Vid2World: Crafting Video Diffusion Models to Interactive World Models
本論文は、大規模インターネットデータで事前学習された動画拡散モデルを、アーキテクチャと学習目的の再設計、および因果的な動作ガイダンスの導入を通じて、ロボット操作やゲームシミュレーションなど多様な領域で高忠実度な未来予測を可能にするインタラクティブな世界モデルへと転用する「Vid2World」という手法を提案しています。
🤖 Category
cs.LG
11132 件の論文
MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision
この論文は、検証セットを必要とせず、メタフィードバックに基づいて推論時に動的にマルチエージェントシステムの設計を自己進化させるフレームワーク「MAS-ZERO」を提案し、推論、コーディング、エージェントタスクにおいて既存の手法を上回る性能とコスト効率を実現することを示しています。
HDLxGraph: Bridging Large Language Models and HDL Repositories via HDL Graph Databases
本論文は、従来の RAG が抱える構造的・語彙的なミスマッチを解決するため、抽象構文木とデータフローグラフを統合した新しいフレームワーク「HDLxGraph」と、大規模な HDL プロジェクトから生成された評価データセット「HDLSearch」を提案し、HDL 関連タスクにおける検索・デバッグ・補完の精度を大幅に向上させることを示しています。
WikiDBGraph: A Data Management Benchmark Suite for Collaborative Learning over Database Silos
既存の協調学習ベンチマークが現実のデータサイロの複雑さ（非整合性や結合不可能性など）を無視しているという課題に対し、10 万の現実世界データベースと 1700 万の関連性から構成される大規模データセット「WikiDBGraph」を構築し、協調学習システムの実用的な評価と改善の方向性を提示する。
The Cell Must Go On: Agar.io for Continual Reinforcement Learning
本論文は、非エピソード的かつ動的に変化する環境における継続強化学習の研究プラットフォーム「AgarCL」を、ゲーム『Agar.io』に基づいて提案し、標準的な強化学習アルゴリズムおよび既存の継続学習手法の性能を評価した結果、AgarCL が提示する課題は安定性 - 可塑性のジレンマを超えたものであることを示しています。
X-MethaneWet: A Cross-scale Global Wetland Methane Emission Benchmark Dataset for Advancing Science Discovery with AI
この論文は、物理モデルと実観測データを統合した初のクロススケール全球湿地メタンベンチマークデータセット「X-MethaneWet」を提案し、深層学習モデルの性能評価と転移学習による実世界データへの汎化能力向上を通じて、AI を活用したメタン排出量予測と気候モデルの精度向上に貢献する可能性を示しています。
Maximum Principle of Optimal Probability Density Control
本論文は、大規模な多エージェント制御問題に対処するため、確率分布空間における最適制御問題に対して最大値原理とハミルトン・ヤコビ・ベルマン方程式を確立し、深層ニューラルネットワークを活用した高次元問題に対する拡張可能な数値アルゴリズムを提案する理論的枠組みを構築したものである。
VISTA: Vision-Language Inference for Training-Free Stock Time-Series Analysis
この論文は、数値データとチャート画像を組み合わせるゼロショット推論により、特定の学習を必要とせず従来の手法を大幅に上回る精度で株式価格を予測する新しいフレームワーク「VISTA」を提案しています。
Stronger Enforcement of Instruction Hierarchy via Augmented Intermediate Representations
この論文は、大規模言語モデルにおけるプロンプト注入攻撃への防御を強化するため、入力層だけでなくネットワークの中間層にも特権情報を埋め込むことで、既存手法よりも最大 9.2 倍の攻撃成功率低下を実現する新しいアプローチを提案しています。
OCN: Effectively Utilizing Higher-Order Common Neighbors for Better Link Prediction
この論文は、高次共通近傍における冗長性と過平滑化の問題をそれぞれ直交化と正規化で解決する「直交共通近傍（OCN）」を提案し、リンク予測タスクにおいて既存の最善手法を平均 7.7% 上回る性能達成と理論的裏付けを示しています。
ViTaPEs: Visuotactile Position Encodings for Cross-Modal Alignment in Multimodal Transformers
本論文は、視覚と触覚のモダリティを効果的に融合し、タスクに依存しない汎用的な表現学習とゼロショット一般化を実現するために、局所および大域の位置符号化を段階的に注入するトランスフォーマーベースのアーキテクチャ「ViTaPEs」を提案し、実世界データセットおよびロボティクスタスクにおいて最先端の性能を示すことを報告しています。
LoFT: Low-Rank Adaptation That Behaves Like Full Fine-Tuning
本論文は、オプティマイザの内部ダイナミクス（モーメントと分散）を低ランク部分空間に適切に射影することで、フルファインチューニングと同等の性能を達成し、追加のハイパーパラメータ調整を不要にした新たな低ランク適応手法「LoFT」を提案しています。
Rethinking Continual Learning with Progressive Neural Collapse
この論文は、カタストロフィック・フォージングを軽減するために固定されたグローバルな ETF に依存せず、新たなタスクに応じて ETF 目標を体系的に拡張する「Progressive Neural Collapse（ProNC）」という新たな継続学習フレームワークを提案し、既存手法を大幅に上回る性能と柔軟性を実現したことを報告しています。
Adaptive Correction for Ensuring Conservation Laws in Neural Operators
本論文は、物理法則（質量や運動量の保存など）を厳密に満たすようニューラルオペレータの出力を適応的に補正する軽量な学習可能演算子を提案し、既存の手法よりも高い精度と安定性を達成することを示しています。
ActivePusher: Active Learning and Planning with Residual Physics for Nonprehensile Manipulation
この論文は、非把持操作における学習ベースの動的モデルのデータ収集効率と長期計画の信頼性を向上させるため、残差物理学モデルと不確実性に基づく能動学習を統合した「ActivePusher」という新規フレームワークを提案し、シミュレーションおよび実世界環境での有効性を実証しています。
MMTU: A Massive Multi-Task Table Understanding and Reasoning Benchmark
本論文は、表形式データの理解・推論・操作に関する専門家のレベルを包括的に評価するため、25 の実世界タスクと 2 万 8 千以上の質問からなる大規模ベンチマーク「MMTU」を提案し、最先端のモデルでも高い性能が求められていることを示しています。
Leveraging chaotic transients in the training of artificial neural networks
この論文は、学習率を意図的に大きく設定することで勾配降下法が「探索と利用のバランス」を取る過渡的カオス領域に遷移し、初期条件への敏感な依存性（正の最大リアプノフ指数）を示しながらも、MNIST などの多様なタスクやアーキテクチャにおいてテスト精度への収束時間を最小化し、人工ニューラルネットワークの学習を加速できることを示しています。
EROICA: Online Performance Troubleshooting for Large-scale Model Training
本論文は、大規模モデル学習の性能問題を診断するために、プロファイリングに基づく微細な観測と全 GPU クラスタの網羅的カバレッジを備えた初のオンライントラブルシューティングシステム「EROICA」を提案し、約 10 万 GPU の大規模環境で 1 年半にわたり稼働し、97.5% の成功率で多様な性能問題を特定したことを報告するものである。
BemaGANv2: Discriminator Combination Strategies for GAN-based Vocoders in Long-Term Audio Generation
本論文は、AMP モジュールと新規の Multi-Envelope Discriminator を導入し、長尺音声生成における時間的整合性や周期性のモデル化を強化した GAN ベースのボコーダ「BemaGANv2」を提案し、各種識別器の組み合わせ戦略を客観的・主観的指標を用いて体系的に評価したものである。
Co-LoRA: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients
この論文は、データとモデルの両方の異質性に対処し、タスク関連性を考慮した集約戦略と次元不変モジュール「Co-LoRA」を導入することで、現実的な多モーダル環境におけるパーソナライズド連合学習の性能を大幅に向上させる手法を提案し、40 のタスクを含む新しいベンチマークでその有効性を示しています。