyGen: Unified KV Cache Management for Vision-Language-Action Models under Multi-Task Parallelism
本論文は、視覚言語行動モデルにおけるマルチタスク並列実行の効率化を目的とし、共有観測の重複計算を排除し可変長言語デコードと固定レート動作生成を分離する「統一 KV キャッシュ管理」を提案することで、デバイス上での高速かつ高品質な推論を実現する OxyGen システムを提示しています。
Contests with Spillovers: Incentivizing Content Creation with GenAI
生成 AI によるコンテンツの再利用・再構成がもたらす正の外部性（スピルオーバー）がクリエイターのインセンティブを損なう問題を解決するため、均衡の存在を保証し社会的厚生を最大化するメカニズム設計と近似アルゴリズムを提案する研究です。
The Pulse of Motion: Measuring Physical Frame Rate from Visual Dynamics
この論文は、生成動画モデルが持つ物理的な時間スケールの不整合（クロノメトリック・ハルシネーション）を解決するため、動画の視覚的ダイナミクスから物理的なフレームレート（PhyFPS）を推定する「Visual Chronometer」を提案し、その有効性をベンチマークと人間の評価を通じて実証したものです。